发现社会的潜规则

Kat -
我们听说过如何收集数据但是如果我们收集了足够的关于我们行为的数据，我们就可以开始建立模型，揭示我们行为的隐藏规则。然后，这些模型可以用来预测重要事件，比如经济市场的变化，并帮助我们找出如何应对这些事件的方法。今晚我们请来了伦敦大学学院数学系的Steven Bishop他正在帮助开发这样一个系统。这是FuturICT的一个项目，谢谢你加入我们，史蒂文。

史蒂文:幸会。

Kat:我真正感兴趣的是这种“系统的互联性”，我们在最近的金融问题中看到，美国一些不可靠的抵押贷款交易影响了我父母的养老金。那么，世界是如何相互联系的呢?这是怎么发生的?

史蒂文:事物之间的联系变得非常紧密，事实上，联系得如此紧密，以至于我们不太了解它们的行为和反应。所以这不仅仅是它们相互联系的事实，这本身不会导致问题，而是行为在某种程度上导致了问题。所以我们需要了解互联的隐藏效应，隐藏的行为。

Kat:其中一个问题是，我们正处于一个我们从未经历过的境地，有了许多类型的科学，你可以随着时间的推移观察事物，做出预测，做实验。我们生活在一个不断变化的世界。我们如何收集数据来帮助我们理解和制作模型?

史蒂文:嗯，数据可能来自各种各样的来源。我们只是在谈论调查数据或实验室里的人，但有各种各样的数据来自移动设备的传感器，而且，有很多公民科学家实际上想要提供他们的数据来做更好的项目，得到更好的数据。所以整个公民科学的事情变得越来越大。这是一种集体行为。

Kat:你参与了一个名为FuturICT的项目，你谈到的其中一件事是行星神经系统的想法。这是什么，它是如何工作的?

史蒂文:我们相信现在有很多数据，几乎所有的东西都在那里，现在的问题是努力找到它们。首先，要掌握这些数据，其次，试着理解它，真正理解它的含义。我们称之为现实挖掘。所以，我们真正理解了这些数据的真正含义。它可能来自固定来源或移动设备，甚至是媒体。我们做了大量的媒体搜索，试图了解媒体的趋势。

Kat:做个比较，我们之前在节目中讨论过，很多人都知道我们是如何模拟气候系统的。我们收集了大量的数据，他们建立了气候系统的模型，来观察未来气候可能会如何变化。你认为你可以用你正在做的建模和数据收集来预测什么样的结果人们会用这些模型和结果做什么?

史蒂文:嗯，我认为这些模型在三个方面是有用的。首先，对于政策制定者来说，它们实际上可以帮助我们做出更好的决策。我们可以采取更多基于证据的政策，这样我们就不会再像过去那样采取弹球式的政策。这是第一个目标。第二个目标是为那些真正能够以不同方式使用数据和模型的企业服务，而FuturICT项目将成为他们开展业务的真正平台。就像现在的亚马逊——它一开始是卖书的，但现在，它实际上是一个供许多企业互动的平台。第三，对个人而言。个人和群体可以决定他们的集体行为或者他们如何集体做事这对它有全球性的影响。这是我认为非常有用的三个方面。

Kat -我知道这个项目的一部分涉及到从手机和社交网络收集数据，Jason已经谈到了手机可以做的一些事情。但是有些人非常关心隐私问题，有一些关于Facebook侵犯人们隐私的讨论。你怎么能让人们在不侵犯隐私的情况下交出数据，或者人们只是把他们所有的数据都给你，或者他们真的不在乎?

史蒂文:两者都有，真的!首先，有很多人很乐意在这些公民科学类型的环境中提供他们的数据。伦敦政治经济学院的一些同事在伦敦市长展上做了一个项目，让人们交出自己的数据，说出自己在哪里。作为回报，他们会知道哪个酒吧最适合去，排队的人最少。所以有时候，人们放弃数据来换取一些东西。这不是单向的。应该是反过来的。

Kat:所以这种不断收集数据，建立模型，找出我们所处的位置以及所有这些非常复杂的系统正在发生的事情的想法，我可以看到这在未来会非常有用，但是有没有这种技术现在正在进行的例子?

史蒂文:在英国，我们做了很多研究，不是我个人，而是人们试图了解口蹄疫是如何传播的。我们还研究了H1N1病毒的传播我在美国的同事对此做了大量的研究。在这些问题中，我们可以看到进行设想的好处——“如果”设想——如果我们关闭机场会发生什么?实际上，我们可以在电脑上比在现实生活中更好地运行“如果”场景。我认为这是我们应该做的。

Kat -我想这个想法应该是通过看到事情开始出错的地方，在事情变得更糟之前把事情从边缘拉回来，从而避免未来的彻底灾难。

史蒂文:没错。回到你开始提到的连通性，我们已经看到了一些连通性导致故障级联的情况，如果我们知道的话，我们有时可能已经猜到了连锁效应，但其他时候，它们会产生非线性效应我们真的无法理解它们是如何连锁到其他系统的。

凯特-我们都是有联系的。非常感谢。这是伦敦大学学院的Steven Bishop教授。