这种范式的核心，还是“先有理论，再用计算机验证”，计算机只是个“超级计算器”。缺点是如果理论模型建错了，模拟出来的结果就全错了——比如你用了一个错误的“西红柿炒鸡蛋配方”输进电脑，电脑模拟出来的味道再香，实际做出来还是难吃。
（四）第四范式：数据密集型科学——让数据自己说规律
这就是Jim Gray最核心的贡献，也是最符合现在大数据、AI时代的研究范式。它的核心逻辑和前三个都不一样：不再需要先提出理论假设，直接让计算机从海量数据里找规律。
简单说，前三种范式都是“假设驱动”：先猜一个规律（比如“盐放少了菜会淡”），再用实验、理论或计算去验证；而第四范式是“数据驱动”：直接把海量数据扔给计算机，让AI算法自己从数据里扒拉“什么因素和结果有关”，甚至能发现人类根本想不到的规律。
举个真实的例子：科学家把160万份医院病历数据输进计算机，AI从里面发现“做过阑尾切除手术的人，患帕金森病的概率比普通人低40%”——这个规律人类之前完全没意识到，既没有理论假设，也没法通过实验刻意验证，就是数据自己“说”出来的。再比如金融机构用第四范式的思路，把几千万条交易数据给AI分析，AI能找出人类看不到的“欺诈交易特征”，比如“某个时间段、某个地区的小额转账，大概率是诈骗”，这就是数据驱动的威力。
还是拿西红柿炒鸡蛋举例，这就像你把全世界几亿人做西红柿炒鸡蛋的配方、食材、口味评价数据都输进智能系统，系统自己分析出“在南方，西红柿炒鸡蛋放糖的比例是80%，且糖放0.8勺时好评率最高；在北方，只有30%的人放糖，盐放0.6勺时好评率最高”——你不用先猜“南方人是不是爱吃甜”，数据直接告诉你答案，甚至还能发现“用熟透的西红柿做，口感评分高20%”这种你根本没想到的细节。
三、第四范式的核心特点：为啥它是数据时代的“新套路”？
Jim Gray提出的第四范式，不是凭空来的，而是跟着大数据、云计算、AI技术的发展应运而生的。它有三个最核心的特点，每一个都戳中了现在“数据爆炸”的时代痛点：
（一）数据是“主角”，不是“配角”
在前三个范式里，数据只是用来验证理论的“工具”，比如做实验测几个数据，用来证明牛顿定律是对的；而在第四范式里，数据本身就是研究的核心资源。现在的传感器、手机、互联网，每天都会产生海量数据——比如一辆新能源汽车每天产生TB级的行驶数据，一个医院每天产生几十万条病历数据，一个电商平台每天产生几亿条消费数据。这些数据就像一座“金矿”，第四范式就是用AI当“挖矿工具”，从金矿里挖规律。
而且这些数据是“全量数据”，不是以前的“抽样数据”。比如以前做市场调研，只能抽1000个人问“喜欢什么产品”；现在直接分析1亿用户的消费记录，数据更全面，找出来的规律也更靠谱。
（二）计算机是“规律发现者”，不是“计算器”
在前三个范式里，计算机最多只是个“超级计算器”，帮人类算复杂的公式、做模拟；但在第四范式里，计算机成了“主角”，用AI算法自主挖掘规律。比如用机器学习的算法分析工业设备的运行数据，AI能自己找出“温度超过80℃、转速达到3000转时，设备故障概率会增加5倍”的规律，这个过程不需要人类提前设定“温度和故障有关”的假设，全是AI从数据里分析出来的。
这就突破了人类的认知局限——人类的大脑最多能同时思考几个因素，而AI能同时分析几千、几万个因素之间的关系，找到那些人类根本想不到的关联。
（三）不追求“因果关系”，先抓“相关关系”
前三个范式都特别在意“为什么”，也就是因果关系，比如“因为万有引力，所以苹果落地”；但第四范式更在意“是什么”，也就是相关关系——只要从数据里发现“两个事物同时出现的概率很高”，就算暂时不知道为什么，也能用来做预测。
比如电商平台通过数据发现“买尿不湿的顾客，有30%会同时买啤酒”，虽然暂时搞不懂“尿不湿和啤酒有啥因果关系”，但平台可以把尿不湿和啤酒放在一起卖，提升销量；再比如气象数据显示“当东南风风速达到5级、湿度超过70%时，明天大概率下雨”，就算不知道具体的气象原理，也能靠这个规律精准预报天气。
当然，这不是说因果关系不重要，而是第四范式告诉我们：在数据足够多的情况下，先抓住相关关系解决实际问题，再慢慢研究因果关系，效率会高得多。
四、第四范式对现实的影响：不止是科学研究，还改变了企业做事的逻辑
本小章还未完，请点击下一页继续阅读后面精彩内容！
喜欢大白话聊透人工智能请大家收藏：(m.2yq.org)大白话聊透人工智能爱言情更新速度全网最快。