下载掌阅APP，畅读海量书库
立即打开
世界观对应着方法论，5G大数据在给人类思维带来巨大改变的同时，对实际研究也将产生深远的影响，而丰富的5G大数据应用场景正是基于思想和方法的共同改变，使得大数据成为数字经济中不可或缺的重要成员。
大数据催生的研究范式
“范式”是个颇具哲学意义的概念，最初由美国著名科学哲学家托马斯·库恩在1962年出版的《科学革命的结构》一书中提出。简单来讲，“范式”就是一种行为规范，我们经常听到的科学范式、研究范式等，其实就是科学家群体所共同遵从的行为方式
。当然，研究范式也不是一成不变的，不同时期、不同背景、不同科技发展程度，范式都有着不同的含义，最新的所谓“数据密集型”其实就是“大数据”范式。
2007年1月，在加利福尼亚州山景城召开的NRC－CSTB （National Research Council—Computer Science and Telecom-munications Board）大会上，图灵奖得主、关系型数据库的鼻祖吉姆·格雷（Jim Gray）
发表了重要演讲：《第四范式：数据密集型科学发现》（The Fourth Paradigm：Data-Intensive Scientific Discovery），提出科学研究的第四类范式，之后数据密集型这个概念开始为人所熟知。
现在，让我们回顾过往，比较一下5G大数据时代范式的变化细节。人类历史上公认经历了四类研究范式，分别是经验科学、理论科学、计算科学以及今天的数据密集型科学。经验科学也称为“实验科学”，是通过对现实事件的观察，对经验事实进行描述归纳而形成的科学，其基本过程为观察—假设—实验，最为人熟知的便是以伽利略为代表的文艺复兴时期的科学研究，大家还记得中学课本上伽利略在比萨斜塔上做的那个实验吗？
理论科学则更进一步，开始逐渐脱离现实实验，其产生的原因也很简单，随着科学的不断发展，经验科学所要求的现实实验越来越难以完成，因实验条件严重滞后于理论发展，导致很多理论的实验条件受到限制，理论难以被证实。为此，人类按照已有的实证知识、经验、事实、法则、认知去验证假说，而非去证实假说。一些假说后续随着人类科学技术的发展相继得到验证，而那些最终与现实相悖的假说则被新的理论所取代。最著名的代表便是物理学大厦上的那两朵乌云：量子力学和相对论
。
计算科学则离我们更近了，简单来说，它就是利用电子计算机对科学实验进行模拟仿真，进而对复杂现象进行模拟仿真，推演出越来越多的复杂现象，典型案例有模拟核试验、天气预报等。
这三种范式都有共同的特点，那便是都没有摆脱实验科学的模式，都经历了观察—假设—实验这一过程，无非是最初观察的手段和方法、假设的提出以及最后的实验设计有所不同。实际上，千百年来，人类的研究都同属因果导向问题研究，直至大数据的出现，研究范式终于出现了重大变革。发现问题的方法不再是通过人类的观察，而是基于科学数据的探索，这在前文讲模糊预测时也有所提及。
人类开始从集提问者和解答者于一体变为单纯的解答者，甚至在未来会变成一个外在的观察者。产生这个现象最主要的原因是，人类的数据处理能力已经满足不了人类自身的求知欲望了，我们能够提出A—B之间的关系，但我们还想知道B—C 和C—D之间的关系，当数据量扩大，内部包含的问题越来越丰富，而我们很难将所有存在的问题都一一提出，通过数据发现问题可能会成为常态。
相应地，无法感知的问题的出现，也依赖于利用数据去解决，更具体的工作我们留待下文解释。
样本还是整体
所谓的科学研究，通俗来讲就是一个证明的过程，数据密集型不仅改变了发现问题的方法，同时也对解决问题，即证明这个过程给出了新的办法。
我们先来看一个简单的证明。宏观经济学上有很多结论都建立在特定的消费理论上，而经济学发展到今天，经济学家对消费的认知并没有达成统一的意见，围绕着消费理论的讨论依然是经济学研究的一个重点，不少观点在直觉上看来都有合理性，但现实是否如此，研究者需要用到现实的数据。从理论上来说，当我们搜集到了全国范围内所有人的消费数据，那么我们就能够得出影响居民消费较为确切的决定因素，但很遗憾，我们的数据来源并没有那么详尽，更多的是来自随机调查，这也是当前众多研究运用的数据来源。而且，为了使成本最低，研究者总会在进行调查前确定好想要的数据，有针对性地进行调查。而人类的认知毕竟有限，理论更多是建立在已有的知识基础之上，有目的性的调查意味着结果也会有所偏颇，这也解释了为什么经济学家经常就某一问题发生争论，一些人会得出这个结论，而另一些人会得出那个结论。当然，我们不能说这种多样性的结果是有害的，相反，正是学界对于某理论长时间的争论才推动了学术向前发展。
那么，5G大数据时代这个过程有什么变化呢？最大的变化当属我们不需要为了成本和效率去向样本的选择妥协，在大数据时代，样本即整体。低廉的存储成本，爆炸式的数据增长，更透明的信息披露，使得数据不再像之前那样难以获取。与此同时，数据挖掘、清洗和处理技术的诞生，也让人类有能力进行大数据层面的分析和研究，从而实现“以大见小”。这样的方式还会对研究生态产生影响，香港大学林晨教授在谈及论文写作时曾说：论文的创新一是选题，二是机制，三是数据。
很显然，大数据时代研究所用的数据有可能会趋于同质化，因此，更多的创新会下沉到知识层面，或许这也是技术提升带来的研究层次的上升。当然，大数据还可能已经超越了整体，也就是说，我们可以用全球消费者的数据去研究某一地区消费者的行为，随着更多相关数据的加入，我们不但可以从内部入手研究，还能以一个全局的视角去观察、研究事物的变化。
平等对待数据不代表数据同等重要
随着大数据时代的到来，人类开始接受混杂的数据，开始倾向于模糊的预测，开始放弃直来直去的因果关系和整体与部分的关系。而这一切让我们能够站在全局的高度，不必为了成本和效率去忽略细节，甚至忽略不可知的关键因素。在5G大数据时代，通过数据的储存、分析和处理技术对全体数据进行分析，不仅让我们更准确地把握了事物的规律，同时也让我们发现了事物的更多细节，深度和广度都得到了拓展。
大数据的“大”并不是绝对意义上的大（虽然大多数情况下是这个意思），我们应当明白的是，大数据的“大”意味着能够完全概括整体的数据，但并不一定是所有的数据。它是一个系统或者一个整体的反映，甚至超出一个整体的反映，但它不是无止境的。因此，我们看待大数据并不是越大越好，而是越全越好，我们希望的是，透过数据能看到更多零碎事物之间存在的联系，而这种联系正是构成众多商业价值的关键因素。这是大数据赋予人类的能力，也是人类应该继续努力的方向，大数据让我们看清世界、让我们的预测更贴近事实，也让我们有更新和更有效的工具，从而更深入和更有效地将以往研究的碎片进行整合和融合。
不过，必须要提醒的是，我们还需回过头来审视大数据时代对人类社会的改变过程，确保我们不至于陷入过度兴奋的情绪当中。
首先，大数据并不只在于规模
。我们讲数据即世界，但并不代表我们需要能够得到的全部数据。诚然，在摩尔定律规则下，集成电路的发展呈指数级增长，并且随着设备的存储和计算能力的不断提升，价格不升反降，这在很大程度上推动了大数据的快速发展。但成本的下降不能视为没有成本，在大数据的运用过程中，我们依旧需要保持经济学的头脑，用最低的成本来换取最大的收益。大数据看似是“大”在规模，实际上是“大”在价值，重视意义永远比重视规模更加重要。比如，在一个天气晴朗的上午，用于农业气候检测的传感器，使用者并不要求它汇报每秒钟的数据，对于较为平稳的天气状况，每分钟的数据就已经完全够用了，甚至有时还可以只采集每小时的数据。而以秒、分钟、小时分别收集的数据之间却差了60～3 600倍，这种差距对于设备而言，负担是巨大的。强调衡量数据收集处理上的成本收益也给了我们这样的启示：大数据的运用给予我们的是一个近乎无限收集处理的能力，但究竟怎样用，需要结合具体的应用场景。比如，在金融市场上，即使以秒为单位进行数据处理，也会让我们损失惨重。
其次，平等对待数据并不代表数据同等重要。平等对待数据是一个从未知向已知的过程，而对数据的价值发现，是一个由浅入深的过程。5G大数据时代给了我们发现和处理问题的新范式，因而我们尽可能地收集详尽的数据，以察觉其中的蛛丝马迹。但若从另一个视角来看这个问题，我们就会发现，如果是以已知的理论进行数据搜集，我们一定会赋予数据不同的权重。还是拿农业气候检测的数据来举例：在一个多晴朗天气的地区，使用者对晴朗天气数据的渴求就会明显低于其他天气，使用者更希望得到多样的数据，以支持农业更好地发展，因此，如果一年当中80%的时间都是晴天，那么其他天气数据的重要性就显得格外重要。其实，价值不平等是大数据一个非常重要的特点。大数据的6V描述中有一个特点叫价值稀疏性，指的是在巨量的数据当中，仅有部分数据是具有研究意义的，但想要得到其中有意义的数据，就必须把所有的数据都拿到才可以，至于如何筛选和赋权，那就得交给专业人员了。
最后，当相关关系替代了因果关系，理论的重要性更为凸显。很多时候，人们强调，大数据时代让我们摆脱了因果关系，但其表达的意思是相关关系具有更简易的使用方法、更直接的商用价值。比如，那个沃尔玛“啤酒与尿布”的著名案例，假如沃尔玛的决策团队遵循的是以往超市摆放商品的方式，如此经典的案例很可能就不会出现了。很显然，从直觉上来说，男性购买婴儿尿布和购买啤酒这两种行为之间并不存在明显的关系，因此，按照理论分析得出两者相关是一件很困难的事。但既然数据显示了两者的相关性，那么一定存在一个并未观测到的现象，使得男性在购买婴儿尿布时会购买啤酒。只不过，在探究这个问题的内在关联时，不如按照大数据揭示的那样来赚钱更有吸引力。
因此，一个简单的观点认为，在5G大数据时代，从商业应用的角度来看，大数据分析的结果已经成为企业制定生产经营策略的重要参考，而企业的核心目标是实现利润的增长，所以，企业在分析和挖掘数据时的核心任务，是找出哪些经营策略与利润增长具有更强的相关性，至于这些经营策略为什么能使得利润增长，两者之间的因果关系怎样，并不是企业特别关心的问题。
但必须指出的是，这样的想法是不对的，或者说是短视的，及时利用数据显示的相关关系进行价值创造固然无可厚非，但完全抛开背后的理论知识，则有可能让企业在下一轮浪潮中处于下风。即使我们跳出了实验证明理论的固有思维，也并不意味着理论对价值的指导作用不存在。对于尿布和啤酒的研究，或许可以得到对男性消费的更深层次的理论，不仅可以更好地指导超市的经营，也可能会改变相关产品的设计生产环节，从而带来更大的价值。因此，大数据确实实现了“从数据到价值”的直接的商业范式，但也仅仅是在应用上跨过了形成理论这个步骤，人类发展的一切成果，最终还是要沉淀为承载知识的理论。