这些问题全都要考虑到，因为它们会影响到统计推断的质量，它们会让误差增加，这是很常见的工业界对员工的要求，但是在学术界并没有这样的领域能提供这些解决方案，至少对我而言是这样。我认为这是下个世纪的挑战，不是把我们现有的想法拿过来直接应用，而是作为科学来认真思考和践行。所以，这个问题上一个非常有帮助的表述是——计算思维和推断思维的结合。

　　计算思维不是说知道如何编程和使用数据库，而是一种思想。关于思考一个问题的抽象概念、模块性、性能……一切你在计算机课堂上学到的东西，而不仅仅是编程。计算机背景的人应该很熟悉这些，不熟悉的可能是推断思维。那是已经有超过两百年历史的统计学里的东西，不是一个新的领域，不是拿到数据就开始进行操作，像做数据库的人那样。

　　首先要考虑数据从哪来，数据背后是什么，数据获取的过程中有什么问题，这就是推断，还不严格属于计算机科学的研究范畴。即便最后得到的东西都是所谓的算法，你也必须思考背后的统计采样和总体。所以其实我并不是太喜欢机器学习这个词，我认为并没有什么新东西，还是统计思维。但是因为计算机科学家不太懂统计推断的东西，所以他们取了一个新名字叫做机器学习。

　　很多机器学习的工作都没有考虑推断、采样以及总体，只是把机器学习模型应用到数据却没有得到正确的答案，因为没有考虑偏差、因果推断等内容。我认为把两者结合起来并且认真研究是真正的挑战。我我以前更多关注算法和系统，过去几年越来越像个理论家，逐渐更关注理论同时在某些方面也是关注系统。我在实验室里设计系统的过程中看到了理论性的问题，所以我去寻找计算机和统计的理论，它们有什么概念可以怎么结合起来。所以我们发展了数据科学这个交叉学科，这并不容易。

　　统计决策理论里有损失函数和风险，但它的基础理论中没有运行时间的概念，你可以去查看几十年来成千上万的统计决策相关的论文，你不会看到任何一篇提及了运行时间；同样地，在计算机这边你可以找到成千上万的论文讨论复杂度，各种复杂度理论，但是却找不到关于统计风险的文章。而利用统计风险理论可以控制基于数据的错误率。此外，对统计估计问题的深刻理解不仅仅包括学习算法、还包括学习下界，学习你可能做的最好的是什么，但是在计算机理论里却没有太多关于下界的。有倒是有，但是不多。

　　接下来的演讲将进入我今天的重点主题，谈谈一些关于“理论”（theory）的问题。在统计学“推算”(inference)概念上的“计算”(computational)限制，以及一些关于建立数据分析栈的问题。差不多是AMP实验室里所做的事情，以及后续的叫RISE实验室的一些发展动态。

　　我们已经建立了一个系统来替代Spark。我想告诉大家，事实上这是我首次向公众宣布这个信息。这个打算替代Spark的工程正在进行中，这个替代会在1月份完成，而我在今天就宣布了。

　　我们现在来谈谈一系列问题，我使用一个私人数据分析的案例。这些隐私数据与你们是否相关可能并不重要，但它们的确引出了一些需要承载的问题。人们通常拥有数据，并希望这些数据发挥作用，但他们也希望他们自己的数据能得到保护，比说谁知道他们的数据。

　　试想一下，接下来的几年的医疗数据，你们当中的大多数人可能会得到你们的基因组序列，现在需要花费500美元去获得它。或许在五年或十年的将来，去找你的医生时，医生可能会对你说，在杯子里留一些你的血液或唾液，这样我就能获得你的基因。他会获得你所有的三十亿对基因，并且会存入数据库，他们将用这些数据做什么呢？

　　去预测你可能将来会患的所有疾病，也会尝试用于生物医学，以及生物信息学。他们未来会尝试通过给定的基因找出相对应的药物，并且把基因在一些方面表现出的缺陷和相对应的治疗联系起来。这是一个很好的机会，但也会带来很多问题，特别是隐私问题。