大數據是時下幾乎無人不談的熱門話題。下面是我對人工智能和智能系統未來前景的兩點想法。

　　大數據的特征可以用很多詞來描述，從道格·蘭尼(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個V是“容量”(Volume)，“速度”(Velocity)和“種類”(Variety)，第四個V則可以是可變性(Variability)、虛擬性(Virtual)或者價值性(Value)，這取決于你所詢問的對象。對于大多數人而言，那些V是針對它們的“大”而言的，那就是大容量，快速度，多種類以及顯著的影響。但是對我而言，大數據值“大” 則必須來源于它的“小”。所謂三生萬物，大數據之大正是來源于它涵蓋了容量、速度、品種、價值、變異等等，虛擬的或真實的所有頻段的數據?？梢源竽戭A言，大數據時代將意味著“長尾效應”將是未來個人生活和商務運營一個標準模式。

　　但是大數據對網絡時代真正意義是什么?

　　其實早在大數據興起之前，在現代管理學的拓荒年代，兩位管理學的先哲就曾有過精彩的論斷。第一位是從愛德華茲·戴明(W. Edwards Deming)，他說，“除了上帝，其他人必須用數據說話”;第二位是彼得·德魯克(Peter F. Drucker)：“預測未來的最好的方法就是創造未來?！?/P>

　　在大數據和網絡時代到來之前，我們只能把大師們的論斷看作一種座右銘?，F在，我們必須將這兩句話看成可以實現的技術準則。而這恰恰是網絡時代人工智能與智能系統的工作者們熱情擁抱大數據的契入點。

　　1、知識革命

　　網絡時代下的大數據的洪流將導致全方位的知識革命。具體而言，我們必須從人工智能和智能系統出發，立即采取措施應對和管理潛在的挑戰：

　　(1)知識創造的革命;

　　(2)知識傳播的革命;

　　(3)知識獲取的革命;

　　(4)知識利用的革命;

　　(5)知識表示，評估和實施的革命。

　　現在看來，Web 2.0、語義網、網絡科學還只是這些革命的初級階段。人工智能領域內的各種實實在在的努力已經初現端倪，例如美國的VIVO和iPlant項目，歐洲的 LiquidPub和PL @ ntNet，中國的iCAN，AI 3.0，PlantWorld等等。但距離用戶實實在在地體驗這場革命的成果，任然有待時日。還有許多問題有待創新，許多瓶頸尚需突破。

　　從當前的做法轉變到基于網絡的、數據驅動的做法，除了需要新的方法和系統，更需要施行一整套完善的知識管理方法，以應對規模、速度以及轉變所帶來影響。這就必然要求我們從一個新的視角來看待人工智能。

　　2、從牛頓到默頓

　　人工智能領域最初是構建在如下的理念之上的，即人類的本質特征——智能，是可以通過機器精確地模擬。約翰·麥卡錫(John McCarthy)于1955年創造了“人工智能”這個詞，并將其定義為“制造智能機器的科學與工程”。過去的五十余年中，盡管人工智能領域內取得了巨大的進步，但其重點仍然是“機器的智能”。現在的問題是：什么是機器?

　　概括地說，這種機器仍然是牛頓的機器，遵循牛頓定律。人類是機器的創造者和(或)操縱者，但并不是機器整體的一部分。這也正是機器將會統治人類這種焦慮產生的原因。

　　然而，面對行將到來的知識革命，我們必須處理的一種新型的機器——人作為機器的一個不可分割的部分。Web就是這類機器的典型例子。這種“廣義機器”考慮了人和社會的行為。牛頓定律已經不足以操縱和控制這些機器，我們需要默頓(Merton)的定律，例如默頓有關自我實現的預言。我們還需要例如西蒙的有限理性與海納的行為預測理論等等。這種廣義上的機器可以稱為默頓系統，其與傳統機器的本質區別是人必須參與到循環中去，而對現實的計算是處理某種可能性的科學。著眼于未來智能研究和智能系統的發展，著眼于進一步發展智能研究與智能系，現在正是我們要從牛頓機器到默頓系統過渡的時候。

　　在默頓系統中，機器智能和人類智能將協同工作，相互支持，平行執行，這將是下一代的人工智能和智能系統運作范式。

　　3、走向解析智能

　　由數據驅動、默頓定律指導、基于大數據和網絡空間的默頓系統將會是一個新的智能研發平臺，戴明和德魯克的格言將變成智能系統的現實。

　　產業界已經沿此方向展開了實際行動，許多主流的大公司正將商業情報正向商務解析(Business Analytics)轉變。在學術界，管理專業的領袖型組織，國際運籌學與管理學研究協會(INFORMS)倡導將經營和管理實踐都轉變為解析，一些大學已經建議，甚至為解析學設立了新的學位，以滿足對能夠使用數據解決業務問題的大學畢業生的迫切需求。

　　INFORMS將解析學(Analytics)定義為 “將數據轉化為洞察力以輔助做出更好的決策的科學過程”。對于這個定義，我有些許保留意見，因為它只涉及到抽象過程，對抽象的逆過程(可視化過程)，即“將洞察力轉化數據用以做出更好的決策”是同等甚至更重要的，而且必須成為任何解析學的研究和應用的核心。維基百科的對解析學的定義，“解析學是數據中有意義的范式的發現和傳播”。這個定義涵蓋了上述的兩個過程，顯得更精確、更完善。

　　在解析學的崛起中人工智能可以而且必須發揮重要作用。顯然，商業界從情報到解析的轉變將情報的另一面忽略了。信息特別是秘密信息的收集和分發其實只是情報的一個方面，它的另一面是學習、推理、理解以及其他類似的智力活動。我們必須確保的解析學中情報同樣有兩面的內容，因此，我們應該從兩個方面結合人工智能和解析學，邁向解析智能，也就是由默頓定律指引，默頓系統支持，按照戴明和德魯克的格言進行運作。我們開始解析智能方式仍然是我過去倡導的ACP方法：人工社會進行描述解析(descriptive analytics)，計算實驗進行預測解析(predictive analytics)，平行執行進行處置或規則解析(prescriptive analytics)。

　　我相信不久的將來，人人都需要有解析智能的個性化系統，借以輔助他(她)在網絡空間進行聯系和導航。谷歌或百度將不足以滿足人們的需求，否則，人們將淹沒在大數據的洪流之中。