对于人工智能真正的人类智慧才是核心

微软宣布将与研究实验室OpenAI合作，投资10亿美元打造“通用人工智能”(AGI)。OpenAI 首席执行官 Sam Altman表示：“强人工智能的研发将是人类历史上最重要的技术进步。”众所周知，计算机在一些具体任务的处理上远超人类,但它们并不具有人类智慧、常识以及批判性思维，在不明确的条件下它们往往很难执行任务，作出判断或选择。因此，开发出类似于人脑的计算机将会是巨大的进步，然而微软在这方面的尝试似乎也并不让人满意。

通用人工智能也许只是一个虚幻的梦想，不过数据科学企图依靠大数据和强大的计算功能，让计算机根据事实做出明智的决策，而不是依赖人类的一时兴起、预感或偏见。然而实际情况是，企业和政府依旧犯着大数据时代之前的那些错误。因为将重大决策交给计算机只会重复曾经的错误判断。

数据科学不仅仅是数学证明、统计计算和计算机编程。实验设计、人类智慧、常识、怀疑和批判性思维，这些真正的人类智慧才是核心所在。如果数据科学想要发挥其巨大的潜力，就要避免以下9个常见的“陷阱”:第一台机械计算机的发明者查尔斯·巴贝奇(Charles Babbage)曾两次被问到:“巴贝奇先生，请问如果你把错误的数字输入机器，会得出正确的答案吗?”答案是否定的。

芝加哥一家医院曾做过关于败血症病人的研究，他们认为，血液pH值低的患者出院后很快再次入院的概率较低。不过，他们的数据包括了在住院期间去世的病人！要知道，最不可能再次入院的病人正是那些躺在太平间里的人。所以，事实上，当我们排除那些“死亡数据”之后，pH值低的病人他们的病情其实并不乐观。

一些数据科学家在没有理论或常识指导的情况下，单单从庞大的数据中企图寻找某种模式。他们认为思考一个问题限制了新知识的发现。不幸的是，大数据时代使得各种模式成千上万，然而其中大多数都是毫无意义的。这一悖论在于：为了得出某种模式越是疯狂地去搜索数据，得出的结论可能越没有价值。

一家互联网营销公司在100多个国家测试了其登陆页面的三种颜色(黄色、红色和蓝绿色)，并将其与传统的蓝色相对比。他们得出的结论是，英国人喜欢蓝绿色，但事实并非如此。数学家热爱数学，非数学家“畏惧”数学。这一致命的组合，往往会导致建立很多极其不现实的模型。

许多抵押贷款违约的数学模型在大衰退期间崩溃了，因为他们简单的假设，违约的概率呈现正态分布且是独立存在的。他们低估了极端事件发生的可能性，也忽略了经济衰退等宏观经济事件将引发的大量抵押贷款违约的可能性。由于计算机能够非常高效的处理某些问题，人们很容易认为，计算机拥有高智能。但是应对具体任务的高效性与应对各类复杂情况的综合智力，这两者是十分不同的。我们对于计算机的“崇拜”其实是一种有害的痴迷。

现如今，算法犯罪学在审前保释、审后判决和定罪后假释等决定中使用黑箱模型变得司空见惯。然而，黑箱的算法往往带有种族偏见，甚至不如那些只考虑年龄和前科的简单模型。为了能够找到数据之间的重要关系，研究者试图以各种各样的方式对数据进行分析。罗纳德科斯(Ronald Coase)曾精辟的对此表示，“如果你‘折磨’数据的时间够久，它们总会‘招供’。”

物理学家理查德·费曼(Richard Feynman)曾说过:首先你不能欺骗自己——而自己是最容易被欺骗的人。真正的科学家会分享他们的理论，质疑他们的假设，并寻找机会进行实验来验证或否定其理论与假设。而“数据小丑”只会看到他们想看的东西。

当数据波动较大时，大部分被测数据会高于现象，但随后越来越多的值才更接近平均值。简单来说，就是某项指标的表现过高或过低后会自然回归到平均水平。一位高尔夫球手如果单凭侥幸在一次比赛中赢得了金牌，他很可能在下一次的比赛中表现欠佳，这并非是运气不好或者发挥失常，只是因为上次的胜利其实高估了他的实力。

对于公司也是如此。一名数据分析师曾对过去三个月“表现欠佳”的网页布局进行修改，希望能够提高其收益。他显然“大获全胜”。在他对页面布局做出调整之后的第二天，收益激增20%。之后收益增长依旧持续了一小段时间。不过，好景不长，事实证明这些确实是表现欠佳的网站，其收入已逐渐向平均水平回归。

在大数据时代，企业和政府不断地监控我们，以便预测我们的行为并操纵我们的行为。优秀的数据科学家懂得谨慎行事，尊重我们的权利和隐私。“己所不欲，勿施于人”这句话对于数据科学同样适用。所以，要想避免以上那些“错误”或“陷阱”，我们需要有批判性的思维。要将科学应用到数据科学之中，因此，我们更应该像科学家那样去思考，而不是像机器那样。