1月9日，长沙水族馆的一位主持人在引逗海豚时溺水身亡。远处的工作人员没有察觉她落水的事故。潜意识中的松懈和人们的一般假设有关：水族馆的工作人员一定会游泳。我们说，三尺深的水池能淹死人，因为三尺只是平均值。忽略极值，采用平均值，它是大数据采矿第三个常见的陷阱。
博弈论创始人之一诺伊曼（John von Neumann）曾经戏言：有四个参数，我能画出一头大象，再加一个，我能让大象的鼻子竖起来！大数据挖掘可能会给出新颖的相关性。但是，脱离了问题的情境，它不但不能保证因果关系，还可能误导决策。
小数据里藏着金钥匙
巴恩斯利（Roger Barnsley）带他的孩子去我任教的莱桥市参加比赛时发现，摩羯座、水瓶座、双鱼座的孩子天生就是打冰球的，否则怎么会双方队员的生日大多在1月、2月和3月？带着心理学家的好奇，他研究了加拿大成人队的队员生日，发现了同样的规律。不过，巴恩斯利并不迷信大数据。深入调查发现，加拿大少年队划分组别以1月1日为界。因此，在同一年龄组，那些1～3月出生的孩子自然有生理发育上的优势。因为是层层优选、优训，有起点优势的孩子就更有可能不断成长，主导每个阶段的冰球队伍。只有明白“年龄划分日”这个小数据，奇异的现象才有科学的解释。在《异类》（Outliers）一书中，通过罗列大量事例，格拉德威尔（Malcolm Gladwell）证明了小数据的关键解码作用。
小细节解决大问题。类似的小数据决定作用出现在不同的现象中。以色列反击周边敌对势力的关键因素在于他们是否累积到能发动大规模杀伤性进攻的门槛。掌握“门槛”这个小数据，你就能解释以色列的超常规反应。依据大数据，旧金山地区卫生部门根据同性恋人群肝病发病率上升预计艾滋病例也会上升。但这两种疾病流行正相关的预测失败了。深入调查发现，同性恋对艾滋病越来越持平常心。他们利用新的社交网络，主动招贴自己的情况，避免交叉感染。这次，又是关于行为和动机的小数据解释了大数据看不到的规律。
小数据这把金钥匙难找，因为它们基本上是弱信号，出现频率低，往往埋没在偏差值中，容易被忽视。同样难的是，它们过去没有规律性地出现过，人们不熟悉。对不熟悉的现象，人们在心理上常常把它们当作不大可能的现象。因此，决策时，人们容易把弱信号当作背景噪音过滤掉。例如，假如恐怖分子只学开飞机、不学降落这个弱信号被关注了，美国反恐历史可能要重写。
如何正确使用小数据？哈伯德（Douglas Hubbard）建议采用三种方法：
（1）不求完美，只求不断接近。古希腊人埃拉托色尼（Eratosthenes）利用两地中午日光正射和斜射的角度与距离估算出第一个地球周长。虽然结果误差很大，但这是一个跨越式的认知进步。
（2）找“垫脚石”知识，用类比法提高认识。物理学家费米问学生，芝加哥城里有多少调琴师？他教学生学会从人口数、家庭数和拥有钢琴的家庭比例估算开始，推演到钢琴数量和调琴师大约的比例，再得出调琴师的估值。要点在于不囿于数据限制，学会用已知替换无知，推演估算值。
（3）不要简单化前提条件，但要力求简单模式。9岁的罗萨（Emily Rosa）和她妈妈一起看电视上介绍的流行的“气场疗法”。罗萨把测试气场当作学校的一个科学项目。利用两块遮挡纸板和几个问题，她采访和测试了29位气功理疗师，证明气场至多只是心理作用。罗萨的简洁实验设计被美国医学杂志（JAMA）刊载，她也成为该杂志最年轻的作者。求小步完善、类比借鉴和从简单模型开始，这三步也是对“贝叶斯法则”（Bayes Theorem）最好的运用。有条件概率分布的“贝叶斯法则”是掌握小数据的核心。
小数据为主，大数据为辅
关于复杂系统，美国的圣塔菲研究所罗列了三个典型特征：多变量、相互作用、同时发生。据此，天气预报是最复杂的数据管理了。1916年，德国人理查德森（Lewis Fry Richardson）尝试着把大数据化小，把整个德国的天气分割成纵横交错的小矩阵。这样每个格子里的天气对周边的影响就能简化了。层层推进，他试图得出更靠谱的天气预测。理查德森没有成功，因为当时的计算力不足。到1950年，诺尔曼将电脑计算和理查德森的方法整合在一起。结果，我们有了越来越可靠的天气预报。
理查德森的小数据价值在于他对气候现象深刻的理解，并提炼出关键要素。冯·诺依曼对大数据的贡献在于精确运算关键要素的动态运行形势和方向。两者结合，我们才有对气候的预报能力。只要整合大、小数据管理的要点和优点，我们就能逐渐完善认知模型，辨别信号和噪音。就像统计学家博可斯（George Box）所言：所有的模型都是错的，但有些仍有用。
知识工作者的冬天来了
微文今鉴
氧气有价值，但一般情况下没法成为商品。网络时代，知识就像氧气一样弥漫在各处，人人需要，但越来越难平等地交易。氧气包装后可以销售，知识分子要找到自己的“包装技术”。
美国和加拿大的大学开始推广网络课程与课堂讨论相结合的混合教学模式。在许多学校，非终身教职的教授工作量消减一半，人员消减一半，待遇消减一半。以“慕课”（MOOC）为标志，知识工作者的冬天来了！
类似的趋势正成为美国经济的新现实。就业与经济齐增的旧规律失灵了：生产效率增长，但劳动力参与却裹足不前；资本回报率上升，但中产阶级工资却基本没变。一方面，知识工种的增长率下降；另一方面，半工兼职成为就业市场主流。知识工作者将进入半失业的状态。“半工经济”形态正向全球主要经济体蔓延。
什么力量造成了“半工经济”？MIT的埃里克·布林约尔松（Erik Brynjolfsson）认为，新一轮的智能机器人、网络技术和自动化生产模式正悄悄地改写工业生产和劳动力市场的版图。如果不随之更新生产和生活模式，我们将不可避免地面临一场中产阶级的危机。
德鲁克没想到
管理学泰斗德鲁克曾经预言：未来是知识经济时代，技能为上。社会的主要矛盾将出现在知识工作者和低技能劳动者之间。教育程度越高，就业机会和收入水平越高。德鲁克只说对了一半。
统计美国1963-2008年的就业数据，经济学家达隆·阿齐默鲁（Daron Acemoglu）和奥特尔（David Autor）发现，受教育程度与每周工资成正比。同期，工业生产力水平提高，就业人口收入也增加。但这个趋势没有在2008年经济复苏中重复出现。
2011年，经济已经回暖，但与10年前相比，美国中等家庭收入下降了10%。《商业周刊》抽样调查北卡罗来纳州的就业数字也显示：失业率下降，失业人数却上升了！可能的解释包括，半工兼职雇佣增加，全职工作减少；同时，大批领完失业救济金的人停止积极寻找工作，因此不在失业数字中。《经济学人》杂志的调查也有类似的发现：短工服务工种就业增加，其他停滞。2012年美国整体收入增长创纪录，但是，总收入的一半被10%的人口拿走，其中最高的1%（年收入在1000万美元以上）的人拿走了22%的总收入。
这是200年来的第一次：中产阶级（知识工人）的就业机会和收入与经济发展和生产率提高不再紧密正相关。经济学家伯恩斯坦（Jared Bernstein）的研究显示，美国2011年的就业率呈20年来最低。美国之外，加拿大也有相同的趋势。布林约尔松和安德鲁的研究表明：自蒸汽机时代至今的旧规律，即就业与经济同成长，被打破了。过去10年，人工收入占美国GDP的百分比下降了6.5%，并呈继续态势。以知识工人为核心的中产阶级正沦为经济发展的边缘人。
智能颠覆在行动
颠覆就业市场的“元凶”之一为智能机器人。机器人（Robot）第一次出现是在捷克作家卡雷尔·恰佩克（Karel Capek）的剧作中。1941年，阿西莫夫（Isaac Asimov）制定了机器人三定律（不伤害人类，遵守人的指令，不戡害自身）。20世纪50年代，为辨别机器人智能与否，英国密码专家图灵（Alan Turing）设计了一套问答题，它们至今仍为计算机学科的经典问题。
这些智能机器的设计先驱都没有想到一点：智能机器、数码技术、互联网和全球化碰撞在一起的乘积效应。智能机器人的技术进化以光电的速度进行。与生物进化相比，它显示出无可比拟的优势：以几何级数蜕变和转型。第一代机器人只能缓慢执行简单的物理位置的移动，谷歌的“智能司机”已经能够在世界上最繁忙的加州110高速公路上完全替代人的驾驶。1997年，IBM的“深蓝”机器人首次打败世界国际象棋大师；2011年，在需要复杂思考的《危险抢答》电视节目中，IBM的“华生”机器人获得冠军。智能机器人已经从简单动作程序进化到复杂思维阶段。
因为这种几何进化的速度和能力，布林约尔松和他的合作者用大量数据说明，智能机器正在取代知识技能，并且从逻辑程序运行走向灵活调整任务和识别趋势。如今，智能机器已经可以写股市分析报告，甚至做商业市场研究总结。传统知识工作者的领地正逐渐被智能机器取代。
以几何级数变化的还有价格与成本。1997年，银河Ⅲ计算机峰值性能为130亿次/秒，美国的ASCI Red峰值性能为1.8万亿次/秒。后者耗费5500万美元，占地约半个篮球场。2006年，索尼游戏机内存达到同样水平，售价400美元。今天，X-box游戏机性能更高。其光敏感应技术（Kinect）可以动态扫描周边环境，并预判人的反应。
智能机器人已经在富士康等制造业企业中广泛运用。一台Baxter机器人平均“工资”为4美元一小时，可以24小时工作，没有工会和福利要求。谷歌、亚马逊、三星也开始收购相关企业，大力开发智能机器人产品和服务。
设想有个64格棋盘，从放1粒稻谷开始，放的稻谷数呈几何级数增加，到32格时已经堆得像珠峰一样高，放满64格要用光全球所有稻谷。这样的智能几何效应正在发生中。
人的“无用之用”
逻辑、记忆等有用之用将由机器代劳，我们必须致力于概念原创和模式跨越的“无用之用”。
科幻作家克拉克（Arthur C. Clarke）曾大胆假设：人未来发展的目的就是完全失业，这样我们才能有充分的时间玩耍。未来是玫瑰色的，转型是灰色的。此间，知识工作者可以从下面三方面寻求自救：
第一，智能机器可以做复杂的运算，但不会处理简单的不规则变化。例如，对有特殊学习习惯的学生，机器无法应对。
第二，机器可以模拟情境，但无法感同身受。日本的机器“情人”成为很多男人的最爱。但“她”要求人首先改变自己的沟通习惯。这让人倒过来成为机器的情人。所以，机器无法替代真诚的情感沟通。例如，病例分析功能将被智能诊断机器替代，但与病人感性沟通无法替代。医生可以从治疗（curing）转型到关爱（caring）。
第三，创意和创业还是人主导的领域。例如，微信可以有抢红包的软件，但是，结合旧民俗的新概念仍然必须由知识工作者来创造。其中暗含的友好套牢模式更非智能机器可以理解。
19世纪初，英国一批纺织工人发起砸烂纺织机运动。由此，他们也获得“劳堕分子”（Luddites）的称号。但他们无法阻挡第一次机器时代的大潮。如布林约尔松所言，我们开始进入第二次机器时代。与新机器兼容，有智慧的企业和社区已经开始下面的探索：
（1）采纳经济学家戴利（Herman Daly）的生态经济，超越增长，维护小康。
（2）轻工作，亲生活。纽约的“消磨工坊”（Grindspaces）为那些崇尚闲暇价值，寓工作于娱乐的新知识工作者创造一个全新的工作环境。
（3）瑞士的魏丽（Marilola Wili）组织发动公投，要求类似负税率的年保障收入，让人们从工作谋生走向自由创造。
（4）分享资本主义。从众筹基金到社区共用平台，人们探索着超越私有制的经济模式。
我的朋友曾拒绝一天写一篇专栏的邀请，因为他必须一天做白日梦，一天写文章。也许，半工是知识工作者最理想的节奏。
预判决定胜败
微文今鉴
给思想挂上风筝，让假设先飞一会。预判是让想象先行，然后捕捉它与目前的状况之间最有可能的联系。人们会发现，先飞起来的思想可以牵引、改变现状。这就是为何危机管理要以未来愿景为着力点。
有这样一个场景：一个袋子里装着30片红药丸，还有60片黑色或者黄色的药丸。因此，取药丸的人一次有1/3的概率拿到救命的红药丸，有2/3的概率拿不到红药丸。后者就是他的风险概率。可是，如果他想尝试黑丸或黄丸，却难以计算其中的风险概率，因为他不知道黑药丸与黄药丸的概率分布。这就是奈特（Frank Knight）所说的不确定性：缺乏既有数据，无法事先验算的风险。
