数据的黑暗陷阱是什么？ ——由柏拉图“洞穴之喻”想到的

摘要：如同那句良言，“尽信书不如无书”，略改一个字，尽信“数”不如无“数”，也是成立的。过度的、不合理的利用数据，带来的后果可能比没有数据还要糟糕。

客观的世界只有一个，而描述这个世界的棱面却有无数个，如果只在一个或某几个棱面采集数据，就如同在降维的世界里，来刻画高维世界，即使收集的数据再多，也是残缺的，更可怕的是，数据越多，分歧也可能越多，因为每一个不同的观点，都能从事实的一个棱面，找到很多相应的数据来支持，然后彼此否定，如果是这样，那么在一定程度上，这比没有数据还要糟糕，这或许就是数据的黑暗陷阱之一。

1.大数据的数理哲学基础

当下的世界，无不在快速地数据化，细节和事实都被广泛地记录下来。通过“数据排放（data emission）”，大数据系统可以记录下用户留下的点点滴滴（如点击记录、浏览时间、评价内容等），还可以记录下传感器发出的0011（各种温度、湿度、速度、压力等传感器数据）。通过这些记录，消逝的世界，得以重新再现，从而进行规律挖掘和预测分析。以至于大数据时代有个动听的口号：记录一切数据，等待有趣的事发生。

于是，就有人说，大数据时代具有颠覆性，就是因为，目前一切事物的属性和规律，只要通过适当的编码（即数字介质），都可以传递到另外一个同构的事物上，得以“无损”全息表达。在这种意义上，有人就认为[1]，大数据与世界本身是对等的，或者说是同构的（如图1所示）。大数据正是通过“量化一切”而实现整个世界的数据化，这很可能改变人们认知和理解世界的方式，即带来全新的大数据世界观——研究大数据，认知全世界！

图1 大数据的数理哲学基础——同构关系

毋庸置疑，大数据是一种宝贵的资源，也是一种强有力的工具。但就目前而言，说大数据是世界的同构映射，恐怕更多的仅仅是一种理想主义。大数据告知人们信息，却不解释信息。大数据引导人们去理解，但倘若使用不当，却会带来误解。大数据有其光辉的一面，但必须避免被它的光芒眩晕了双眼，我们也要利用余眸，留意大数据的黑暗陷阱。

2.柏拉图的“洞穴之喻”与刘慈欣的“降维攻击”

古希腊哲学大家柏拉图在《理想国》第七篇中，讲了一个著名的比喻，即“洞穴之喻（Allegory of the Cave）”[2]：

设想有一个很深的洞穴，洞里有一些囚徒，他们生来就被锁链束缚在洞穴之中，他们背向洞口，头不能转动，眼睛只能看着洞壁。

在他们后面砌有一道矮墙，墙和洞口之间燃烧着一堆火，一些人举着各种器物沿着墙往来走动，如同木偶戏的屏风，当人们扛着各种器具走过墙后的小道，火光便把那些器物的影像投射到面前的洞壁上。由于这些影像是洞中囚徒们唯一能见的事物，他们即以为这些影像就是这个世界最真实的事物（如图2所示）。

图2 柏拉图的洞穴之喻（图片来源：维基百科，绘制：Markus Maurer）

柏拉图利用这个比喻，在启发世人，我们可见的世界，可能仅仅是被火光投射洞穴墙壁上的影像而已（自然，这个影像是失真的），而这些洞穴的居民，却把它当做是真实的世界。而真实的世界是在洞穴之外，是有太阳的地方。

在很多场景下，受到现有测量和认知工具的局限，我们只能感知到某个事实的一个或几个侧面，就如同柏拉图所言的洞穴人，受限于链锁，只能向到前面的洞穴壁，于是，就会误把其所能感知到的投影于洞壁的影像（二维世界），当作真实的世界（三维世界）。

如果将洞壁的影像，进行数据化处理，哪怕技术再先进，收集的数据再多，都难以让洞穴人感知到一个真实的世界，因为他们看到的世界，被“降维处理”了。

无独有偶。刘慈欣先生在其科幻名著《三体》中，也描绘了一个恢弘壮丽的“降维攻击”：“歌者”文明在途经太阳系旁的星际空间时，随手抛下了一张“二向箔”，包括地球在内的整个银河系的三维空间，瞬间就汹涌澎湃地流入二向箔，三维结构被碾压在二维平面之上。

降维为什么能形成攻击，很大程度上，降维就意味着降低了对世界文明的理解力！升维则相反。

一个正面的有趣的案例就是，在机器学习领域，有个非常有效的分类方法——支持向量机 (Support Vector Machine，SVM)。它最喜人的地方莫过于，对于低维空间的线性不可分样本，通过映射算法，可转化为高维特征空间，从而豁然开朗，使得线性不分类问题，变得线性可分。简单来说，SVM之所以好用，是因为它提供了一个“升维”的世界。

这里我们想说，没有足够的维度，看到的世界，就是“伪”世界。没有足够的棱面，看到的事实，就是“伪”事实！

其实这些并不是最可怕的，可怕的是它可能造就一个非良局面，拥有片面数据，然后固执己见，形成彼此否定的黑暗僵局。

3. 数据越多，真相就越近吗？

随着越来越多的事物被数据化，越来越多的决策者唯“数”是从。更有甚者认为，“我们信奉上帝，其他人都必须携数据而来”（In God we trust. All others must bring data，语出世界著名的质量管理专家Edwards Deming）。

相信数据，这是很好的事情。

但如同那句良言，“尽信书不如无书”，略改一个字，尽信“数”不如无“数”，也是成立的。过度的、不合理的利用数据，带来的后果可能比没有数据还要糟糕。

这是因为，客观的世界只有一个，而描述这个世界的棱面却有无数个。在很多时候，我们所能采集的、所能接触的、愿意相信的，可能仅仅就是“事实”的某一个或几个棱面的数据。

如果是这样，就如同在降维的世界里，来刻画高维世界，那么即使收集的数据再多，也是残缺的，更可怕的是，数据越多，分歧也可能越多，因为每一个不同的观点，都能从事实的一个棱面，找到很多相应的数据来支持，然后彼此否定，形成理解上的死循环。

比如说，假设我们有一个事实是：教育似乎在走下坡路。我们得到的数据是，用标准化考试得到的学生成绩。那么问题来了，考试成绩作为一个维度的数据，是否能全面反映学生的能力呢？学生的创造力能在多大程度上被标准化考试反映出来？教育培养的是能力，还是成绩？标准化成绩之所以饱受争议，就是因为这样的数据所反映出来的，并非是教育的全貌。

再比如，如果我说，李鸿章是中国近代史上最杰出的两个半外交家之一（另外一个是周恩来，半个是顾维钧），你可能立马就拍案而起，胡说，中国近代史上的30多个不平等的条约，哪个少了李鸿章，他赤裸裸就一卖国贼嘛！

于是，公说公有理，婆说婆有理。每个人都拿着事实的一面，来否定另一面，振振有辞，不亦乐乎！

大数据专家涂子沛先生曾写过一篇文章《为什么数据越多，真相越远》[3]，文中指出，“人类就像刻舟求剑的楚人一样，能掌握的永远只是某一个节点某一个范围内的小事实”。

话说阿里巴巴公司，可谓是中国乃至世界范围的大数据翘楚之一，公司不仅拥有大数据本身，也具备大数据思维，同时还拥有一大帮优秀的大数据工程师。即使这样，也会出现问题。

涂子沛先生就列举了一个案例。话说他还没有就职于阿里巴巴工作之前，公司就有业务线上的高管来咨询他，说仅仅就预测顾客可能要买的商品，阿里就有9个不同的业务部门在做，而这些部门，得出的结论往往大相径庭，而且各个部门都认为自己的预测最占理、最准确！

涂先生认为，这个案例其实隐藏着一个巨大的时代风险。这就是，数量庞大的数据，将导致“人人皆有理”。一个人要做出一个与其它人迥异的结论，总可以找到相应的数据来支撑自己。

根据数字人类学家托马斯克伦普（Thomas Grump）的观点[4]，要知道，数据的背后都是人！人并非总能表现理性！

于是，意见纷争、共识稀少，是常见的局面。

这在一定程度上，可能比没有数据还糟糕。这就是我们在使用（大）数据，不曾认真思考的黑暗陷阱之一。