“大數據”(big data)概念最早出現于《科學》雜志刊載的《大數據的處理程序》(1998)一文，此后《自然》雜志于2008年9月出版“大數據”專刊，短短十數年，“大數據”浪潮以人們難以想象的速度和讓人始料未及的方式襲來。大數據一方面對傳統的因果關系理論提出了挑戰，另一方面又給因果概念的進一步展開提供了更高層次的整體觀照。作為一種信息存在方式，大數據中因果關系和相關關系問題的錯綜交織，成為當前需要面對和思考的哲學課題。
一、相關關系的因果性根基
關于大數據的看法，最引人注目的觀點無疑是強調要注重相關關系而忽略因果關系，甚至某種程度上認為相關關系可以取代因果關系。
(一)因果性和相關性的關系問題
當人們正掂量“依賴模型的實在論”①還有多少實在感時，有人基于大數據，從“模型都是錯的，只是有些有用”，②推出了理論終結的結論。30年前基于統計模型得到的模型觀，今天在大數據時代被賦予了新的含義：模型的過時，意味著“理論的終結”。2008年，美國《連線》雜志主編克里斯·安德森(Chris Anderson)以《理論的終結》為題發表論文，認為“有了足夠的數據，數字會自己說話”，因而“相關關系足夠了”。“相關關系取代因果關系，而科學甚至可以沒有連貫一致的模型、統一的理論，或者實際上可以完全沒有任何機制性解釋而發展。”③一些被看作是從大數據推出，因而影響廣泛的觀點認為，“大數據時代最驚心動魄的挑戰，就是社會將需要從對因果關系的某種癡迷中蛻出，而代之以簡單的相關關系。在大數據基礎上建立起來的模型沒有關于‘為什么’的理解，只有‘是什么’。大數據是關于‘是什么’而不是‘為什么’的”。這種觀點甚至斷言，“確認因果機制是一種自詡得意的幻象，大數據推翻了這個假象。我們又一次陷入一個歷史絕境：在這里‘上帝死了’。”④這些現在比較流行的觀點，既涉及大數據時代的重要觀念轉變，同時也與因果關系的認識迷霧密切相關，而且往往兩方面相互交織。迷霧出自因果關系的傳統理解，而重要識見則源于信息時代認識的深化。
因果關系是人類理性行為與活動的基本依據，人類理性本身不可能否定因果關系，但大數據所凸顯的相關關系，的確從實踐層面實質性地推進了對傳統因果概念的深入反思。隨著思考的深入，重重迷霧中的問題所在日漸明確：“大數據中一個耳熟能詳的說法是：大數據長于分析相關關系，而非因果關系。但這可能是一個偽命題。如何從相關關系中推斷出因果關系，才是大數據真正問題所在。”⑤目前亟待探索和解決的，正是有關大數據的這一問題。而這一問題的解決，還在于因果性和相關性問題的澄清。
對于因果關系來說，物的數據化過程意味著特殊的遭遇。因果關系的這種遭際，無疑是大數據的發展帶來的，但問題的根源卻還在因果觀念本身的發展困境。由于“本原”的輝映，古希臘哲人認為智慧是關于原因的科學，因而關于因果觀念，最先關注的主要是原因而不是因果之間的內在關聯。無論亞里士多德的“四因說”還是東方的“因明學”，都是主要關注原因的典型形態。休謨第一個認識到，要給原因下一個完備的定義，必須呈現其與結果的聯系，但他發現要做到這一點極為困難：“關于這一聯系的觀念，當我們努力去構想它時，甚至連我們究竟想要知道它的什么內容，都沒有一個哪怕是模糊的意識。”⑥因此在其經驗研究進路中，休謨只能建立起原因和結果的時序關聯。康德試圖通過先驗進路探索這一問題，他把因果觀念從“自然的”轉向“理知的”，⑦但因果間內在關聯的先驗解決，只是把因果問題推給了先驗問題。休謨因果觀念研究的經驗進路，在經驗科學中導向了因果關系的概率研究；而康德的先驗進路則通過無所不在的因果假設，曉示著自己不可或缺的邏輯地位。由于因果觀念的康德理解封存于先驗，在穆勒之后因果關系研究的發展中，出現了因果關系科學研究和哲學研究的明顯分化。
從穆勒開始，作為歸納的基礎假設，因果觀念逐漸納入邏輯研究，后經羅素、賴辛巴赫和卡爾納普等，將因果關系的研究由必然性退離至或然性。由于作為客觀世界本身的特性，或然性規定構成不可克服的內在邏輯矛盾，這種研究進路到波普那兒走向主體“大膽的猜測”。與邏輯學研究相應，因果觀念研究的另一致思方向則是統計物理學、統計學、計量經濟學、生物統計學和心理測驗學等學科中的量化研究進路。在因果關系的量化研究進路中，高爾頓的線性回歸模型意味著從嚴格意義上的“物理模型”轉向“統計模型”；皮爾遜的“相關系數”、凱恩斯的“歸納相關”及基于預測的“格蘭杰因果關系”，則使相關關系研究在經驗科學中占主導地位。而當這種進路深入到基礎科學特別是量子理論時，因果性研究則遇到了量化把握所無力應對的根本挑戰和困難。如果說因果觀念的定性研究困在了經驗和先驗之間，那么，因果關系的定量研究則惑在因果關系和相關關系之間。
因果關系研究的量化，必定走向主要把握相關關系。在大數據中，物數據化就意味著因果關系的數據化。在因果關系的數據化過程中，一方面由于量化獲得了量的關系強度和正負性質；另一方面由于量化喪失了原有的必然性和方向性。因此，量化后的因果關系蛻變為變量之間的相關關系，大數據中物數據化的過程，同時是因果關系量化為相關關系的過程。正因為如此，物數據化的結果，一方面有利于因果關系的定量把握；另一方面又不利于因果觀念的傳統定性理解。也正因為如此，數據化基礎上的因果推斷就變得越來越重要。而因果推斷重要性日增，本身就表明，不管對因果性持什么態度，客觀上都不可能否定因果關系。
因果關系不可能被否定，而大數據時代又似乎要以相關關系取代因果關系，那么，問題只能在傳統因果觀念中。在哲學上，傳統因果概念備受質疑；在現代科學尤其在量子理論中，已經導向因果概念的重新刻畫；而大數據所涉及的相關性和因果性之間的關系問題，則使重新刻畫的因果概念進一步展開并系統生效。
(二)因果關系是對因素相互作用過程與其效應之間聯系的描述
20世紀30—50年代，對于因果性問題來說，是災難性的30年。因果論遭遇的這種災難，無疑主要是由量子理論帶來的，但量子力學本身并不否定因果性，而只是要求對傳統因果概念進行改造。重新刻畫因果概念，既是現代科學發展的要求，也是克服傳統因果概念內在邏輯矛盾的需要。關于因果概念研究的這種困境，集中體現于兩個關鍵問題：一是因果聯系是必然的還是或然的；二是因果聯系是前后相繼的還是同時的。
因果聯系的必然性和或然性問題，涉及因果規定的合理性。在休謨的觀念中，“絕對不可能”在定義“原因”時，可以不在其涵義中包含原因與其結果之間所具有的那種“必然性聯系”。⑧在康德作為先天形式的因果概念中也是如此：“原因的概念，它陳述的是在某種前提條件下一個結果的必然性。”的確，在哲學中，我們必須認為“一個原因的概念就帶有必然性的特征”，⑨否則我們就不能理解事物過程的確定性一面。而在科學領域情況則很不相同，不僅統計學和計量經濟學，量子力學也必定使傳統因果觀不得不接受原因和結果之間具有或然聯系的觀點。然而，如果原因和結果之間的聯系是或然的，那么世界就毫無疑問是變幻莫測的，事物過程就不會有確定性環節，從而也就很難為人類理性所把握。但是，如果我們不接受原因和結果之間或然聯系的觀點，傳統因果概念就不能容納任何性質的統計理論，更不能描述量子現象。
而因果時序問題，則涉及傳統因果概念的內在邏輯矛盾。關于因果時序，向來存在“前因后果”說與“因果同時”說之爭。在量子理論創立之后，又出現了危及因果性本身的“因果時序顛倒”說。因果相繼的觀念幾乎與因果觀念同時并存，早在休謨關于因果觀念的考察中，就把“前因后果”視為當然。在康德那里，作為先天形式的因果觀念就先驗地具有前后相繼的性質。而在因果關系的量化研究中，由于因果關系量化為變量之間的關系，“自變量”和“因變量”的概念本身就意味著以前后相繼為前提性預設。在傳統因果概念中，前因后果說和因果同時說都具有其合理性，但二者又構成傳統因果概念的內在邏輯矛盾。“前因后果”說認為，原因的“始發性”和結果的“后繼性”使因果聯系具有時間上的先后順序性。但“因果同時”說卻認為，“前因后果”說在理論上具有不可克服的困難。因為它必然隱含著“前因”階段存在無果之因的結論。這既不合乎辯證法，也與因果關系的基本規定相矛盾。要避免這些內在邏輯矛盾，就必須重新刻畫因果概念。只有重新刻畫因果概念，才能在確保因果關系必然性聯系的同時，既使因果關系具有時間上的持續性，又使事物過程的某些環節具有或然性的一面。
傳統因果概念的根本缺陷，就在于把原因等同于某種原子式的存在，而沒有把它看作對事物相互作用過程的描述。把因果概念理解為原子式的現象產生另一個原子式的現象，源自對因果概念的日常或經典力學理解。只有把因果概念的規定落實到事物的相互作用上，才可能有與當代科學發展相適應的因果概念規定。如果我們把參與相互作用過程、構成一定原因的事物稱為“因素”，即構成原因的要素，那么，傳統因果觀某種類似原子而不是一個相互作用過程的“原因”，實際上只是“因素相互作用過程”中的因素，而不是作為因素相互作用過程意義上的原因，不過常常是主要因素罷了。因素關系之所以不同于一般意義上的事物關系，關鍵就在于它與特定的結果聯系在一起，而這種結果不僅可以是既存的，也可以是潛在的。而原因和因素的根本區別則在于：原因由因素構成，但原因不僅包括因素本身，更重要的是因素的相互作用過程。正是在這個意義上，原因是對因素相互作用過程的描述。
把原因看作對因素相互作用過程的描述，就為進一步刻畫“結果”概念創造了條件。相互作用都伴隨著相應的效應；原因作為因素的相互作用過程，每一瞬間也同時伴隨著這種相互作用所產生的效應。作為對因素相互作用產物的描述，這種效應自然是最為直接的結果，即因素相互作用過程的“瞬時結果”。這種瞬時結果與我們通常所謂“結果”并不完全是一回事。作為日常概念的“結果”，往往指的是這些效應的痕跡累積而成的宏觀事物或現象，甚至指的是整個因素相互作用過程的產物。作為整個因素相互作用過程的結果，自然不是指某種瞬間狀態，而是一種軌跡式的連續狀態或事物系統。
效應和結果是兩個既密切相關又不完全相等同的概念。在英文中，效應和結果用同一個詞“effect”表達，這增加了對詞義理解的復雜性。事實上，作為嚴格刻畫的因果概念，結果只能是作為瞬時結果的效應。某一原因消失，即某些因素的相互作用停止，效應便同時終止，但其痕跡卻可以依然存在。因此結果可以定義為：因素相互作用的效應；更確切地說是對因素相互作用效應的描述。因素和結果間的聯系與原因和結果間的聯系，描述的是客觀過程中處于兩個不同發展階段的事物聯系形式。其中，因果關系描述的是因素相互作用過程與其效應之間的聯系。
通過深化因果觀念的理解，重新刻畫的因果概念解決了傳統因果觀存在的上述兩大問題。如果說，關于因果聯系的邏輯方面的理論混亂，是由于把因素看作原因，那么，關于因果聯系時序方面的上述紛爭，則主要是由于把因素相互作用所產生的效應，與這些效應的痕跡累積而成的結果混為一談。當我們把原因看作對因素相互作用過程的描述，從而將原因和因素區分開來研究，就會看到，原因和結果是因素相互作用過程的兩個不同方面，因果聯系的必然性無可置疑，與原因和結果間的關系不同，因素(包括潛在的)與結果間的聯系從根本上說是或然的，事物過程必然性和或然性的對立在因素相互作用過程中獲得了統一的理解。因果描述所涉及的聯系的過程性，實際上是因素相互作用的過程性；而原因所描述的能動性，則源于因素活動的始發性。⑩在原因是因素相互作用過程的描述中，可以看到“前因后果”的觀念出于兩方面誤解：一是把主要因素當作原因，因而可以與其參與相互作用構成的結果有時間先后關系；二是把因素相互作用的效應累積的產物當作結果，這也使結果可以在時間上后于原因。重新刻畫的因果概念，不僅能使傳統因果觀的上述問題得以澄清，而且意味著因果關系和相關關系之間一個同樣清晰的關系刻畫。
(三)相關關系是對因果派生關系的描述
從定性研究的角度看，相關關系是一個寬泛的概念，因為從直接相關到間接相關，呈現的是一個無限蔓延的分布。世界上任何兩個事物都處于相互聯系之中，都具有相關性。因而從廣義上說，相關關系可以把任何事物視為相互聯系，因為關系本身就是對相關性的描述，這里顯然存在有待澄清的理論問題。
關于相關關系和因果關系，自17世紀以來就有一個影響廣泛的觀念：“相關關系并不意味著因果關系。”(11)20世紀后，出現了將因果關系歸結為相關關系的努力，認為“因果關系不是別的，只是一類相關關系”。(12)將因果關系歸結為相關關系，顯然將因果關系的理解泛化了，結果是因果關系彌散于相關關系。但是，這種觀點是第一次內在溝通因果關系和相關關系的思考。這種思考，后來在賴辛巴赫那兒得到另一方向的強化，他認為“不存在沒有因果關系的相關關系”，(13)這則是出于對相關關系因果關聯的確信。這種理解更接近二者關系的實質，但由于相關關系過于寬泛，因而不僅涉及相關關系的規定問題，而且涉及相應的哲學基本問題。而關于這一問題，統計學和計量經濟學等學科中的認識更為具體：“相關系數度量的是相互聯系，但相互關系并不等于因果關系。”(14)“相關關系并不能證明因果關系。”(15)所有這些觀點都聚焦于一個環節：“建立有意義的相關關系是一回事，而實現從相關關系到因果屬性的飛躍則是另一回事。”(16)當我們重新刻畫因果概念，就可以看到這一問題的關鍵所在。
重新刻畫的因果概念為相關關系的深入理解提供了理論根據，為這些問題的澄清創造了條件。在重新刻畫的因果概念中，因素和原因的區分打開了通向相關關系的窗口。當因素未進入相互作用過程時，我們可以看到一種特殊的關系，那就是與潛在結果相聯系的因素關系。這種關系不是因果關系，但相對于潛在結果，卻構成一種與因果關系密切相連的相關關系。這種相關關系的生成，表現為一種因果派生關系。這不僅表明，因素之間的相關關系并不是一種與因果關系無關、完全不同的另一種關系，而且可以看到，因果結構可以派生出更多的相關關系。因果派生關系除了因素之間，還有結果之間以及因素和結果之間的關系等，這就可以看到由不同的機制可以派生出各種不同類型的相關關系。
作為因素相互作用過程與其結果之間的關系，因果關系是由相互作用過程凝固了的因素關系，而在進入相互作用之前和因素相互作用過程之中，因素之間、結果之間以及因素和結果之間則構成了各種類型有特殊意義的關系，這些都是相關關系。正是由此，可以得到關于因果關系和相關關系的清晰理解：因果關系是為因素相互作用所確定的關系，由于因果關系事實上是一個過程的兩個方面，所以不構成相關關系。而相關關系則是因果關系的派生關系，包括因素之間、結果之間以及因素和結果之間的關系等。雖然因果關系和相關關系有重要區別，但從重新刻畫的因果概念，可以清楚地看到相關關系的因果性根基。作為因果派生關系，相關關系植根于因果關系。
正是在這個意義上，大數據不僅不是因果性觀念的淪陷之地，反倒是進一步充分展開重新刻畫的因果概念的最好場所。正是大數據帶來了物數據化和數據物化的對稱發展，而數據物化既是實踐又是認識，它意味著一種新的因果性根據。
二、數據物化的因果性根據
作為人類信息文明的基礎，大數據時代的發展過程由兩個基本方面構成：一是物數據化；二是數據物化。數據物化意味著從關注因果關系到關注因素關系等相關關系，而從對因果關系的關注到對相關關系的關注，甚至出現以相關關系取代因果關系的傾向，則事實上是在還沒有理清因果關系和相關關系之間關聯的基礎上，對二者的割裂理解，因而只是意味著從主要注重描述到同時注重創構。
(一)大數據相關關系提供了由因素創構結果的廣闊空間
由于涉及大數據，有一個重要環節可以大大推進我們關于因果關系的認識。如果把原因——也就是因素相互作用過程返演，就會發現一個很有意義的情景：在進入相互作用過程之前，因素還沒有構成原因，這時候表現為具有某種結果指向的因素和因素之間的關系——大數據所最具價值的相關關系之一。正是這種相關關系，給創構特定的結果留下了廣闊的實踐操作空間。
作為與既存結果相聯系的因素關系，相關關系是我們解開既存結果——事物現象的密碼；而作為與潛在結果相聯系的因素關系，相關關系則為我們創構所想要的結果提供了廣闊空間。由于沒有進入相互作用過程生成既定的結果，因素關系為人類活動提供了空間，使人們能由此對因素相互作用可能生成的結果進行選擇，通過引導這種因素關系，使它們以特定的方式進入特定的相互作用，從而得到所想得到的特定結果。對與既存結果相關聯的因素相互作用的描述是過去時態，而對與潛在結果相關聯的因素相互作用過程的描述則是將來時態。從因素構成就可以看到，因素關系或相關關系之所以特別重要，大數據之所以重要，關鍵之點就在于：人們對因果關系的把握從既存結果推展到潛在結果，從過去時推展到將來時，從而能夠根據因素關系進行結果創構。
在因素構成原因的過程中，相互作用過程一返演，我們看到的就是因素，這時候因素所構成的是相關關系，而相關關系給我們提供了一個前提、一個基礎，我們可以利用這些因素，通過組合讓它們相互作用，得到我們想要的結果。這是一個可以讓人類擁有無限可能性的空間，由此足見因素進入相互作用凝固相互關系前后的重要不同。大數據給我們提供了一個重要平臺，一個信息文明時代人類創造活動的新舞臺。正是這個平臺，蘊含著大數據時代數據物化的因果性根據。
作為物數據化的結果，大數據是數據物化的前提。物的數據化只是信息文明時代的前奏，真正的信息文明時代是數據的物化，那就是剛剛出現在我們生活中的“3D打印”和“谷歌眼鏡”等所謂“新硬件”。它所開啟的是一個創構的時代，所謂“新硬件時代”，事實上是創構時代的序幕。這意味著人類文明從一個以描述活動為主的時代，進入到一個以創構活動為主的時代。盡管有史以來，描述和創構總是相伴而生的基本活動，但信息時代特別是大數據凸顯了一種與描述活動不同的創構活動，它不僅意味著數據物化的因果性根據，而且意味著因果性認識的一個重要發展。
數據物化是一個與物數據化相反的過程，在這一過程中，結果不是既定的，因而既不是由果溯因，也不是一般意義上的由因(素)索果，而是由因(素)構果。這個“果”也不是既存的，而是根據人們的需要和大數據相關關系所反映的可能性，通過以一定的方式使相關因素進入相互作用過程，所獲得的期望中的結果。而在特定潛在結果的觀照中，則會生成新的潛在的因果關系。這種潛在因果關系所構成的因素體系，在還沒有進入相互作用以前，只具有因素和潛在結果之間的關系。只有讓相關因素以一定的方式進入相互作用，生成預期中的結果后，因素相互作用過程才構成現實的原因，從而生成現實的結果，形成作為潛在物創構過程的因果關系。這種因果關系不同于既定物生成的因果關系。正是由此可以看到描述和創構兩個不同的空間和過程，看到兩種不同的認識形成的必然性和合理性。
(二)創構活動的因果性基礎
幾乎從一開始，人類就有兩類基本的活動：探索既存事物和創設以往不存在的全新事物。這兩種不同的活動需要兩種不同的認識：對既存事物或世界存在規律的認識和對創設新事物規律的認識。前者主要是描述性質的，是一種描述活動；而后者則主要是創構性質的，是一種創構活動。
描述是對既存對象的符號、語詞和模型等的摹寫；創構是從未存在的感性對象的創設，它是基于人們的需要，根據所設立的潛在結果，得到與之相聯系的因素體系，并確定和控制這些因素的相互作用，獲得所想得到的結果的過程。之所以說“感性對象”，既為區別于觀念及其體系，也為包括由原子構成的新硬件等實物和由比特(bit)構成的虛擬物，即信息對象。而數字虛擬對象更典型地訴諸人的感覺。創構不僅是一個在物數據化基礎上的數據物化過程，而且是數據通過虛擬對象化的過程。
由于描述更多是盡可能真實、精確地反映既存對象，因此描述活動的主要特征是用思想重建既存對象，更以真實性為衡量標準，主要基于現實的因果關系追問“為什么”。由于創構更多是根據人的需要及其發展創設滿足和開發人的需要的感性對象，典型的是新硬件和虛擬實在，因此創構活動的主要特征是創設從未存在的可感對象，更以滿足主觀需要為主要目的，以使用的有效性為主要衡量標準，主要基于面向可能結果的因素關系，創設新的“是什么”。
數字技術的發展，使人類的創構活動進入了一個新階段。而在大數據基礎上，人類的實踐和認識活動主要是創構性質的，描述和創構是信息文明時代一對重要的基本概念。(17)從另一方面看，也就是大數據為創構活動提供了新的基礎。正是大數據時代，與描述性認識不同的創構性認識空前凸顯，在人們的意識中，創構意義上的因果性與描述意義上的因果性出現對立和沖突，從而構成了大數據浪潮對單純描述意義上的傳統因果觀的巨大沖擊。
由于是凝固了的相關關系，因果關系對于創構來說沒有操作價值，只有原理參照價值或作為模擬對象的價值。而作為沒有凝固的可能因果關系，相關關系雖然不是既定事實，卻具有重要實際操作意義。因而描述性認識主要基于因果關系，更屬于因素已經通過相互作用凝固為結果后的由果溯因；而創構性認識則主要基于相關關系，更屬于因素還沒有通過相互作用凝固為結果而與可能結果相聯系的由因(素)構果。
正是在這里，深入涉及數據物化的因果根據；也正是由于對創構的因果根據認識不足，才造成了相關關系和因果關系理解上的兩方面問題。一方面，在物能相互作用中，我們一般總傾向于把主要因素看作就是原因，而且這樣在日常生活中使用起來非常方便，但在大數據時代，由于因素眾多且極其復雜，我們不再能把主要因素看作就是原因本身了。另一方面，關于因果關系和相關關系的割裂理解，正是只顧及創構活動而沒有涉及其因果根據的結果。由于創構總是與對外部世界的描述具有某種根本的相關性，因此只顧創構而不管其本體論基礎是相對短視的。只要聯系到創構產物跟人的關系，就能感覺到其中的短視所在。這里所涉及的遠不只是對因果關系的消解傾向，更涉及從“為什么”到“是什么”的創構，涉及創構的因果根據。
認為大數據表明“是什么”，而不是“為什么”，也是由于沒有區分描述和創構，更未辯明二者之間的關聯，尤其是沒有涉及描述和創構的共同因果根據。這里，也涉及不同層次的兩方面問題。一方面，描述必須知道“為什么”，而創構卻未必。只要“是什么”，不要“為什么”的觀點，正是由此而來。而這種誤解，恰恰又因為未深究“是什么”和“為什么”之間的深層次區別和聯系。另一方面，由于不清楚二者的區別和聯系，就不可能意識到更深層次的重要問題：在創構性認識層次，“是什么”有時候不僅可以，而且越是新的創構越必須建立在“為什么”的基礎上，因而還可能包含比通常意義上的“為什么”更深刻的內容。
(三)建立在“為什么”基礎之上的“是什么”
的確，亞馬遜創新的推薦系統只是梳理出了有價值的相關關系，而不知道其背后的原因，但由此得出“知道是什么就足夠了，不用知道為什么”(18)的結論，則只是就亞馬遜賣出商品而言，只是因為局限在一個有限的目標。在一個有限的活動內，可以不管超出這一目標的因果關系。但問題在于，即使純粹在大數據基礎上，人類活動也仍然是一個具有不同層次的整體。一方面，不需要知道“為什么”并不意味著不存在因果性，我們要的是預想的結果，因而重要的是因素，重要的是什么樣的因素通過什么樣的相互作用可以得到什么樣的結果。而另一方面，在創構活動中，創構的產物不是既存的東西，而是新的“是什么”。這種新的“是什么”，無疑必須建立在“為什么”的基礎之上。這方面，基于大數據和基于小數據沒有原則區別。
正是在創構的意義上，大數據時代和小數據時代具有同樣的性質。不僅在小數據時代，大數據時代也需要假設，需要假設的實驗驗證，只是在數據層面可以忽略假設，而讓我們所需要的結果呈現，就像在創造發明時可以相對忽略本體論。大數據的確可以減少很多假設，因為在數據覆蓋范圍內，就數據所能達到的認識而言，不需要太多假設彌補邏輯缺環，但那只是就大數據的實際操作層面而言。而操作要可靠，要更有效地操作，還必須有更深層次的根據，就像在量子力學數學形式體系層面，我們可以不借助物理解釋，但量子理論本身卻必須有對其物理意義的理解。
在量子力學中，人們可以運用數學形式體系，通過哪怕是很小幾率的確定性，就能得到預期中或想要的結果，但這并不意味著從此人們可以沒有關于量子對象的物理解釋，或者說有了量子力學的數學形式體系就足夠了。即使像在量子力學那樣的基礎科學中，人們都不能滿足于數學形式體系的有效性甚至精確性，在大數據時代，人們更不可能完全滿足于表面的相關性，除非局限在某個有限目的或需要范圍，而人類認識的目的和人類的需要，事實上具有整體聯系。如果量子力學的數學形式體系需要物理解釋，那么大數據也是如此。認為大數據時代我們理解世界不再需要建立在假設的基礎上，無疑只是就人們的實務性信息活動而言，根本沒有顧及人們更高層次的需要。
在創構過程中，越是高層次的創構，越是建立在“為什么”的基礎之上，越是基于“為什么”的新的“是什么”。而且，這個“為什么”不僅關涉客觀存在，而且與主觀需要密切相關。沒有對客觀對象為什么這樣存在，為什么以這種方式存在的因果性了解；沒有對人為什么有這樣的需要及這樣的需要發展的理解，創構就既沒有根據和基礎，更沒有方向和前景。我們甚至都不能理解創構物是什么，越是深度開發人類需要的創構物，越是如此。從技術上說，創構是通過組合操作，生產出滿足表現出來的需要的過程。而從哲學上說，創構則建立在對客觀對象的存在及其方式和人的需要及其發展的因果性認識基礎之上。創構正是在這種“為什么”的基礎上，生產出新的“是什么”。當創構成果成為新的“是什么”時，創構事實上是在既存東西的“是什么”到“為什么”，再到作為創構成果的新的“是什么”的過程。因素的表觀組合只需根據大數據的量的分析，但所能滿足的也只是人的表觀需要，要真正使創構活動具有必不可少的基礎，就必須具有相應的充分因果根據。不僅數據物化過程中的創構活動必須這樣，而且物數據化基礎上的數據分析也必須建立在相應的因果基礎之上。
三、大數據分析的因果性基礎
把原因看作因素相互作用過程的描述，不僅可以揭示相關關系的因果性根基和數據物化的因果性根據，而且還將展示大數據分析的因果性基礎。
(一)數據分析的因素分析性質
大數據條件使對結果的預期有了因素根據，而對結果的預期就是對因素以及它們的相互作用及其方式的把握。大數據時代之所以從難以捉摸的因果關系轉而關注變量之間的相關關系，就因為在大數據條件下，在創構活動中，因果關系主要以相關關系的方式表現出來，而我們基于大數據的需要又能夠應用因素分析的方法，通過相關關系得到滿足。作為失去與因果關聯的量化關系，相關關系不僅只能陷入真實相關和虛假相關的泥淖，得不到必要的說明，而且由此只能得到因果概念的傳統理解。而作為因果派生關系，特別是作為創構時代因果關系的將來時形式，相關關系則不僅得到清晰表述，而且因素關系本身就表明大數據分析的因果基礎就是因素分析。因為在因果關系的整體結構中，相對于其他因素相互作用過程，結果間關系也是因素關系。因此因素相關不僅是創構的前提，而且是數據分析的因果基礎，即使在小數據時代也是如此。
無論是大數據時代還是小數據時代，因素關系都是一樣存在，一樣有用的，只是在描述性認識中，由于在相互作用過程中成了既定的因果關系，由于只是過去的關系，因而只能通過結果追溯原因，因素關系相對意義不像因果關系那么大；而在創構條件下，由于是從因素尋索結果，因素關系就顯得至關重要。大數據時代，相關關系之所以“著實出色”，就因為所涉及的相關關系主要是因素關系，而因素分析不僅是一種具體的分析方法，在重新刻畫的因果結構中，還具有作為數據分析因果基礎的重要地位。
在大數據條件下，相關關系之所以如此重要，事實上正是因為發現相關性就可以預測因素相互作用的可能方式，就可以不同程度地預測未來結果。由此可見，說相關關系比因果關系更重要，應當是有條件的，那就是在大數據基礎上達到相關性認識就足以滿足需要。籠統地說“相關關系比因果關系更重要”，至少是以偏概全的結果。只是在對事物未來進程控制的意義上，相關關系比因果關系更有價值。而這種價值就來自與之相聯系的特定潛在結果，這里的基礎仍然是因果性。正是在這個意義上，因素分析集中體現了大數據相關分析的因果基礎。
作為大數據相關分析因果基礎的集中體現，因素分析的重要意義可以從定量分析的因素關系基礎更清楚地看到。
(二)定量分析的因果關系根基
由于從一般意義上說，任何事物現象都是相關的，因此從質的角度看，對于這種意義上的相關關系，定性研究就會遇到根本性的困難。定性研究不能對間接相關甚至直接相關關系進行操作性處理，因為越是間接相關，關系越是彌散的。但從量的角度看，如果對這種相關關系進行定量研究，就可以根據相關強弱程度和正負性質，進行定量操作。因而這種相關關系不僅很有意義，而且在大數據基礎上，可以建立起一種具有操作性的處理方式。在大數據中，這種定量操作處理甚至使量具有特殊意義。
在信息時代，尤其是在大數據基礎上，量具有與以往不同的意義。因為對我們的認識目的和實踐需要來說，只有達到一定量的相關，達到一定相關程度，才具有認識和實踐意義。因此，有沒有和有多少就成了一個與傳統哲學不同的問題。
大數據所涉及的都是量的關系，因而具有量的把握的特征：那就是一個數量和別的數量的相關關系，已經形成了一種具有量的確定性的聯系。有了這種量的確定性聯系，就能據此得到一些確定的結果，盡管可能只是信息而與物能沒有直接聯系。而在信息時代，更重要的結果恰恰正是信息。在大數據時代凸顯的相關關系與因果關系的處理把握上，更根本的是信息因素和物能因素的區別。“大數據具有與世界1和世界2平起平坐的地位”，(19)也正是信息的這種基礎性地位，使量的確定性具有越來越重要的意義。有了這種量的確定性聯系，就有了可以通過相關因素的組合得到所想要結果的定量方式方法。有了量化基礎和數學手段的運用，從而在定量把握的基礎上，就可以通過相關因素的組合和安排，得到人們所需要的結果，甚至可以得到開發更深層次需要的創造性成果，包括滿足人們需要的方式。
在大數據中，定量研究之所以有這么重要的意義，有兩個層次的原因。首先，作為因果派生關系，大數據相關關系使全數據定量分析成為可能。相關關系提供了一個把握對象的量化基礎，正是采用數學方法分析相關關系，才使因果性研究從因果關系推進到因素關系，從而可以進行定量研究。因素關系和因果關系的一個重要區別，在于傳統的因果分析不能完全用定量分析方法，而因素分析則可以完全是定量分析。在因果關系中，數學方法的使用非常有限，但在相關關系處理中，數學方法的使用卻不僅極為廣泛，而且非常有效。相關關系之所以有時變得比因果關系更重要，也因為相關關系不像因果關系那么難以捉摸，而是可以用量的方式更好地分析事物之間的關系，特別是因素之間的相關關系，因為因素可以涉及人，涉及創構活動的需要及其發展的關系，從而使定量把握具有特殊價值。其次，正是作為因果派生關系，使通過全數據定量分析把握對象成為可能。只有作為因果派生關系，相關關系才可能通過量化把握具有因果關系的對象。相對而言，因果關系更適用于質的把握，因而在定性研究上有優勢；而相關關系則更適用于量的把握，因而在定量研究上有優勢。通過因果派生關系即相關關系把握因果關系，雖然失去了必然性和方向性的優勢，但是能夠通過量的強度和正負值更有效地定量把握對象的因果關系，只是對于從相關關系到因果關系的推斷要進行更多的深層次研究。由于在相關關系中，因素和結果之間的關系是對因果關系最直接的反映，大數據基礎上的因果推斷必須以相關關系的因果派生類型為根據。要進行正確的因果推斷，必須區分不同類型的相關關系，用因素分析模型排除因素間和結果間的相關關系，得到因素和結果間的相關關系，這樣才可能用統計的方法定量地把握對象的因果關系。
由此可見，相關關系意味著對事物過程的定量描述模型；而因果關系則意味著對事物過程的定性描述模型，二者都不可或缺。在復雜性系統和心靈哲學的身心關系研究中，可以感覺到來自兩個相對方面的需要。以相關關系取代因果關系是短視；而以因果關系排斥相關關系則是固步。只有二者內在結合，才是描述事物過程的更合理方式，才能有對因果關系的全時態把握。原因的形成就是潛在因果關系的現實化，也就是從因素關系到因果關系。因果關系從潛在到現實，正是因素進入相互作用的過程。這個過程對人類活動之所以重要，不僅因為那是從一個由相關因素構成的可能性空間，通過選擇滿足自己需要的過程，更因為這是一個可以運用數學方法，通過定量分析進行創構的過程。因素進入相互作用前后的不同，說明了對作為一個過程的因果關系進行不同階段研究和分析的重要性，這正是定量分析的因素關系基礎，它是大數據分析的因果根據所在。
(三)相關分析的因果派生依據
作為主要反映相關性的關系體系，大數據給人遠離作為其根基的因果基礎之感。表面上看，大數據所呈現的相關關系比因果關系更簡單，但在相關關系之下，大數據卻具有另一種復雜性。一方面，“就像宇宙大部分都是真空，大多數數據都只是噪聲”。另一方面，“離開具體情境，數據一無所用”。事實證明，人們常常“將相關關系誤為因果關系，將噪聲誤為信號”。(20)個中原因很多，既有大數據本身的，也有人們關于因果關系和相關關系的主觀感知方面的。
埃絲特·戴森(Esther Dyson)曾談到，人們對有關足球或賭博中統計性的理解水平讓人驚訝，因此自然也就希望，“人們對相關關系和因果關系的區別同樣有一種天生的理解”(21)。但實際上，不僅人們對相關關系和因果關系的直覺機制很不可靠，而且大數據相關關系所掩蓋的實際內容也極為復雜。有別于“數據會自己說話”這種表層感覺，很多大數據研究者明確指出，“作為一堆海量原始信息，大數據不是自明的”(22)。美國“數據和社會研究所”的創立者丹雅·博伊德(Danah Boyd)不僅認為大數據不是自明的，而且認為數據本身沒有確定性。她的態度非常明確：“數字自己會發聲嗎?我認為，回答是一個響亮的‘否’。”在她看來，不僅數據自己不會說話，而且“海量數據可以提供輻射到所有方向的關聯”。(23)因此，一方面，大數據分析和操作與人們的主觀選擇有關；另一方面，人們對特定相關關系的理解不可避免地具有在先的理論前提。紐約大學教授麗莎·吉特爾曼(Lisa Gitelman)致力于文化數據研究，她甚至認為原始數據是一個矛盾體，對于數據的想象，每一個學科和學術機構都有自己的規范和標準。(24)這正是人們有這樣一種感嘆的原因：“在數據中，將相關關系誤當因果關系并找到誤導性模型，那太容易了。”(25)由此可見，大數據所呈現的相關關系遠不是像表層操作中那么簡單，以往關于外部世界認識的全部復雜性，都轉移到了我們自己的理論根據，從而關系到大數據相關分析的因果性基礎。在實際運用中，“大數據浮夸”正是由此導致的典型現象。這與大數據研究的真正問題所在密切相關，而所有這些都指向大數據的因果根基，指向大數據相關分析的理論基礎。
對因素進入相互作用前的相關關系進行分析固然重要，但在因素分析的基礎上再深化到因素相互作用過程的原因及因果分析，仍然在人類認識的深化中具有更為重要的地位。關于這一點，已為大數據研究中審慎而具有遠見的專家所認識。內特·西爾弗(Nate Silver)就認為，“在大數據時代，這樣的說法越來越司空見慣：有了這么多信息，誰還需要理論？但對預測來說，這樣的態度絕對是錯誤的，尤其是在像經濟那樣的領域，數據那么雜亂。有了理論或至少關于其根本原因的某種更深入思考，統計推理就要更可靠得多。”(26)而在大數據中越來越重要的因果推斷，則不僅對因果性理解提出了更高要求，而且本身就表明了數據分析的因果旨歸。在大數據中，因果推斷即通過數據所反映的相關關系還原因果關系。這一因果關系還原過程是將數據變量之間的相關關系還原為因素相互作用過程，典型的如將數據關系還原為物的關系，也就是通過變量之間的關系認識因素相互作用關系，通過數據關系認識物的關系。作為因果檢驗模型，格蘭杰因果檢驗是有效的，只是這一模型所檢驗出的不是原因和結果之間的關系，而是因素和結果之間的關系。所測出的關系強度也只是該因素在作為原因的因素相互作用過程中的作用強度。而通過變量之間的相關關系強度，只能檢驗出特定因素與結果之間的因(素和結)果關聯，而不是真正意義上的因果關系。任何根據變量關系檢驗因果關系都只能檢驗出相關關系，而且只是檢驗出因素和結果間相關關系。當我們不滿足于對大數據的相關因素分析，試圖從“是什么”深入到“為什么”時，就必須進到因果關系的深層次研究。
重新刻畫的因果概念使我們看到，在大數據時代，因果關系不僅不會退居次于相關關系的地位，而且相反，作為因果派生關系，相關關系的當然基礎是因果關系。作為因素相互作用過程的確定性關系，因果性不僅在更深層次關系到大數據的根基，而且關系到大數據更深層次的哲學內涵。
四、大數據的深層哲學內涵
作為與人類生存方式密切相關的新的存在方式，大數據提供了充分展開因果關系至其派生的相關關系的基礎，具有深刻豐富的哲學內涵。基于其因果關系基礎及作為因果派生關系的相關關系，在更深層次反思大數據的哲學內涵，無論對于大數據研究還是哲學發展，都當具重要意義。
(一)因素關系的未來空間凸顯創構認識論
大數據提供了相對于潛在結果的因素關系空間，從而拓展了我們關于因果關系的理解，使人類的創構活動空前凸顯，并以鏡像方式將描述性認識和創構性認識呈現在人們面前。大數據所凸顯的創構性認識，不僅意味著數據物化的認識論基礎，而且意味著認識論的一個重要發展，具有深層哲學內涵。
關于創構活動的哲學反思，將形成一種不同的認識論。由于人工智能的發展，在關于認知系統設計的研究中，人們將認識論興趣初步分成“程式認識論”和“描述認識論”。程式認識論旨在研究如何建立認知系統，而描述認識論則旨在研究如何描述系統運行時的功能。(27)在程式認識論基礎上，虛擬技術使人們對這一認識論維度有更深入的理解，而大數據則給我們提供了進一步深入理解這種認識論的基礎。在認知系統設計的研究中，由于首先是創建一個認知系統，然后再描述其運行功能，這在認識論上與描述一個自然對象等價。在這個意義上，描述認識論是關于如何描述系統運行功能的，因此程式認識論在先，描述認識論在后。首先是如何建立認知系統的問題，然后才是怎樣描述系統運行功能的問題。而在以往的認識論研究中，則主要是如何描述既存對象，因而是更廣義的描述認識論。與“描述認識論”相對應，“創構認識論”更符合虛擬技術條件下，大數據出現之后的信息時代的性質。
因此，描述認識論是研究人類認識中以符號、語詞和模型等摹寫既存對象的性質、結構、前提和基礎、發生和發展過程及其規律等的理論；而創構認識論則是研究人類認識中創設從未存在過的感性對象的性質、結構、前提和基礎、發生和發展過程及其規律等的理論。描述認識論更具求真的特質，創構認識論則在因果根據的基礎上，更具求善求美的特質。
描述認識論和創構認識論的明顯分化，使得描述認識論意義上的因果關系，與創構認識論意義上的因果關系關聯了起來，從而提供了在描述和創構之間深化因果關系理解的現實空間。
在描述認識論中，對象是因果關系，因為客觀事實都是因素關系凝固的產物；而在創構認識論中，對象則是因素關系，因為可操作的對象必須是沒有被凝固為因果關系的因素關系。正因為如此，創構認識論和描述認識論的不同，首先在于描述認識論主要基于因果關系，而創構認識論則主要基于作為因果派生關系的因素間相關關系。
創構認識論和描述認識論的另一重要不同，甚至涉及作為哲學核心內容之一的“意義”。在描述認識論中，因果關系的意義在于它與對象本身，越是反映對象根本性質的因果關系，意義越大；而在創構認識論中，因素相關的意義則取決于我們所要達到的目的，也就是取決于我們想象中的創構物。因此，與描述認識論中的情景不同，在創構認識論中自然就“不再強調意義的真實來源，而是強調意義如何被生產”。(28)前者是以事物存在和運動的“真實”為標準，而后者則是以滿足我們實踐的需要和達到認識的目的為標準的；前者的檢驗主要看是不是真實，后者的檢驗則主要看是不是能滿足或開發人的需要，以及滿足或開發人的需要到什么程度。
創構和描述、創構認識論和描述認識論一方面具有很大不同，另一方面又彼此內在相關。從描述認識論主要認識既存事物，到根據大數據提供的相關因素去建構新的事物，這意味著描述認識論意義上的因果性主要是由果溯因，而創構認識論意義上的因果性則更多是由因(素)構果，在一定意義上，這可以說是一個時代的轉換。由于相關關系的意義主要在未來而不是過去，其價值主要在于以一定的方式進入相互作用能得到一定的結果，因此對于未來結果的預測，甚至某種程度的把控，意義重大。一方面，未來是我們創構的；另一方面，只有在創構中，才可能真正有效地預測未來。這正是從由果溯因到由因(素)構果的轉換，相關關系落實到因果關系之上的結果。
在大數據中，由于涉及創構，因素間相關關系的確擁有更好的前景。而作為因果派生關系，由于具有因果根基，由于具有量的把握的有效性，整個大數據相關關系則不僅使我們對因果關系的理解擴展到因素相關，而且量化的因素分析不僅作為方法，而且作為整體把握的手段，在哲學上具有重要后果。
(二)因果派生關系的全數據定量分析呈現量的整體把握
把原因看作因素相互作用過程的描述，不僅可以揭示創構活動的認識論根據，因素關系本身就表明大數據相關分析就是具有方法論意義的因素分析，而且還將為大數據分析提供方法論基礎。而通過量化世界，以定量的方式把握世界，則本身就具有重要哲學內涵。
當“量化一切”被視為“數據化的核心”，人們提出了“量化世界”的觀念。在大數據基礎上，數據化似乎使量化世界的理想離現實已經不遠。在大數據中，物數據化使人們對世界事物的整體把握呈現全新的前景。由于物數據化的結果是作為因果派生關系的相關關系，因此為量的整體把握奠定了基礎。
在哲學中，一個至關重要的基本問題，就是通過思辨達到對對象的抽象整體性把握。這種抽象普遍性雖然不意味著對世界的終極把握，但為具體事物的認識提供了必不可少的整體觀照。而在大數據時代，作為因果派生關系的相關關系卻給量的整體把握提供了一個重要基礎，這是與小數據時代完全不同的，正所謂小樣本時代“以小見大”，大數據時代則“以大見小”。大數據第一次使我們可以不只是通過抽象普遍性，而是在量的方面達到對一定對象的整體把握。這種量的整體把握及其重要性和必要性，早在量子力學形式體系中就得到了典型體現。只是由于人們不能從量子力學數學形式體系得到世界的物理圖景，這一體現一直遠離公眾意識而沒有發生應有的影響。與量子力學相比，大數據為我們提供了一個感性得多的場域。這是大數據與量子力學數學形式體系的相似之處，也是為什么大數據著實出色的另一個重要原因。
在量子理論中，我們一直在實證地應用其數學形式體系，但是我們也始終在尋求量子力學的理論解釋，人類不會就停留在量子力學的數學形式體系把握上。大數據領域雖然與量子領域極為不同，但也可以由此看到，在大數據時代，只問“是什么”，不問“為什么”，也只是人們進入深層次思考之前的結果。因此大數據一定會問“為什么”，只是追問的目的和方式可能跟量子領域不一樣。在量子力學中，追問“為什么”的目的是在量的把握的基礎上進一步達到對經驗對象的質的整體把握；而在大數據領域，追問“為什么”的目的則是在此基礎上創構出新的“是什么”。
大數據從量的方面建立起具體個別性的整體，為哲學的整體把握提供了新的手段，這種量的具體個別性的整體，跟抽象普遍性的整體把握具有不同的性質。由于通過思辨進行，抽象普遍性整體把握的不確定性是非常明顯的。這種不確定不是與邏輯的嚴密性有關，而是源自邏輯與經驗之間的契合性。而量的具體個別性的整體把握，卻具有全數據的確定性。雖然一方面，大數據的大部分信息是噪音；但另一方面，我們又能夠通過具體個別性全體的把握得到一個全數據意義上的整體性認識。大數據具有量化的整體性，是一個量化的整體，這使人們對世界事物的整體把握從質的抽象把握擴展到量的具體把握。通過大數據把握對象，具有與質的整體把握不同的性質。
就整體把握而言，質是對類的把握，但只是對具體事物的抽象把握；量則是對個別事物的具體把握，但只是量的方面的把握。在抽象普遍性觀照之下，這種量的把握往往有比質的把握更重要的一面。
我們通過抽象普遍性達到的整體性，在哲學中具有重要地位，但同時也存在致思方向和把握方式方面的嚴重問題。抽象概括建立在有限歸納的基礎之上，大數據則包括所有具體個別對象。即使描述都必須以某種規定為前提，在這些情況下通常都具有明顯的主體對于信息的選擇性，而大數據則在某種程度上趨向全信息。大數據使人們在分析某些現象時，可以處理海量的相關數據，而不再需要通過隨機采樣。大數據時代信息分析的這一轉變，毫無疑問具有根本性。因為大數據基礎上的信息分析不僅不涉及抽樣，而且由于所處理的都是具體的數據，還可以不通過抽象就能對一定對象有一個整體把握，而且是量的具體把握。
在大數據中，與其說“量變已導致質變”，不如說，由于大數據量的特征，在那里，量和質的關系已悄然發生變化；與其說數據化“給予我們以量化的、分析的方式描繪世界圖景的手段”，(29)不如說由于大數據的實踐特質，使我們在世界圖景的描繪中，認識和實踐這兩個基本面，已變得更為對稱。而這種對稱化的結果之一，就是從對抽象普遍性的過度倚重，走向與具體個別性的全面平衡。
在大數據領域，由于有時候量比質更為重要，因此量的全體把握對于實踐具有特別重要的意義。在大數據時代，量比質之所以有時候具有更重要的意義，就因為因果關系量化為相關關系，而大數據本身就是量的關系全體。量化的全體雖然不能全面反映對象，但不僅能看出對我們具有實踐意義的相關性，從而預測未來的可能結果，做出有用的具體趨勢性預測，而且能通過因果推斷把握對象的因果關系。更為重要的是，我們總是采用更能滿足需要的相關因素和因素相關，通過相互作用生成我們所需要的結果，達到我們的認識目的，滿足我們的實踐需要。現在開始流行的定制，就是通過大數據這個全體，觀照個別顧客具體需求的有效方式。正是大數據的使用和人的需要的特殊關聯，使大數據具有另一重要深層哲學內涵。
(三)因果關系從描述到創構彰顯哲學以滿足人的需要為最終目的
大數據的另一個深層哲學內涵，則是人作為重要因素，可以通過調控其他因素，形成自己的預期結果，以滿足自己的需要，因此，大數據以及在其基礎之上的活動，使以人的需要為出發點，以滿足這種需要為最終目的，在哲學中彰顯出來，從而使當代哲學與傳統形而上學的關系更為清晰。
傳統形而上學從抽象普遍性出發，總是自覺不自覺地把抽象普遍性達到的最后的本質當作哲學的終極追尋。哲學在馬克思那里，已經完全回到了感性實踐。回到現實生活實踐，歸根到底就是回到人的需要，回到人的需要這一出發點，以人的需要為出發點，以滿足人的需要為最終目的。
對既定存在對象的描述性認識，我們必須盡可能保持認識的客觀性，而在創構活動中，面對海量信息，人們則主要從自己的需要出發，采用對人有益、有用，能滿足人的需要的信息。在大數據時代，無論創構什么，都是以人的需要為出發點，而不是以追尋現象背后的終極原因甚至絕對的真為終極目的。因果關系是描述模型，而不是描述的對象。正因為如此，在大數據時代的信息分析中，發生了另一個重要轉變：從熱衷于精確度追求，轉向由不精確數據反映的更小幾率得到大趨勢規律。這與認識目的和實踐需要有關，并不意味著客觀性的喪失，更不意味著對因果關系理論本身意義的否定。
毫無疑問，“在很多情況下，相關關系自身極為有用”，但“運行數字和找到相關關系絕對不夠”，因為“問題是，在分析這些數據集合的一開始，我們就必須對某些真正的核心理論作出決定性選擇”。(30)此外，正是理論使數據及其使用和人的需要構成一個整體，賦予數據以意義。事實上，在理性場域，即使否定因果性也必須依賴因果觀念，這意味著，即使否定理論本身也必須依靠另一種理論，而這樣一來，必定陷入理性的自我矛盾之中。理論不僅必不可少，沒有理論，數據毫無價值，甚至沒有意義；而且，就像描述性認識中的描述和解釋，創構性認識中的數據和理論互不可缺。一方面，“在實踐中，理論和數據相互支撐。那不是一個關于數據相關關系對陣理論的問題。數據相關關系的使用使人們可以檢驗和精煉理論”(31)。另一方面，即使觀察都滲透了理論，數據的理解及其與人類需要的關聯等，總是必須在一定的理論基礎上進行，只是不要反過來，以理論本身為終極追尋。
大數據不僅意味著不以抽象普遍性為終極追尋，甚至也是不以終極因果性為最終追尋的最好例子。大數據使我們看到抽象普遍性追尋的意義和價值，同時又不會迷失于對它的終極追尋。就像抽象普遍性一樣，相關性更不是終極目的本身，它的價值在于其所曉示的相關關系，只是必須理解相關關系的因果派生關系性質，從而使其落實到因果性根基之上。在因果性根基之上，作為因果派生關系的相關關系使因果關系本身研究的重要進程得以充分呈現。
因果關系的研究經歷了一個從實在論因果觀到描述論因果觀的發展。實在論因果觀陷于終極原因不能自拔，因此在休謨和康德之后，無論在哲學還是在科學中，無論在量子力學還是統計學和計量經濟學等學科中，因果觀念的實在論研究都發生了描述轉向。而在大數據時代，從描述擴展到創構，因果關系的研究由主要對既存對象的描述，擴展到對潛在對象的創構，從而由于涉及創構而涉及意義的創生，涉及與人的需要的直接關聯。正是大數據所推進的因果關系研究，最典型地曉示了以人的需要為出發點，以人的需要的滿足為最終目的的哲學本性。
京公網安備 11010502049343號