竹筏還是燈塔——數(shù)據(jù)洪流中的科學(xué)方法

盧昌海

本文是應(yīng)《科學(xué)畫報(bào)》雜志的約稿而寫的評(píng)論，所評(píng)的是美國的一份以探討技術(shù)影響力為主題的雜志《連線》（W ired）上的一篇有爭議的文章。

一、信息爆炸的時(shí)代

我最喜愛的作家之一是美國科幻及科普作家阿西莫夫（I.Asimov），他一生出版過約500本書——恐怕比我一生將會(huì)發(fā)表的文章數(shù)還多。我念中學(xué)時(shí)曾讀過他的很多書，其中有一本叫作《數(shù)的趣談》①，而那其中有篇文章叫做 “忘掉它！”（Forget It!），我到現(xiàn)在還沒忘掉。

阿西莫夫在那篇文章的開頭引用了一本生物教科書的前言片斷，大意是說我們的科學(xué)知識(shí)每隔一代就會(huì)增加五倍，以生物學(xué)為例，2000年的知識(shí)將是1900年的100倍。這段話讓阿西莫夫深感不安，甚至感到“世界好像在我身邊崩潰了”。為什么呢？因?yàn)樵诎⑽髂蚩磥?，像他這樣快速寫作的科普作家，幾乎是在職業(yè)性地追逐著科學(xué)的發(fā)展，可在一個(gè)信息爆炸的時(shí)代里，他有可能追得上形勢嗎？

阿西莫夫在那篇文章中為自己的問題找到了答案。不過，我們先不去看他的答案。阿西莫夫那篇文章發(fā)表于1964年，在那之前的1961年，“信息爆炸”（information explosion）這一用語首次出現(xiàn)在了IBM公司的一則廣告中。自那以后，信息爆炸一直撥動(dòng)著人們的心弦。也許很多人都>會(huì)產(chǎn)生與阿西莫夫同樣的擔(dān)憂：在一個(gè)信息爆炸的時(shí)代里，我有可能追得上形勢嗎？

如果我們把阿西莫夫時(shí)代的信息爆炸比作常規(guī)爆炸，那么由互聯(lián)網(wǎng)及信息數(shù)字化所帶來的當(dāng)代信息爆炸恐怕就是核爆炸了。因?yàn)槌Ｒ?guī)的信息爆炸只是書本知識(shí)的爆炸，而能在書本上占據(jù)一席之地的人畢竟是不多的。但互聯(lián)網(wǎng)時(shí)代幾乎讓每個(gè)人都擁有了發(fā)布信息的能力，由此帶來的信息爆炸無疑要驚人得多。據(jù)一家美國研究機(jī)構(gòu)統(tǒng)計(jì)②，截至2007年，人類擁有的數(shù)字化信息（文字和音像都算在內(nèi)）約有225000億億比特 （2.25×1021bits），約合15000億億個(gè)漢字，而且這一數(shù)字幾乎每隔5年就增加一個(gè)數(shù)量級(jí)。在這些信息中，約百分之七十是個(gè)人創(chuàng)造的。以時(shí)下最流行的博客來說，其數(shù)量在過去幾年里幾乎每6個(gè)月就翻一番。到2008年底，僅中國網(wǎng)民開設(shè)博客者就超過了1.6億人③。

二、谷歌的新思路

信息爆炸——尤其是互聯(lián)網(wǎng)上的信息爆炸——帶來了一系列深刻的社會(huì)變化，也使越來越多的人對(duì)信息爆炸的前景進(jìn)行著思考。不過與阿西莫夫當(dāng)年那種憂慮性的思考不同，當(dāng)代的思考者中有很多人全心地?fù)肀е@個(gè)信息爆炸的新時(shí)代，且對(duì)其前景作出了與前人截然不同的設(shè)想。2008年6月，美國的一位技術(shù)雜志主編發(fā)表了一篇標(biāo)新立異的文章，題目為“理論的終結(jié)：數(shù)據(jù)洪流讓科學(xué)方法過時(shí)”（The End of Theory：The Data Deluge Makes the Scientific Method Obsolete）。

這份雜志名為《連線》（W ired），是一份以探討技術(shù)影響力為主題的雜志，創(chuàng)刊于1993年，訂閱人數(shù)約在50萬到100萬之間。而撰寫那篇文章的主編名叫安德森（Chris Anderson），是一位經(jīng)驗(yàn)豐富的傳媒人士，曾在《自然》（Nature）、《科學(xué)》（Science）及《經(jīng)濟(jì)學(xué)家》（The Econom ist）等著名刊物任職。安德森擔(dān)任主編期間，《連線》雜志曾多次獲獎(jiǎng)，而安德森本人也在2005年獲得過一項(xiàng)年度最佳主編獎(jiǎng)。

安德森這篇文章的觀點(diǎn)標(biāo)新立異不說，就連標(biāo)題也相當(dāng)聳人聽聞，不僅預(yù)言科學(xué)理論將會(huì)終結(jié)，而且宣稱科學(xué)方法將會(huì)過時(shí)。他的這一奇異想法從何而來呢？我們來簡單介紹一下他那篇文章的思路。安德森的文章以著名統(tǒng)計(jì)學(xué)家博克斯（George Box）的一句引文作為開篇，那句引文是：“所有模型都是錯(cuò)誤的，但有些是有用的?！卑驳律岢觯m然人們長期以來一直在用模型——比如宇宙學(xué)模型——來解釋現(xiàn)象，但最近這些年里，像谷歌（Google）這樣扎根于信息時(shí)代最前沿的公司已經(jīng)采用了新的思路。

安德森舉了谷歌翻譯及谷歌廣告作為例子。我們知道，常規(guī)的機(jī)器翻譯是通過一系列靜態(tài)的規(guī)則，比如字典及語法規(guī)則，來把握文章的內(nèi)容。但谷歌翻譯另辟蹊徑，借助數(shù)以億計(jì)來自不同語言的語句之間的統(tǒng)計(jì)關(guān)聯(lián)來做翻譯。這種翻譯的最大特點(diǎn)是無需知道被翻譯文字的含義，而只關(guān)心兩種語言之間的統(tǒng)計(jì)關(guān)聯(lián)。類似地，使谷歌獲得巨大利潤的谷歌廣告——那些當(dāng)你搜索東西時(shí)出現(xiàn)在結(jié)果右側(cè)的小廣告——也是建立在統(tǒng)計(jì)關(guān)聯(lián)之上的。谷歌既不在乎你搜索的東西的含義，也不關(guān)心它所顯示的廣告是什么，它之所以列出那些廣告，完全是因?yàn)榻y(tǒng)計(jì)關(guān)聯(lián)表明它們與你搜索的東西有關(guān)。

谷歌這種全面依賴統(tǒng)計(jì)分析的新思路幾乎體現(xiàn)在它的所有產(chǎn)品之中。據(jù)說谷歌的研究主管諾維格（Peter Norvig）曾在2008年3月的一次技術(shù)會(huì)議上，將安德森文章開頭所引的博克斯的話改成了“所有模型都是錯(cuò)誤的，沒有它們你也能日益成功”。谷歌這種新思路給了安德森很大的啟發(fā)。他做出了一個(gè)大膽的預(yù)測：谷歌的新思路不僅適用于商業(yè)，而且會(huì)越來越多地滲透到科學(xué)上，并如他文章標(biāo)題所說的那樣，最終取代現(xiàn)有的科學(xué)方法。在他看來，科學(xué)才是這種新思路的“大目標(biāo)”（big target）。

我們知道，科學(xué)研究的常規(guī)模式是從實(shí)驗(yàn)數(shù)據(jù)或觀測數(shù)據(jù)中提出假設(shè)、模型或理論，然后用新的實(shí)驗(yàn)或觀測來檢驗(yàn)它們。安德森認(rèn)為這種模式在信息時(shí)代的數(shù)據(jù)洪流中將會(huì)過時(shí)，今后人們只需像谷歌那樣直接從大量數(shù)據(jù)的統(tǒng)計(jì)關(guān)聯(lián)中得出結(jié)論就行了。用他的話說：“關(guān)聯(lián)就已足夠，我們可以停止尋找模型。”按照安德森的設(shè)想，我們只需將大量數(shù)據(jù)扔進(jìn)巨型計(jì)算機(jī)，讓它運(yùn)用統(tǒng)計(jì)算法去發(fā)現(xiàn)那些科學(xué)所無法發(fā)現(xiàn)的關(guān)聯(lián)。那些關(guān)聯(lián)將取代因果關(guān)系，科學(xué)將擺脫模型和理論而繼續(xù)前進(jìn)。

如果安德森的設(shè)想成為現(xiàn)實(shí)，那么不僅今天的科學(xué)方法將成為歷史，甚至連科學(xué)家——起碼是理論科學(xué)家——這個(gè)職業(yè)也很可能會(huì)不復(fù)存在，因?yàn)槲覀兯枰膶⒅皇悄芙ㄔ旌途S護(hù)計(jì)算機(jī)的技術(shù)人員，以及懂得統(tǒng)計(jì)學(xué)原理的編程人員，我們將再也不需要理論。這樣的前景對(duì)科學(xué)家來說無疑是陌生的，但安德森認(rèn)為這是信息時(shí)代帶給我們的一種認(rèn)識(shí)世界的全新方法，它展示了巨大的機(jī)會(huì)，科學(xué)家們不應(yīng)墨守傳統(tǒng)的科學(xué)方法，而應(yīng)該自問：科學(xué)能從谷歌中學(xué)到什么？

安德森對(duì)科學(xué)理論及科學(xué)方法的全面唱衰所帶來的爭議性是顯而易見的。他的文章一經(jīng)發(fā)表，立刻遭到了很多人的批評(píng)，有人甚至遷怒于《連線》雜志（誰讓安德森是主編呢？）。比如卡內(nèi)基梅隆大學(xué)（Carnegie Mellow University）的一位助理教授在看過安德森的文章后，把自己前不久接受《連線》雜志的采訪稱為是一個(gè)錯(cuò)誤，而且是在試圖打發(fā)“等候室時(shí)間”（waitingroom time）時(shí)所犯的錯(cuò)誤，言下之意，哪怕是在等候室里無所事事的時(shí)候，也不值得為《連線》雜志浪費(fèi)時(shí)間。有意思的是，這位助理教授原本是物理學(xué)博士，目前則在統(tǒng)計(jì)系工作，如果安德森的觀點(diǎn)能夠成立，他的前景倒是蠻光明的。

當(dāng)然，對(duì)更多的人來說，安德森的觀點(diǎn)不過是一家之說，贊成也好，反對(duì)也罷，都可以平心靜氣地進(jìn)行分析。我們感興趣的問題是：安德森的觀點(diǎn)到底能不能成立？或者最低限度說，它有道理嗎？在本文接下來的篇幅里，我們就來稍稍分析一下。如我們在前面所介紹，安德森的立論在很大程度上借鑒了谷歌翻譯及谷歌廣告的思路，從某種意義上講，他將這些谷歌技術(shù)當(dāng)成了未來科學(xué)方法的范例。既然如此，就讓我們先以谷歌翻譯為例考察一下，看看它是否有可能承載安德森賦予它們的重任。

三、統(tǒng)計(jì)方法與高級(jí)密碼

常言道：是騾子是馬，拉出來遛遛?？疾旃雀璺g的最佳辦法當(dāng)然是檢驗(yàn)它的翻譯效果。我們隨便舉幾個(gè)例子。其中最簡單的例子是翻譯安德森這篇文章的標(biāo)題“理論的終結(jié)：數(shù)據(jù)洪流讓科學(xué)方法過時(shí)”，谷歌翻譯給出的結(jié)果是“理論的終結(jié)：數(shù)據(jù)洪水滔天使廢棄的科學(xué)方法”。這個(gè)例子雖然簡單，卻很清楚地體現(xiàn)了谷歌翻譯的特點(diǎn)及缺陷。如我們在上文中所說，谷歌翻譯的特點(diǎn)是以統(tǒng)計(jì)關(guān)聯(lián)而非語法為基礎(chǔ)，上述譯文的不通順很清楚地顯示了這一特點(diǎn)帶來的缺陷。

谷歌翻譯的這種缺陷在更長的句子中顯得更為清楚，比如牛頓（Isaac New ton）的那段名言：

我不知道我在別人眼里是怎樣的，但對(duì)我自己來說我只不過像是一個(gè)在海邊玩耍的男孩，因?yàn)闀r(shí)不時(shí)地找到一塊比通常更光滑的卵石或更漂亮的貝殼而興奮，卻全然沒有發(fā)現(xiàn)展現(xiàn)在我面前的偉大的真理海洋。

用谷歌翻譯的結(jié)果是④：

我不知道我可能會(huì)出現(xiàn)的世界，而是為了自己，我似乎已經(jīng)不僅就像一個(gè)男孩玩海上岸上，和挪用自己現(xiàn)在然后找到平滑卵石或比普通漂亮外殼，而大洋的真相躺在我面前的所有未被發(fā)現(xiàn)。

要看懂這種比繞口令還拗口的翻譯是需要毅力的。谷歌翻譯能作為未來科學(xué)方法的范例嗎？答案應(yīng)該是不言而喻的。

安德森所舉的谷歌技術(shù)的另一個(gè)例子，即谷歌廣告，也具有非常顯著的缺陷，事實(shí)上，利用谷歌廣告乃至整個(gè)谷歌系統(tǒng)的缺陷來提升自己網(wǎng)站的廣告效果早已是互聯(lián)網(wǎng)上公開的秘密。谷歌技術(shù)當(dāng)然不無優(yōu)越之處，比如它具有所謂的統(tǒng)計(jì)學(xué)習(xí)（statistical learning）功能（細(xì)心的網(wǎng)民會(huì)注意到，不同時(shí)候用谷歌做同樣的事情得到的結(jié)果通常會(huì)有一定的差異），但這種純粹建立在統(tǒng)計(jì)關(guān)聯(lián)之上的結(jié)果具有無可避免的模糊性，這種模糊性雖不足以妨礙商業(yè)上的成功，但它與科學(xué)理論之間的差距是巨大的，并且是本質(zhì)性的。

如果我們稍稍深入地思考一下，就會(huì)發(fā)現(xiàn)谷歌的思路人們在其它場合也曾用過。舉個(gè)例子來說，密碼學(xué)中有一種簡單的密碼叫做置換密碼（substitution cipher），它是通過對(duì)字母或其它文字單元進(jìn)行置換來達(dá)到加密的目的。破譯這種密碼的主要途徑就是統(tǒng)計(jì)分析。比如在英文中字母e是出現(xiàn)頻率最高的，如我們截獲了一份經(jīng)過字母置換加密的文件，我們就可以對(duì)文件中各符號(hào)的使用頻率進(jìn)行統(tǒng)計(jì)，其中使用頻率最高的符號(hào)就很可能代表字母e。對(duì)其他字母也可如法炮制，這種方法類似于谷歌翻譯。但密碼學(xué)上的經(jīng)驗(yàn)告訴我們，單純使用統(tǒng)計(jì)方法是很難完全破譯一份密碼的，通常你會(huì)碰對(duì)一些字母或文字單元，就象谷歌翻譯會(huì)碰對(duì)一些單詞一樣，但完整的破譯往往需要輔以更仔細(xì)的分析和微調(diào)。更重要的是，這種方法只能破譯像置換密碼那樣初級(jí)的密碼，對(duì)于更復(fù)雜的密碼則完全無濟(jì)于事。

科學(xué)家們對(duì)自然規(guī)律的研究在一定程度上好比是在破譯大自然的密碼，但這種密碼顯然不像置換密碼那樣簡單，因而絕不可能通過單純的統(tǒng)計(jì)分析來破譯。積累足夠多有關(guān)行星運(yùn)動(dòng)的數(shù)據(jù)，我們也許能發(fā)現(xiàn)開普勒定律，但無論積累多少數(shù)據(jù)，我們也不可能依靠單純的統(tǒng)計(jì)分析得到象愛因斯坦的廣義相對(duì)論那樣的理論。事實(shí)上，單純的統(tǒng)計(jì)分析至多能夠知其然，卻無法知其所以然，它甚至不能告訴我們行星的運(yùn)動(dòng)是不是因?yàn)橐粋€(gè)看不見的精靈在推動(dòng)?？茖W(xué)是一項(xiàng)需要高度創(chuàng)造力的工作，科學(xué)上的很多成果，僅憑實(shí)驗(yàn)數(shù)據(jù)、發(fā)達(dá)的計(jì)算機(jī)和統(tǒng)計(jì)分析是永遠(yuǎn)也得不到的，這就好比用破譯置換密碼的方法永遠(yuǎn)也破譯不了更高級(jí)的密碼。

四、數(shù)據(jù)洪流中的燈塔

谷歌新思路的另一個(gè)問題，是不可避免地受到大量無效信息的干擾。這一點(diǎn)想必每位網(wǎng)民都有自己的切身體會(huì)，互聯(lián)網(wǎng)既是信息庫，也是垃圾場，數(shù)據(jù)洪流必然攜帶泥沙。怎么辦呢？讓我們回過頭來看看本文開頭提到過的阿西莫夫?yàn)樽约簩?duì)信息時(shí)代的擔(dān)憂找到的答案。那答案就是他那篇文章的標(biāo)題：忘掉它！忘掉什么呢？忘掉那些無效信息。這位智商高達(dá)160的著名作家認(rèn)為，只要我們能足夠有效地忘掉所有的無效信息，信息爆炸就遠(yuǎn)沒有人們想象的那樣可怕。

如果數(shù)據(jù)洪流真的如安德森設(shè)想的那樣成為未來科學(xué)研究的主戰(zhàn)場，那么對(duì)未來的研究者來說至關(guān)重要的一點(diǎn)就是阿西莫夫所說的忘掉無效信息，或者說去除數(shù)據(jù)洪流中的泥沙。要想做到這一點(diǎn)，首先要能識(shí)別無效信息，而這種識(shí)別離不開模型或理論，甚至它本身就有可能是一種模型或理論。如果未來的科學(xué)研究真的摒棄了模型或理論，而只關(guān)心數(shù)據(jù)之間的關(guān)聯(lián)，那它在泥沙俱下的數(shù)據(jù)洪流中不僅會(huì)遇到谷歌翻譯與谷歌廣告已經(jīng)遇到過的問題，甚至還可能產(chǎn)生出一些荒謬的結(jié)果，比如像很多偽科學(xué)人士所熱衷的那樣把金字塔的高度（曾經(jīng)為147米）與日地距離（1.49億公里）聯(lián)系起來，把金字塔的底邊周長（36560英寸）與一年的天數(shù)（365.2）聯(lián)系在一起。這種純粹的數(shù)值巧合在科學(xué)研究單純依賴于數(shù)據(jù)分析的情形下將能夠輕易地登堂入室，混淆于科學(xué)成果之中。

我們曾經(jīng)提到，安德森在文章開頭引用了博克斯的話：“所有模型都是錯(cuò)誤的，但有些是有用的”，他引用這句話顯然是要為自己的觀點(diǎn)作注解?？上麖埞诶畲髁?，博克斯是一位統(tǒng)計(jì)學(xué)家，他所說的模型并非泛指科學(xué)理論或科學(xué)模型，而是特指統(tǒng)計(jì)模型。因此博克斯的話與其說是能為安德森的觀點(diǎn)作注解，不如說恰恰是拆了他的臺(tái)。

不過另一方面，統(tǒng)計(jì)分析雖絕不可能如安德森預(yù)言的那樣成為一統(tǒng)天下的科學(xué)方法，但它作為科學(xué)方法的一種，在過去、現(xiàn)在及將來都將發(fā)揮積極的作用，這一點(diǎn)任何人也不會(huì)否認(rèn)。正如博克斯的后半句話所說的：有些模型是有用的。在數(shù)據(jù)總量空前膨脹的信息時(shí)代，統(tǒng)計(jì)分析的作用有可能得到局部的加強(qiáng)；在某些理論性不很強(qiáng)的領(lǐng)域中，它甚至有可能成為主要方法，從這些意義上講，安德森的觀點(diǎn)雖失之偏頗，卻并非完全脫靶。不過我們可以肯定的是，面對(duì)滾滾而來的數(shù)字洪流，科學(xué)方法絕不是即將被沖離視野的竹筏，相反，它是幫助我們在洪流中辨明方向，看

讀寫新空間 鑒賞指南清未來的燈塔。

［注］①該書的英文名是《Asimov on Numbers》，確切譯名應(yīng)該是《阿西莫夫論數(shù)》，它匯集了阿西莫夫?yàn)?/p>

《The Magzine of Fantasy and Science Fiction》撰寫的17篇科學(xué)專欄文章。

②這家公司是InternationalData Corporation（IDC），該統(tǒng)計(jì)報(bào)告發(fā)布于2008年3月，標(biāo)題為“TheDiverse and Exploding Digital Universe”。

③該數(shù)據(jù)來自中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）2009年初發(fā)布的第23次互聯(lián)網(wǎng)報(bào)告。

④這段話的英文是：“Idonotknow what Imay appear to theworld,but to myself Iseem to have been only like a boy playing on the sea-shore,and divertingmyselfin now and then finding a smoother pebble or a prettier shell than ordinary,whilst the great ocean of truth lay all undiscovered beforeme.”。需要提醒讀者的是，不同時(shí)候使用谷歌翻譯得到的結(jié)果會(huì)有一定的差異，本文引述的是作者寫作本文之時(shí)使用谷歌翻譯得到的結(jié)果。