不久之前，我们还生活在一个完全模拟的世界里。从电话到电视，从书籍到活页夹，数字技术基本上仅限于实验室之中。
但在20世纪60年代，计算机开始进入大型机构的后台办公室，承担会计、薪资和库存管理等职能。然而，当时绝大多数系统（如医疗系统、电网或交通网络）以及我们日常接触的技术，仍然是模拟的。
再过一代人的时间，如今我们的世界已高度数字化。0和1渗透进我们的生活。计算技术几乎已经渗入人类活动的每一个方面，从医疗保健、制造业，到电信、体育、娱乐和媒体。
以智能手机为例，它的出现还不到十年，但想想它已经取代了多少种模拟事物：街道指南、卡带播放器、笔记本、通讯录、报纸、照相机、摄像机、明信片、指南针、日记、录音笔、寻呼机、电话，甚至水平仪！
在这一切背后，当然是互联网的爆炸式增长。除了人类使用互联网之外，我们还看到一种更为普遍的应用，即把各类设备、机器和系统连接在一起——也就是所谓的 物联网 （或称“工业互联网”或“万物互联”）。
复杂系统
如今我们生活在一个大多数系统都已安装传感仪器、并产生海量数字数据的时代。对这些数据的分析，能够以过去在模拟世界中不可能实现的方式，为这些系统提供洞见。
数据科学正在整合统计学、机器学习、分析学和可视化等领域，为这一学科奠定严谨的基础。它的发展方式，与计算机科学在20世纪50年代兴起以支撑计算技术的方式如出一辙。
过去，我们已成功建立复杂的数学模型，用以解释和预测物理现象。例如，我们能够准确预测一座桥梁的强度，或化学分子之间的相互作用。
再说天气，它以难以预报著称。然而，基于数值天气预报模型、大量观测数据以及强大的计算机，我们已将预报准确率提升到这样的程度：如今的五天预报，与20年前的两天预报同样可靠。
但有许多问题，其底层模型并不容易界定。目前还没有一套数学方程能够刻画医疗系统或网络犯罪的模式。
不过，我们确实拥有越来越多的数据，它们来自无数来源。挑战在于，这些数据往往形式多样、来源各异、尺度不一，并且包含误差和不确定性。
因此，与其像建造桥梁或研究化学相互作用那样尝试建立确定性模型，我们可以建立数据驱动型模型。这些模型整合来自各种来源的数据，并能够将数据中的误差和不确定性纳入考量。我们可以针对具体假设检验这些模型，并对其加以完善。
同样至关重要的是，我们要审视这些模型以及支撑它们的数据。
360度数据
在我所在的大学，我们建有一个数据展厅（Data Arena），用于数据的探索与可视化。该设施利用开源软件、高性能计算以及电影视觉特效技术，将数据流映射为一套全沉浸式3D立体视频系统，将2400万像素投射到一块四米高、直径十米的圆柱形屏幕上。
站在这一设施中央、实时与数据互动，是一种颇具冲击力的体验。我们已经搭建起数据管道，用以接入高分辨率光学显微镜的数据，并帮助研究人员深入了解细菌如何在各类表面上移动。
我们读取了由CSIRO的Zebedee设备采集的2200万个数据点，该设备曾对Wombeyan Caves进行扫描；十分钟后，我们已经以三维视角飞越洞穴，在地下世界中探索。
无论我们探索的是哪一类数据，总会发现一些有趣的东西。
在少数情况下，数据中的错误一眼便能看出。在一个天文数据集中，我们发现存在大量重复数据点。在其他情况下，我们观察到了一些模式，而这些模式此前对分析这些数据的领域专家而言并不明显。
这种现象正是经典的“未知的未知”（因2002年时任美国国防部长唐纳德·拉姆斯菲尔德而广为人知），它凸显了人类视觉系统识别模式或异常的能力。
当今世界充斥着数据。它正在开辟新的可能性、新的研究途径和新的认知方式。但如果我们想充分利用这些数据，就需要能够管理如此庞大数据量的工具。我们的眼睛便是其中一种工具，但即便是它们，也需要像数据展厅这样的空间提供帮助。
本文与 The Conversation合作发表。刊发本文并不意味着世界经济论坛认同文中观点。
如需及时关注 The Agenda， 请订阅我们的每周电子通讯。
作者：Glenn Wightwick 是悉尼科技大学的研究副校长（Deputy Vice-Chancellor of Research）。
图片：2013年8月13日，德国柏林康拉德·祖泽应用数学与计算机科学中心（ZIB）内，用于数字数据海量存储的机器人磁带库。路透社/Thomas Peter。
