在我们告别2016年之际，比以往任何时候都更清楚的是，信息技术的快速变化所造成的"模板化"[1]已经超出了我们理解即将到来的破坏的能力。颠覆实际上是新常态，作为一个社会、组织或个人，现在是时候认识到过去奏效的东西在未来不太可能奏效了。为了发展，淘客插件，我们需要下一代的创新和知识发现方法。这种进化的一部分需要自我意识去理解，而我们不需要去理解。

预测与因果关系

虽然人们对人类学习和知识发现背后的机制仍有很大的争论，但很明显，它是由经验和数量惊人的预测和反馈循环推动的甚至意识到正在发生的事情。小时候，我们学习单词、数字和形状，最终会立刻认出它们。在这个学习过程中，很少有人会问或者能够回答为什么我们知道这是一张狗而不是猫的照片。

基于启发式的预测与我们的日常生活息息相关。只有当它们经常让我们失望时，我们才会寻求基于因果关系的解释。

随着人类的进化，我们最终发展出了第一条主要的科学定律（比如引力），它不仅对预测有用，而且可以解释世界是如何运转的。我们作为一个物种幸存下来的原因之一是我们对理解和解释的内在需求。对因果关系的需求渗透到我们的互动和决策中，大数据分享，可视化数据大屏，尽管我们日常的大部分行为都是由我们不知道或不理解的预测驱动的。我们通过关注因果关系的镜头来看待世界，但是我们依赖于基于启发式的预测，因为它通常是有效的。

下一代知识发现

当我们进入这个一切都"相连"的新时代时，有必要采用新的知识发现框架，因为传统方法无法扩展。

随着工业和消费互联网的连接一切都是实时的，大数据与人工智能，数据的速度将呈指数级增长。我们分析和解释的能力很快就会被淹没。能够在知识发现框架中实现解释和预测之间的整体平衡的组织将更有可能导致和/或在即将到来的中断中幸存下来。

在我们当前的经济环境中，我们将看到医疗保健很容易采用机器学习作为分析性诊断方法，但在治疗周围的分析方面遇到了巨大的阻力。随着医疗成本的不断上升，我的预期是，上市时间将需要新的方法，机器学习甚至将推动围绕治疗的药物发现。

我们将不可避免地开始接受由机器学习支持的预测和建议，即使我们无法理解它们如何或为什么起作用因为它将提供战略优势。忽略数据是一种选择，但我们这样做是有风险的。相反，更合理的选择是首先通过自动化的分析方法学习。其次，要明白分析的消费者是我们的应用程序和操作系统，而不是个人。预测和关联必须足够好。

我们必须承认，许多系统过于复杂，或者不够重要，不足以保证人们努力理解因果关系。

在一个高度关联的世界中，数据与大数据技术，有了额外的数据源和速度，即使是下一代的科学发现也很可能会成功是聪明人的一个功能，使用机器学习来测试我们在无法与之竞争的时间框架内从未想到的因素组合。

2016年5月，阿德莱德大学的一组物理学家证明，机器学习优化方法比竞争优化方法需要更少的实验。物理学家们对这个系统想出的聪明方法感到惊讶，比如上下改变一个激光器的功率，用另一个激光器进行补偿。保罗·维格利说：

你认为知识发现的下一个阶段是什么？