微軟宣布將與研究實驗室OpenAI合作，投資10億美元打造“通用人工智能”(AGI)。OpenAI 首席執行官 Sam Altman表示：“強人工智能的研發將是人類歷史上最重要的技術進步?！北娝苤?，計算機在一些具體任務的處理上遠超人類,但它們并不具有人類智慧、常識以及批判性思維，在不明確的條件下它們往往很難執行任務，作出判斷或選擇。因此，開發出類似于人腦的計算機將會是巨大的進步，然而微軟在這方面的嘗試似乎也并不讓人滿意。

通用人工智能也許只是一個虛幻的夢想，不過數據科學企圖依靠大數據和強大的計算功能，讓計算機根據事實做出明智的決策，而不是依賴人類的一時興起、預感或偏見。然而實際情況是，企業和政府依舊犯著大數據時代之前的那些錯誤。因為將重大決策交給計算機只會重復曾經的錯誤判斷。

數據科學不僅僅是數學證明、統計計算和計算機編程。實驗設計、人類智慧、常識、懷疑和批判性思維，這些真正的人類智慧才是核心所在。如果數據科學想要發揮其巨大的潛力，就要避免以下9個常見的“陷阱”:第一臺機械計算機的發明者查爾斯·巴貝奇(Charles Babbage)曾兩次被問到:“巴貝奇先生，請問如果你把錯誤的數字輸入機器，會得出正確的答案嗎?”答案是否定的。

芝加哥一家醫院曾做過關于敗血癥病人的研究，他們認為，血液pH值低的患者出院后很快再次入院的概率較低。不過，他們的數據包括了在住院期間去世的病人！要知道，最不可能再次入院的病人正是那些躺在太平間里的人。所以，事實上，當我們排除那些“死亡數據”之后，pH值低的病人他們的病情其實并不樂觀。

一些數據科學家在沒有理論或常識指導的情況下，單單從龐大的數據中企圖尋找某種模式。他們認為思考一個問題限制了新知識的發現。不幸的是，大數據時代使得各種模式成千上萬，然而其中大多數都是毫無意義的。這一悖論在于：為了得出某種模式越是瘋狂地去搜索數據，得出的結論可能越沒有價值。

一家互聯網營銷公司在100多個國家測試了其登陸頁面的三種顏色(黃色、紅色和藍綠色)，并將其與傳統的藍色相對比。他們得出的結論是，英國人喜歡藍綠色，但事實并非如此。數學家熱愛數學，非數學家“畏懼”數學。這一致命的組合，往往會導致建立很多極其不現實的模型。

許多抵押貸款違約的數學模型在大衰退期間崩潰了，因為他們簡單的假設，違約的概率呈現正態分布且是獨立存在的。他們低估了極端事件發生的可能性，也忽略了經濟衰退等宏觀經濟事件將引發的大量抵押貸款違約的可能性。由于計算機能夠非常高效的處理某些問題，人們很容易認為，計算機擁有高智能。但是應對具體任務的高效性與應對各類復雜情況的綜合智力，這兩者是十分不同的。我們對于計算機的“崇拜”其實是一種有害的癡迷。

現如今，算法犯罪學在審前保釋、審后判決和定罪后假釋等決定中使用黑箱模型變得司空見慣。然而，黑箱的算法往往帶有種族偏見，甚至不如那些只考慮年齡和前科的簡單模型。為了能夠找到數據之間的重要關系，研究者試圖以各種各樣的方式對數據進行分析。羅納德科斯(Ronald Coase)曾精辟的對此表示，“如果你‘折磨’數據的時間夠久，它們總會‘招供’?！?/p>

物理學家理查德·費曼(Richard Feynman)曾說過:首先你不能欺騙自己——而自己是最容易被欺騙的人。真正的科學家會分享他們的理論，質疑他們的假設，并尋找機會進行實驗來驗證或否定其理論與假設。而“數據小丑”只會看到他們想看的東西。

當數據波動較大時，大部分被測數據會高于現象，但隨后越來越多的值才更接近平均值。簡單來說，就是某項指標的表現過高或過低后會自然回歸到平均水平。一位高爾夫球手如果單憑僥幸在一次比賽中贏得了金牌，他很可能在下一次的比賽中表現欠佳，這并非是運氣不好或者發揮失常，只是因為上次的勝利其實高估了他的實力。

對于公司也是如此。一名數據分析師曾對過去三個月“表現欠佳”的網頁布局進行修改，希望能夠提高其收益。他顯然“大獲全勝”。在他對頁面布局做出調整之后的第二天，收益激增20%。之后收益增長依舊持續了一小段時間。不過，好景不長，事實證明這些確實是表現欠佳的網站，其收入已逐漸向平均水平回歸。

在大數據時代，企業和政府不斷地監控我們，以便預測我們的行為并操縱我們的行為。優秀的數據科學家懂得謹慎行事，尊重我們的權利和隱私。“己所不欲，勿施于人”這句話對于數據科學同樣適用。所以，要想避免以上那些“錯誤”或“陷阱”，我們需要有批判性的思維。要將科學應用到數據科學之中，因此，我們更應該像科學家那樣去思考，而不是像機器那樣。