"數據"在今天從來沒有如此被廣泛關注，以往我們毫不在意地填寫手機號碼等信息，如今卻變得謹慎起來，原因是怕自己的隱私泄露，一個手機號碼可以關聯到自己諸多的數據。但現實當中，一方面大眾對數據被過度使用而煩惱，但另一方面我們可能陷入了"算法崇拜"之中，而算法就是以數據為基礎的技術原理。

比如我們一早起來會打開墨跡天氣，看看今天的天氣怎么樣，APP會提醒穿什么衣服?要不要帶傘?出門的時候，會打開百度或者高德地圖，看看上班路上堵不堵?今天是否限行?等等，這些行為已經成為了一種生活的習慣。

從技術的角度來講，上述行為實際是APP內核的算法導致的，是一種輕度的"算法依賴"，對大眾而言，并沒有算法的概念，頂多是"APP依賴"或者"數字化生活的依賴"，但如果過度地依賴算法為我們的生活、工作做決策時，你可能就陷入了"算法崇拜"，從心理上可以理解為"技術迷信"的非理性行為，而后果則是被算法左右你的內心而迷失方向。

01、大數據與算法

要防止陷入"算法崇拜"，還需從源頭上了解算法的前世今生，而算法是和數據緊密聯系，算法源于大量數據的產生和沉淀，為了讓數據具備可追溯和可歸納，同時讓數據具備商業化價值，各種各樣的算法產生了。

舉個例子，墨跡天氣APP是較早的提供天氣實時服務的手機應用，它的技術原理是通過對接公共開放的天氣數據接口(技術上叫API接口)，獲得海量的、實時的天氣數據，獲得的原始數據只是各種有關天氣的參數，普通人根本看不懂，怎么讓大眾都能直觀的看明白呢?

于是產品經理設計出APP呈現出來的視覺效果和產品的實現邏輯，而JAVA工程師開發出整個APP的系統后臺供數據導入，關鍵的原始天氣數據則由算法工程師根據產品模型進行邏輯演算，最終呈現出來就是我們看到的APP界面。

再深入理解一下這個案例，比如我們看到墨跡天氣APP今天顯示溫度是20度，下雨，于是算法工程師會把類似溫度、下雨量等數據綜合分析，然后再提取與這個溫度適配的穿衣出行的常規數據，比如天氣是下雨的20度，會提醒你穿秋衣并且帶傘，而不下雨的20度，則會提醒你穿秋衣和利于出行游玩。

更厲害的算法還會進行深度計算，除了利于出行游玩，還會推薦周邊哪些地方適合游玩等信息，這就需要APP除了對接天氣數據，還需要對接生活、出行和旅游景點等數據。

通過上述案例，我們看到一款優質APP算法的復雜性，也正是因為算法的復雜程度，包括獲取各種數據的渠道和難度不一，結果是建立了一定的技術壁壘，同時，技術其實都是通用的，關鍵是數據壁壘讓競爭對手無法超越，從而產生了"信任壟斷"效應，由此逐步在用戶心目中建立了信任感而引發"算法崇拜"，這點我們在下節詳述。

對于技術，我們一貫的觀點是技術的就是人文的，技術終歸是為人性服務，大數據和算法也不例外，脫離了人性的技術，也就無所謂應用和商業價值。

既然算法是源于數據，我們先看一下數據到底是什么?根據科技作家，原阿里副總裁涂子沛老師在《大數據》中非技術語言的描述：

數據分為兩種，一種是小數據，就是像氣溫、面積、大小等源于測量的數據，或者一般性統計，如人口多少、土地面積多少這些常規的數據;另一種就是大數據，源于記錄的行為，也就是基于有信息背景的數據，有規律可循、有行為痕跡可循。過往的大數據通過各種行為的記錄，今天則是產生于無處不在的傳感器和微處理器。

海量的數據無論是小數據還是大數據，首先是一個沉淀的過程，當我們需要數據時，美國服務器，會從一個個數據倉庫中提取數據進行數據清洗，這個過程把不需要的數據過濾掉，留下對自己有價值的數據，最后進行數據分析和演算，而分析和演算就是通過算法來實現。

目前，我們通過算法主要演繹四種數據，分別是：

行為數據： 也就是我們生活和工作的各種行為產生的數據。如餐廳消費、坐地鐵打車等;

狀態數據： 即某個事物或生物的固有狀態數據。如臺風參數、森林綠化指標、人體狀態等;

社交數據： 我們通過微博、微信、抖音等社交媒體產生的登陸、時間、評論、分享等行為數據;

工業數據： 生產、設計和制造過程中產生的數據，這是工業智能化的基礎。

而算法就是基本基于以上四種數據進行各種分析、演繹和模型輸出，最終呈現出我們看到的各種應用，包括人工智能和物聯網的發展，也是基于算法來實現。比如搜索引擎的推薦算法、地圖應用的導航算法、外賣APP的排名算法、音樂APP的偏好算法等等。