数据收集或比数据挖掘更有意义

作者： 闵应骅

2014.04.18来源： 中国科学报 

　　按照今天信息技术的发达程度，数据收集看起来很容易。一个摄像头每天收集多少信息？空间跑着那么多卫星，它们每天收集多少信息？好像不用愁没有信息。而数据挖掘要从繁杂的信息中寻找知识，就很困难了。但是，事情可能不是那么简单。在某些情况下，数据收集可能比数据挖掘更难、更有意义。

　　不禁想起所谓“费米悖论”（Fermi Paradox）。1950年的一天，诺贝尔奖获得者、物理学家费米在和别人讨论飞碟及外星人问题时，突然冒出一句：“如果有外星人，他们为什么没在这里？”这句看似简单的问话，就是著名的“费米悖论”。如果认为在如此广阔的宇宙中（上百亿光年的空间，约700万亿亿颗恒星），在如此漫长的时间里（100亿～160亿年），全宇宙总共只诞生了太阳系的地球这唯一的文明，这听起来无论如何总是极端武断的。那么，总该有一个两个外星文明被我们发现，或到地球来访问过了吧？为什么它们至今仍然是沉默的呢？人类能用100万年的时间飞往银河系各个星球，那么，外星人只要比人类早进化100万年，现在就应该来到地球了。迄今为止，仍然缺乏任何被科学共同体接受的证据，能够证明地外文明的存在；另一方面，科学共同体也无法提出任何令人信服的证据，能够证明外星文明不存在，这就使得“费米悖论”成为一个极端开放的问题。

　　我们学偏微分方程的时候，总是要先论证某一类方程解的存在性。知道解的存在，才能去求解。可是，不求出解来，怎么知道解是存在的呢？这就是一个悖论。对存在的数据集应用算法过去是产生新发现的有效方法，而现在新知识可以使用可用的材料资源创造财富，比累积新资源更有效。过去，生物学家、天文学家和宇宙学家从历史数据中找发现，考古学家艰难地去挖掘。现在，他们可以重建所有的废墟和人工制品，从卫星和航拍图像侦察到的表面跟踪想象出来。研究就真成了重新搜索。

　　联想到马航MH370失联事件，2014年3月8日凌晨1时20分，由马来西亚吉隆坡飞往中国北京的马来西亚航空公司MH370航班与地面失去联系，机上239人中有154名中国籍乘客。此事已经过去30多天，先后26个国家参加搜索，出动几百架次飞机和军舰、商船，花费超过5000万美元。先说在南海，折腾了10多天一无所获；有人根据卫星图像，说是在吉尔吉斯斯坦西北部的塔拉斯州州府以南约30公里处的山谷里；后来又说是在印度洋……反复折腾，试图收集MH370的数据，但是，至今没有找到。

　　按理说，有关的数据多得是，即使是这30多天的卫星数据、搜索飞机得到的数据，不可谓不大，不管你怎么去挖掘这些数据，你也得不到任何MH370的数据。这个例子说明，在某些情况下，数据收集比数据挖掘更难、更有意义，因为这种数据收集就是发现。

　　《新闻联播》每天都播报MH370搜索的消息。《新闻联播》1分钟值多少钱？做过广告的公司也许知道，反正很贵。也许会说，那是因为机上有154名同胞。这问题很复杂。即使黑匣子找到了，各国都有自己的秘密，只能用各国都能接受的方式作报道。所以，这里的数据分析是和政治有关的，甚至说，数据收集的过程也与政治有关。

　　不要认为，大数据能解决一切。而在数据收集中，硬件技术不可缺少。我们国家在硬件技术和生产方面应该承认差距，加强研究、制造和发展。