说起大数据、大数据时代，主要的时代背景是什么呢？我们现实世界有多大程度上可以被数据表示？用一个形象的话来讲，我们的社会像素正在急剧提升。这个“像素”来自到处可见的感测设备——探头、智能手机、可穿戴设备、车载设备，林林总总。这些使我们这个社会的数字化程度越来越高，数据的粒度因此也越来越细。也就是说，数字化生活的两个要素之一：像素、数据的粒度已经具备。像素够高的时候我们要干什么？形象地说就是“成像”，就像手机、相机，像素越高成像的质量可能越好，因此，成像是我们数字化生活中另外一个重要的要素，像素和成像对应起来，就把数据和算法联系起来了。这就是我们所说的大数据的时代背景。
我认为，大数据时代可以分成两个阶段。
第一阶段是数据商务阶段。不断地把现实生活中的要素，人财物，都进一步数据化，同时根据这些数据化的人财物进行算法的应用。
第二阶段是算法商务阶段。当像素足够高的时候，重点就变成了成像了，也就是说，重点变成算法应用。
数据商务阶段和算法商务阶段都围绕着数据和算法进行，但是重点有所不同。数据商务阶段就像做菜一样，数据化的过程就是不断准备材料的过程，不停地增加和丰富材料，然后根据已有的材料提供不同的菜品。但是在算法商务阶段，材料已经足够丰富了，这个时候要比的就是手艺了，你是不是能够做得更好、更多。这就是我们所说的算法进阶及应用创新，如“智能+”，我们可以用更加高尖的智能技术，包括人工智能的很多技术，在现有的大规模数据下进行应用。
大数据的数据特征
那么，什么是大数据？首先看它的数据特征，可以从4个维度来理解，即4V：volume（规模）、variety（多样）、value（价值）、velocity（速度）。大家对这四个维度没有什么大的争议，但是对它们的含义的理解还是有相当不同的认识的。
第一是规模，我们称之为超规模。大数据规模会很大，但是没有绝对的量纲标准，没有说一定要达到多少G多少P多少Z才是大数据，这个不一定，因为大数据的大规模和问题、领域有关。只要这个大的规模超出了这个领域和问题的传统边界，那就是大规模里的超规模。
第二是多样，即富媒体的意思。现在80%～90%的数据都是文本、语音、图像、视频，不再是特别传统的二维的整齐的结构化的数据了。
第三是价值。我们处在数据的海洋中，四周都是数据，但是跟我个人有关，跟我企业有关的那种有价值的信息相对少了，因为数据量的分母太大了，即密度在降低，这个后面直接的隐喻就是要深度挖掘才能发现我们希望的价值。
第四是速度。数据就像开着的水龙头一样，源源不断地出来，而不是我们上传下载图片要等很久。因此，大数据里的数据是一个流数据的概念。
大数据的问题特征
那么，什么样的问题才是大数据问题？这要看它的问题特征。
第一个特征，是粒度缩放。粒度缩放是指我们碰到的这个问题的要素一定是数据化的，即这个要素不管是宏观的还是微观的，一定能通过数据表示。同时，可以像地图一样，可以在特别大的范围和特别细的范围之间缩放，能够在宏观、微观之间进行映射。
第二个特征，是大数据外部性导致的特征，称之为跨界关联。考虑问题的时候要看视角，问题边界是在哪儿，如果考虑问题的时候这个边界到了传统边界之外，就是跨界了，而且你把这个外部的要素和内部要素联系起来了，所以你在关联。
这里，我举一个共享单车的例子，方便大家审视大数据问题的特点。有的人会认为共享单车其实就是我们的代步工具，但是这是传统的概念。现在一般每辆共享单车都有自己的感应器和定位装置，也就是说感测的数据粒度到了车和部件。这时候就不单是一个单车了，可能我走到什么地方，共享单车的App就告诉我附近有什么商圈、酒店、餐馆，我在什么地方买东西可能还可以用移动支付，当视角从单车走到了其他行业、要素时，就开始跨界关联了。可能在这个地区人特别多，共享单车不够，可能在另外的地方单车冗余了。因此，共享单车的平台应该清楚什么地方需要车，什么地方不需要车，怎样调动，这就是全局视图。当共享单车具备粒度缩放、跨界关联和全局视图时，共享单车的运营、优化，就是一个大数据问题。
这些年来，社会上比较流行一个论断，说“大数据只讲关联不讲因果”。这个论断虽然有一定道理，但是总体来讲是误导的。特别是在重要决策的时候，如果涉及的后果可能会有严重的人财物的损失，然后我告诉你“你就这么干吧，没有为什么”，谁敢作决策？所以，在大数据环境下作管理决策，既要看关联也要看因果。另外，因果是认识论的基本诉求，我们要知道原因。
大数据冲击各行各业
我们作为个人不仅是数据的接收者，也是数据的生产者。一方面我们下载、阅读、浏览，因此我们在消费数据；另一方面，我们又上传、撰写、参加各种活动，各种活动就可以留下我们的很多痕迹，因此我们也在留痕，我们实际又在产生数据。在这样一个既是消费又是生产的环境中，我们从方方面面已经和数据分不开了。
大数据已经在冲击各行各业。
大数据也开始在改变会计学。传统的会计学衡量企业的状况是通过三张报表：资产负债表、现金流量表、利润表，这三张报表反映了一个企业的运营能力、偿债能力和盈利能力。虽然这三张报表是非常基础和非常重要的，但是大家突然发现，有一大类企业是高风险的，特别是一些IT企业、创业企业、新行业企业，长期负债，但同时又有非常高的市值，人们又有非常强的忠诚度，如果用这三张报表衡量，似乎不能完全体现它的价值，也就是说，传统会计学的三张报表现在可能就不够用了。因此，人们正在呼唤“第四张报表”的出现，业界和学界都在做这方面的研究。长周期、高负债、高不确定性企业的价值可能受到的是口碑、忠诚度、品牌、公允价值，包括无形资产的影响。这些东西，我们可以称之为数据资产。
大数据也在为体育界带来变革。篮球项目像美职篮NBA就做得非常好，他们通过收集肌肉、血液、心脏、动作、战术、团队等全景式的数据来帮助训练和比赛，因为这些因素，都有可能影响整个比赛的结果。科技体育这几年有巨大的空间，传统的师傅带徒弟，师傅的传帮带确实非常重要，但是应该有更细粒度，更加多角度、更加全景式的手段，采用大数据技术来提升整体的竞赛水平。
大数据在艺术上也有很多影响。传统绘画，不管是古典的还是现代的画，都有自己的素材和表现形式。现在出现了一种新的素材——数据素材，也就有了新的表现形式。比如飞机航班的数据轨迹就可以构成一幅新颖的画。
大数据在其他领域也有非常多的应用，比如农业方面就有蔬菜革命、精准扶贫。在医疗健康领域，医院内医院外，得病和未得病之间的关联，也是大数据问题。文学上通过大数据技术对一些词语、作者、关系、背景等进行分析。这些都是利用大数据的例子。
大数据与人工智能的交会
当人工智能遇到大数据的时候，现在井喷式的发展才变成了可能。其实人工智能是现在这个时代中很多技术的一类，它本身已经发展了好几十年，但是为什么在近些年才得到快速发展？其实人工智能技术和这几个关键词有关，那就是“学习、训练、推理、演化、智能、智慧”，也就是说，它是关于这些关键词的一类技术。特别重要的一点，它要根据大量的数据来进行学习和预测，就是从数据中学习，建立模型，并用于预测未来。过去数据的粒度不够，进入大数据时代，当数据有足够的粒度和像素时它才成为可能，因为人工智能的主流技术首先是要基于大规模数据进行学习。其次，人工智能算法本身需要非常强的计算能力，只有在大数据时代，有了云计算平台、数据传输、数据的流通、数据的管理，诸如5G技术等，才能为人工智能的发展提供非常好的支持。我们身边其实已经有很多人工智能产品了，比如工业机器人、财务机器人、下棋机器人、能做诗作画作曲的机器人等，这些机器人可以做很多我们过去认为不可能的事情。
人工智能在未来会波涛汹涌，一浪高过一浪地发展。但是它本身也有局限，目前的人工智能技术特别是深度神经网络这样的技术，基本上属于“黑盒子”技术，可以算得非常准，但是“为什么”还说不大清楚。在这种情况下，在一些重要的应用领域就受到局限，因为如果不知道“为什么”就不敢用这个方法作重要决策，如果不能通过非常清楚的机理来说明，实际它未来的应用也是有局限的。现在，业界和学界都在攻关“可解释人工智能”，实际就是人工智能在输入和输出之间，在数据和预测的结果之间，从数学上来讲需要一点定理，一些形式化的机理。从认识论上来讲需要一些因果关系。
不管怎么说，人工智能的应用已经深刻地影响到我们了。作为人类，我们自己创造了一个“亚种”叫作机器人。机器人的行为是不是都在我们人类的设想之中呢？会不会干一些我们想不到的事情呢？似乎这个担忧是必要的。所以机器行为学应运而生。传统社会学、管理学、经济学、心理学等都是研究人、由人构成的组织的行为，由人形成的网络的行为。随着各式各样的机器人越来越多地替代人的工作，越来越多地挑战人们在智力、计算上的能力，这样的研究是非常必要的。所以，我们要研究机器如何塑造人类的行为，人类如何塑造机器的行为，以及人机协作的行为。
运用大数据要重视商业伦理
在实际中，大数据的使用本身仍有很多令人担忧之处。虽然科技发展飞速，但是人们使用科技是带有价值取向的。
比如“大数据杀熟”。在传统的营销、管理中，我们都希望了解客户的行为，更好地为他们服务。在市场的环境下我们也说，既然有人愿意用高价买，那就可能要给他提供更好的服务。但是在大数据环境下，这种处理就有一个度的问题。第一是客户是否知道他的信息被收集，第二是他是否愿意真的出高价买。作为企业来讲，又需要有经营哲学上的思考：企业是以盈利为中心，还是以客户为中心？当以客户为中心时，客户满意与否就变成了主要的KPI，就是主要的决策考量，如果光考虑企业的盈利，而不考虑客户，可能就不太会考虑用户的感受。实际上，“大数据杀熟”涉及的是商业伦理层面的问题。
在大数据时代我们跟数据打交道会碰到一系列社会问题、法律问题、道德问题，需要在企业层面、商业层面，在社会和政府层面立法立规，在个人层面、在道德的层面大家来共同努力解决这些问题。