数据如何误导了我们:普通人的统计学思维启蒙书(一份大数据时代的防坑指南)

数字标准化 从远古时代开始，人类就会计数了。现存*早的书面记录里就包含了表示数字的符号。在乌鲁克古城（今属伊拉克），有一块公元前3400—前3000 年的泥板，上面写着“29086 单位大麦 37 个月 库辛”。这句话*有可能的解读是：“在37 个月间，总共收到29086 单位的大麦。由库辛签核。” 历史学家尤瓦尔·赫拉利这样写道：“很遗憾，人类史上的**个文本不但不是哲学巧思，不是诗歌，不是传奇，不是法律，甚至也不是对王室歌功颂德，而是无聊至极的财经文件，记录各种税务、债务以及财产的所有权。”这点当然很重要，因为在一个社会的发展历程中，数字起着尤为关键的作用。 在原始社会时期，人类可以在脑子里记下一切有用的信息，比如哪儿有食肉野兽出没，哪种果子有毒，哪个人值得信任。到了农业社会时期，一小块地区内的农民依旧可以将生活需要的信息记在大脑中。但从农业革命起，人们开始大规模地合作，组成城市，甚至组建国家。社会的经济模式逐渐变得复杂；货币交易的出现，取代了之前的以物易物，而后慢慢扩大，形成了一个越来越错综复杂的经济关系网。例如，你欠了甲的钱，但你又是乙的债主，同时你还必须向丙支付租金。于是，人类大脑渐渐不够用了，再也不能把所有信息都记在脑子里。 对于一个要向数千居民征税的城邦而言，这点尤为重要。官员需要通过书面记录来登记和管理收到的款项名目及时间。先写下口头协议，接着将其合法化，之后记录下谁做了何事，*后再上交行政部门处理。这样，人类就再也不需要通过大脑记录信息了。跟此前的库辛和大麦的例子一样，大部分被书面记录下来的信息里都包含了数字。 在数字*初发展的过程中，人类不单单记录数字，还得记录数字表示的内容。让我们再回过头去看一下那块古老的泥板上的字：29086 份。在当时的情况下，让库辛记录下这些的人不仅要确认数字是“29086”，还得充分认识“份”这个单位概念。 在历史上绝大部分的时间里，测量单位的标准都十分本地化。每个地方都使用对当地来说*方便的单位。比如，法国就曾用“比雪雷”和“乔纳利尔”作为土地计量单位。比雪雷指农民播种这块土地需要的谷物数量，乔纳利尔指一台葡萄收割机一天内可工作的土地面积（在现代语言中，我们依旧可以找到那些古老的测量单位的痕迹，比如一箭之遥、步步为营等）。就算两个地区使用相同的单位，单位背后的含义也可能千差万别。17 世纪时，荷兰格罗宁根省的埃津厄使用“鲁德”作为长度单位，1 鲁德约合现在的5 米。而在距离其70 千米的贝灵沃尔德，他们的1 鲁德还不及埃津厄1 鲁德的一半。据估计，仅仅在18 世纪的法国就有25 万种不同的长度和重量单位。 正如两个人不说同一种语言就不能交流，若双方采用不同的数字用法，那么就无法达成共识。1999 年的一件事足以证明，没有一门通用的数字语言，后果会有多么严重。那一年，美国“火星气候探测者”号卫星本应飞抵火星，并绕其飞行，但它却在1999 年9 月23 日从雷达上消失了，并且永远无法找回。这件事是如何发生的呢？原来，要把探测卫星发射至火星，需要两台电脑合作完成。其中一台电脑使用的是英制单位里的“磅力/ 秒”进行计算，而另一台却采用国际通用的公制单位“牛顿/ 秒”。这次沟通上的失误，导致探测器的飞行轨道比预期低了170 千米，*终很可能是火星灼热的大气层焚毁了卫星。 幸运的是，如今这种问题只是个别案例了，因为现在世界上几乎每一个国家都采用国际单位制。但这样的变革在当年肯定少不了一番斗争，有的甚至需要革命。法国大革命（1789—1799 年）之后，革命党人决定废除所有地方计量单位。他们提出公制单位的设想，而这恰恰和当时科学家们的想法不谋而合，并且，这样还能让他们更好地管理国家。 比方说，革命党人想按土地面积征税，但国内每个人都有一套自己的距离单位，那税该怎么征呢？这场变革持续了一段时间，*终成功地将公制单位的概念（后来的国际单位制），从法国推广到了世界上绝大多数国家。现在只有3 个国家——美国、利比亚和缅甸——仍旧使用英制单位，即质量单位为“磅”，长度单位为“英里”，等等。 这是人类在南丁格尔的思想基础上取得的**个进展：将数字标准化。换句话说，我们在如何衡量一个特定的概念上达成了识。“米”和“千克”只是一个开端。19 世纪70 年代，人们对于数字信息的需求量变得极大。这是因为在19 世纪，大量农村人口迁徙到了城市，各类问题变得集中且明显：贫困、犯罪率和疫病。这些问题都是从哪儿来的？我们该如何解决它们？不管是政府人员还是平民百姓，越来越多的人都开始思考答案。 为了衡量这些问题的严重性，首先我们必须将它们分好类，一个人在什么情况下才算是贫穷、犯罪或生病了呢？例如，之前为南丁格尔的报告提供过帮助的英国著名统计学家威廉·法尔，就曾与同事们一起列出了一份公认疾病的清单。这份清单*终被世界卫生组织（WHO）所采纳。南丁格尔为了展示士兵的死亡原因，在她的图表里也使用了以下分类：1. 可预防的疾病；2. 战争时受的伤；3. 其他原因。 “疾病”或“死亡原因”这些词，看起来似乎和数字没什么关系，但事实并非如此。只有当一项名目有了准确的定义时，它才可以被量化显示出来，正如哲学家哈金所言：“数字是需要被归类的。” 通过将数字标准化，人们终于可以使用同一种数字语言了。今天，世界各地都在谈论米和千克、GDP增长和IQ 数值、二氧化碳排放量和千兆字节等等。所以说，世界上使用人口*多的语言不是中文、英语或西班牙语，而是数字。数字语言的形成也为接下来的进展提供了可能：大规模数据采集。