那么，现在问题来了。

如果那些隐藏于相关性背后的共同原因，能找到则罢，但我们又没有“天眼”，不能次次都看透相关性背后的玄机，怎么办?

不用太担心，下面我们看看，我们所依赖的科学，是如何工作的，了解之后，你就会对这个问题更加坦然。

科学是如何工作的?

为了避免进入科技哲学的讨论范畴，我们仅仅根据一些基本原则，对一些观察到事实，进行就事论事的讨论。

现在，假设我们认识的世界，就是根据图1所示来运转的。现在，我们想验证这个假设。在一定程度上，图1所示的世界是“足够好”的，因为“闹钟不响”是能作为“迟到”的原因的，同样，“交通堵塞”也可以解释“迟到”。

因为灾难性事件是非常罕见的。所以，一开始，我们很难发现“闹钟不响”和“交通堵塞”二者之间，存在什么相关性。但随着时间的推移，时间轴线越来越长，在时间域内，越来越多的灾难数据可以被采集到。于是，“闹钟不响”和“交通堵塞”同时出现的情况，愈发频繁，并达到了统计上的显著性。那么，如果我们还用图1来解释整个世界，就显得有点摇摇欲坠了。

于是，就需要更新我们的认知模型，即用一个双向端箭头，把两个相关的事件连接起来，如图3所示。图中双头箭头是表明，有某些不常见的原因，驱动着的“闹钟不响”和“交通堵塞”这两个事件相关。

图3:一个未观察到的原因

自然，我们很希望这个背后的原因范围，能缩小到图2所示那么精确。但现实是残酷的，很多时候，我们所认知的世界是懵懂的。但是，即使我们没有得到一个如图2所示的精确认知，即使丢失了一些链接和变量，在很多时候，这样的世界已经“足够好”了。

但科学的进步，就是对“足够好”的不满足(Good enough for Science is not good enough)。

在物理学领域，这种类型的科学进步，是有例可循的。比如说，牛顿的万有引力理论，就是一个“足够好”的解释世界的图谱。因为它既可以解释大部分星辰的运转，也足以让人类登上月球。

但是，牛顿定律对“水星进动”(Precession of Mercury)就解释得“不够好”(因为水星近日点进动值与观测值存在分歧)。对于精确GPS系统而言，牛顿定律也是不够用的(因为高精度的GPS测量，除了要考虑GPS系统本身的精度，还应该考虑与地球整体运动有关的相对论效应)。后来，爱因斯坦并没有满足于牛顿“足够好”的知识图谱，于1916年发表了著名的广义相对论，提供了一个更为完整的认知图，能更好的解释这个世界。于是，“水星进动”得以更好的解释，GPS系统可以有更好的精度。

未完的结论

从上面的讨论可知，相关性的确并不意味因果性，但却意味着，在认知图谱的上游，可能蕴含着某些非常见的共因。对这些非常见共因的探寻，能拓展我们的认知图谱。

图2所示的世界，其实是一个比拟。由于在我们的世界里，“灾难(黑天鹅事件)”发生的次数是极少的。所以，我们必须注重收集越来越多的数据，以捕捉这些罕见的结果，一旦我们能够形成对这些罕见结果的可解释性(因果关系)，这就会拓展我们的知识边界，提升我们对世界的理解水平。

我们知道，在小样本集合里，很多处于长尾部分的案例，由于发生概率极低，极有可能无法观察到。大数据很重要的一个优势，就是在长尾应用中，发现稀疏而珍贵的价值--对某些罕见结果的可解释性(如某些低频癌症的病因等)，这是极其有用的。

译者介绍:张玉宏，著有《品味大数据》一书

更多深度技术内容，请关注云栖社区微信公众号:yunqiinsight。