A Big Data Perspective on AI: Newton, Merton, and Analytics Intelligence

大数据是时下几乎无人不谈的热门话题。下面是我对人工智能和智能系统未来前景的两点想法。

大数据的特征可以用很多词来描述，从道格·兰尼（Doug Laney）在2001年最先提出的“3V”模型到最近“4V”模型，不一而同。前3个V是“容量”（Volume），“速度”（Velocity）和“种类”（Variety），第四个V则可以是可变性（Variability）、虚拟性（Virtual）或者价值性（Value），这取决于你所询问的对象。对于大多数人而言，那些V是针对它们的“大”而言的，那就是大容量，快速度，多种类以及显著的影响。但是对我而言，大数据值“大” 则必须来源于它的“小”。所谓三生万物，大数据之大正是来源于它涵盖了容量、速度、品种、价值、变异等等，虚拟的或真实的所有频段的数据。可以大胆预言，大数据时代将意味着“长尾效应”将是未来个人生活和商务运营一个标准模式。

但是大数据对网络时代真正意义是什么？

其实早在大数据兴起之前，在现代管理学的拓荒年代，两位管理学的先哲就曾有过精彩的论断。第一位是从爱德华兹·戴明（W. Edwards Deming），他说，“除了上帝，其他人必须用数据说话”；第二位是彼得·德鲁克（Peter F. Drucker）：“预测未来的最好的方法就是创造未来。”

在大数据和网络时代到来之前，我们只能把大师们的论断看作一种座右铭。现在，我们必须将这两句话看成可以实现的技术准则。而这恰恰是网络时代人工智能与智能系统的工作者们热情拥抱大数据的契入点。

1、知识革命

网络时代下的大数据的洪流将导致全方位的知识革命。具体而言，我们必须从人工智能和智能系统出发，立即采取措施应对和管理潜在的挑战：



（1）知识创造的革命；

（2）知识传播的革命；

（3）知识获取的革命；

（4）知识利用的革命；

（5）知识表示，评估和实施的革命。

现在看来，Web 2.0、语义网、网络科学还只是这些革命的初级阶段。人工智能领域内的各种实实在在的努力已经初现端倪，例如美国的VIVO和iPlant项目，欧洲的 LiquidPub和PL @ ntNet，中国的iCAN，AI 3.0，PlantWorld等等。但距离用户实实在在地体验这场革命的成果，任然有待时日。还有许多问题有待创新，许多瓶颈尚需突破。

从当前的做法转变到基于网络的、数据驱动的做法，除了需要新的方法和系统，更需要施行一整套完善的知识管理方法，以应对规模、速度以及转变所带来影响。这就必然要求我们从一个新的视角来看待人工智能。

2、从牛顿到默顿

人工智能领域最初是构建在如下的理念之上的，即人类的本质特征——智能，是可以通过机器精确地模拟。约翰·麦卡锡（John McCarthy）于1955年创造了“人工智能”这个词，并将其定义为“制造智能机器的科学与工程”。过去的五十余年中，尽管人工智能领域内取得了巨大的进步，但其重点仍然是“机器的智能”。现在的问题是：什么是机器？

概括地说，这种机器仍然是牛顿的机器，遵循牛顿定律。人类是机器的创造者和（或）操纵者，但并不是机器整体的一部分。这也正是机器将会统治人类这种焦虑产生的原因。

然而，面对行将到来的知识革命，我们必须处理的一种新型的机器——人作为机器的一个不可分割的部分。Web就是这类机器的典型例子。这种“广义机器”考虑了人和社会的行为。牛顿定律已经不足以操纵和控制这些机器，我们需要默顿（Merton）的定律，例如默顿有关自我实现的预言。我们还需要例如西蒙的有限理性与海纳的行为预测理论等等。这种广义上的机器可以称为默顿系统，其与传统机器的本质区别是人必须参与到循环中去，而对现实的计算是处理某种可能性的科学。着眼于未来智能研究和智能系统的发展，着眼于进一步发展智能研究与智能系，现在正是我们要从牛顿机器到默顿系统过渡的时候。

在默顿系统中，机器智能和人类智能将协同工作，相互支持，平行执行，这将是下一代的人工智能和智能系统运作范式。

3、走向解析智能

由数据驱动、默顿定律指导、基于大数据和网络空间的默顿系统将会是一个新的智能研发平台，戴明和德鲁克的格言将变成智能系统的现实。

产业界已经沿此方向展开了实际行动，许多主流的大公司正将商业情报正向商务解析（Business Analytics）转变。在学术界，管理专业的领袖型组织，国际运筹学与管理学研究协会（INFORMS）倡导将经营和管理实践都转变为解析，一些大学已经建议，甚至为解析学设立了新的学位，以满足对能够使用数据解决业务问题的大学毕业生的迫切需求。

INFORMS将解析学（Analytics）定义为 “将数据转化为洞察力以辅助做出更好的决策的科学过程”。对于这个定义，我有些许保留意见，因为它只涉及到抽象过程，对抽象的逆过程（可视化过程），即“将洞察力转化数据用以做出更好的决策”是同等甚至更重要的，而且必须成为任何解析学的研究和应用的核心。维基百科的对解析学的定义，“解析学是数据中有意义的范式的发现和传播”。这个定义涵盖了上述的两个过程，显得更精确、更完善。

在解析学的崛起中人工智能可以而且必须发挥重要作用。显然，商业界从情报到解析的转变将情报的另一面忽略了。信息特别是秘密信息的收集和分发其实只是情报的一个方面，它的另一面是学习、推理、理解以及其他类似的智力活动。我们必须确保的解析学中情报同样有两面的内容，因此，我们应该从两个方面结合人工智能和解析学，迈向解析智能，也就是由默顿定律指引，默顿系统支持，按照戴明和德鲁克的格言进行运作。我们开始解析智能方式仍然是我过去倡导的ACP方法：人工社会进行描述解析（descriptive analytics），计算实验进行预测解析（predictive analytics），平行执行进行处置或规则解析（prescriptive analytics）。

我相信不久的将来，人人都需要有解析智能的个性化系统，借以辅助他（她）在网络空间进行联系和导航。谷歌或百度将不足以满足人们的需求，否则，人们将淹没在大数据的洪流之中。

（注：本文是我为IEEE Intelligent Systems写的主编的信之中文版，由曹建平翻译，特表谢意）

____________________________________________________________________

____________________________________________________________________

___________________________________________________________