“Data is the new oil”
--这是2006年就响彻世界的一句口号，早在我们绝大多数人感知到数字产品带来的颠覆性变化之前，早早地就有人认识到数据的价值，并尝试应用变现。
将数据比做石油，一方面确实映射了其巨大价值，以及需要被提取和处理才能被使用的性质；但另一方面，不得不说仍然是工业时代思维的理解，而忽略了其本质：
数据，是人类在物理世界上的行为，留在数字世界里的痕迹。
数据映射的概念与应用（数字孪生、大数据、AI...）
是痕迹，而非复制体。
因为在可预见的未来里，人类尚不可能理解所有的物理规则，自然不可能构建一个复制物理世界的数字空间。
我们只是通过理清数据之间的逻辑关系/相关关系，以从数字世界的痕迹反向推理复原出物理世界中发生的事件。
最为典型的概念就是“数字孪生（Digital Twin）”：
数字孪生是一个虚拟模型，用于准确地反映物理对象。
例如为风力涡轮配备各种与重要功能领域相关的传感器。 这些传感器产生与涡轮不同方面性能相关的数据，如能量输出、温度、天气条件等等。 然后，这些数据将转发到处理系统并应用于数字副本。
获得这类数据后，虚拟模型就可以用来运行模拟，研究性能问题和探索改进的方向，最终目的是产生洞察 - 而洞察又可以反过来应用于涡轮的设计。
所以上一节总结所说的，「受数据牵引的数字化协作模式」就是将数据看作人类社会活动留下的痕迹，用痕迹去指导物理世界中人类的行为，就好比让你踩着别人留好的脚印向前行走。
是的，数据不仅能映射物理层面的行为，也可以映射社会层面的意识。
但人类社会性行为间的关系，在数字世界里的映射关系还非常模糊。
所以当前的“大数据”技术，只能从趋同或趋反的数据表现里，找到代表相关关系的数据变量；而大家在网上看到的许多洞察，其实是人类根据逻辑判断阐述的结果。
比如大家耳熟能详的例子：
全球零售业巨头沃尔玛在对消费者购物行为分析时发现，男性顾客在购买婴儿尿片时，常常会顺便搭配几瓶啤酒来犒劳自己，于是尝试推出了将啤酒和尿布摆在一起的促销手段。没想到这个举措居然使尿布和啤酒的销量都大幅增加了。
这个例子里，男性、购物、啤酒、尿布可能是呈现出相关关系的数据，然而他们之间的逻辑关系却并不是大数据技术告诉你的，而是你结合生活经验猜测的。
识别这样的逻辑关系其实非常考验人类对业务的理解能力，甚至缺乏解释的结论，可能因为谬误、伦理问题而不敢被应用，比如“xx星座的人犯罪人数高”这个结论，可能是因为忽略了xx星座出生人数最多这个关键因素。
那么如果不经过人工逻辑的处理，而直接对数据相关关系进行应用，就是AI技术的来源。
我们暂且抛开技术实现层面的讨论，从输入和输出上去理解：AI就是使用大量的数据，训练算法，找到数据间的相关性，并在相对单一的、人类设置的目标和规则中对新数据的结果进行反馈。
比如ai美颜功能，就是将大批量被认为符合某种审美的照片作为数据，再将你的照片与之对齐。它的目标是符合大众审美，规则是大众审美。
所以AI技术面临的伦理问题会更多，如果数据来源有偏见，ai反馈的结果相应就会有问题，比如中国的ai美颜软件会把外国人p得更像亚洲人，美国的ai修图软件会把人还原得更具有白人特点。
又比如在几年前美国发生的一场大规模枪击案里，由于大量逃离人群通过Uber软件同时叫车，其AI算法直接大幅提高出租车价格，导致Uber被大量投诉。为消除此事的影响，Uber宣布以后每次调整价格，都会由人工介入做最终决策。
当然，这里并不需要过于深入的去探索技术细节，只需要理解技术原理和其应用的限制，就能帮我们更好地处理问题。
这里总结了应用数据映射相关的技术时，需要关注的三个问题：
1、数据采集是否真实、全面？
2、数据洞察是否可信？
3、数据预测的有效条件是否满足？
网友评论