有心俱是实，无心俱是幻；无心俱是实，有心俱是幻

我们第一次面临着：在移动互联网环境下，以人为终极节点的变局。

社会经济已然变成了一个超级分化的世界：资本市场对实体经济的分化，也可看作虚拟对实体的分化。

资产价格不断膨胀，房产、股票创下历史新高；相对来说，实体则不断收缩，线上与线下的分野，以前活动都是线下，现在有一半在线上。

现在绝大多数商品，只要有App或者电商平台，都能有线上线下的不同板块接触点。

线上的互联网巨头攫取了巨大的能量，许多人被困在系统跟算法里头。

数字化工具在企业中已然得到普遍的运用，极大地改变了人们对商业秩序的基本理解，诸如大数据、区块链、信息秩序…

如今不少企业从业者都习惯在家办公，用腾讯会议、用企业微信；学生在家用腾讯教育上直播课，甚至很多老年人以前不用数字化服务，基本都用上了… 

企业、消费者、政府、银行都不得不接受数字化转型。

企业对技术与商业模式都在做某种程度的创新升级，通过数字化、全渠道、直播等方式，与消费者建立更直接、全面、丰富的接触。

近几年流行的电商直播，让制作精良的小视频、短视频来到大众的视野，既赏心悦目，又能推介商品。

比如西贝全面使用外送服务，并用企业微信等数字化工具主动联系消费者；

携程基于微信小程序等数字化生态启动“线上营业”；

优衣库在线下门店销售遇阻的情况下，强化线上，通过直播等数字化触点连接消费者…

那么，面对这些“机器幻觉”“数字幻觉”“货币幻觉”等等虚拟的现实，我们如何是好？

是否真的能“从生命和机器中提取逻辑法则，把它们每一个都应用在创建极其复杂的系统的任务中”？

不管是人造的还是天生的，似乎都应被称为“活系统”，因为这些系统都具有生动的逼真性。

这些系统，看起来“既是被造物也是活物”：

在我们当作有机体和生态系统的有机物群落，和与它们对应的人造物比如机器人、公司、经济、计算机电路之间，有一个共同灵魂，我们应该如何称呼它？

信息系统具有天然“熵增”属性。

不同于物质世界，信息拥有以下的基本特性：

可复制性，难以唯一；无序扩散性；易失真、演变、丢失；

丢失；不考虑信源在信息流动过程中扮演的“麦克斯韦妖”角色的话，信息系统因为信息的基本特性，更容易出现无序 态，具有天然的“熵增”属性。

信息价值的形成——

当系统观念和方法注入信息后，在时间有序、空间有序和逻辑有序等方面进行重新排列组合，导致其内部要素或外部行为受到一种附加的引导作用和制约作用，从而改善了各内部要素之间在功能方面的协调性和相关性，提高了有机系统整体的功能效应，使系统所输出的广义有序化能量大于它所输入的广义有序化能量，这个过程就是信息价值形成过程。

而区块链是典型的信息系统，其生命力取决于其内在的“信息熵”的大与小、高与低。

区块链的“熵减”情况不是自然发生的。

实现区块链架构中的任何一个层次的数据和信息的真实性和完整性，都绝非易事，特别是存在“共识层”结构性失衡的可能性。

如果考虑到区块链天然需要“算力”，需要通过不断挖出区块来实现记账，而挖出区块需要耗费日益增加的能源和人力资源，因此区块链及与其关联的加密数字货币甚至无法摆脱热力学的“熵”定理。

所以，就区块链技术和日益广泛的应用而言，怎样实现持续性的“熵值减少”状态，具有相当的挑战性。

一般说来，大数据的特点可以用“4V理论”概括：数据的规模(volume)，数据收集、运用、传播的速度(velocity)，聚合数据的多样性(variety)，以及数据所蕴含的价值(value)。

当量化分析成为趋势以后，大数据的价值正在放大，量化分析工具即可以处理并分析海量信息的算法模型。

随着机器学习能力的精进，大数据在各个领域的表现越发出众。近年来，用来辅助定价决策、贸易往来与物流管理系统的自学习算法已取得了突破性研究进展。

与此同时，行业领先的玩家仍在加大对人工智能深度学习技术的研发资金投入。

当前，深度学习技术已渗入人们的日常生活中。

在用户自助服务、打造交互式购物体验等方面，智能算法的作用越发凸显。

相关资料显示，目前算法已经可以做到理解并翻译各种语言、识别影像、撰写文章以及分析医疗数据。

在微软的Windows Phone手机和必应(Bing)语音搜索功能中，在谷歌、丰田、苹果、奥迪、捷豹等科技企业或传统汽车企业正在研发的无人驾驶汽车里，深度学习软件正在发挥作用。

还有股票交易市场，量化分析与大数据早已成为贡献丰厚回报的利器。

在实际应用中，大数据与量化分析的组合是相辅相成的。

如果掌握海量数据的公司无法迅速对这些数据进行分析，并以此为据做出经营策略的调整，那么大数据所能发挥的作用将很有限。

相应地，机器学习技能的增进也需要大量数据的支撑。

具备深度学习功能的计算机，可借助模仿人脑的人工神经网络处理大量的数据集并完成学习任务，当它们得以接触并处理更多相互关联的数据时，这些算法的学习能力将得到提升。

对此，有一种说法是，如简单的算法公式能够获取大量数据，那么它的表现将最终超越那些掌握了很少数据的复杂算法。

造成这种结果的部分原因在于：算法学习能力的提升有赖于反复测试。

此外，大数据中数据的相关性也能在算法的学习过程中提供辅助。

(感谢阅读，敬请指正)