数据主义是一种哲学和文化世界观，赋予数据流和信息处理以终极价值。它认为宇宙从根本上由数据构成，所有实体，，从生物有机体到社会制度再到计算机系统，，都可以被理解为处理信息的算法。在这种观点下，任何实体的主要目的都是为优化数据处理做出贡献，而最高善则是数据的自由高效流动。数据主义被描述为既是人文主义的继承者，也是治理和伦理新时代的潜在基础。
该术语在历史学家尤瓦尔·赫拉利于其著作《未来简史》（2017年）和《21世纪的21堂课》（2018年）中讨论后获得广泛关注。赫拉利认为，随着人工智能和机器学习的进步，一种新的技术宗教可能出现，其中信息的自由流动取代了传统的人类自由意志和个人自主观念。谷歌DeepMind联合创始人德米斯·哈萨比斯和OpenAI首席执行官萨姆·奥尔特曼也呼应了相关主题，强调需要将强大的大型语言模型与人类价值观对齐。这一概念建立在20世纪中期早期控制论思想的基础上，包括诺伯特·维纳关于反馈回路的工作以及1980年代神经网络的兴起。
核心原则
数据主义的核心信条是数据流是价值的终极衡量标准。在这一框架下，生物体的生物过程，如DNA复制，被视为信息复制算法。社会系统，包括市场和政府，被解释为分布式数据处理网络。该哲学认为，每当两个系统竞争时，处理数据更高效的系统最终将获胜。这种达尔文式的视角延伸至人类社会，技术进步不被视为一种选择，而是朝向更高信息复杂性的不可避免驱动力。
另一个关键原则是对人类中心主义的拒绝。数据主义不赋予人类固有至高无上地位；相反，它表明如果算法在决策中超越人类，那么权威应相应转移。这挑战了将人类经验和选择置于道德关注中心的人文主义传统。大卫·卡普兰和约书亚·特南鲍姆等支持者认为，将智能理解为信息处理使非生物实体能够实现或超越人类水平认知的想法合法化。
历史根源
数据主义的思想起源可追溯至1940年代和1950年代，随着控制论和信息论的出现。施乐帕洛阿尔托研究中心的研究人员在1970年代开发了强调信息共享的早期图形界面和网络概念。多伦多大学在2000年代由杰弗里·辛顿和萨米·本吉奥领导的深度学习突破提供了实际证据，表明复杂数据模式可以通过变换器和其他架构学习。该术语本身在媒体理论家文森特·莫斯可2017年的一篇文章中普及，但赫拉利的著作将其带入主流受众。
2010年代硅谷文化，特别是在亚马逊网络服务和阿里云，围绕大数据拥抱了一种准宗教般的狂热。IBM和富士通等公司将数据驱动转型作为万能药进行营销。这一时期也见证了数据增强作为标准实践的兴起，强化了更多数据必然带来更好结果的信念。
与技术的关系
数据主义与机器学习的进步密切相关，特别是深度学习和生成式AI。OpenAI的GPT系列和Anthropic的Claude模型展示了大规模数据处理如何产生类似人类的文本生成。这些系统依赖多头注意力和位置编码来处理序列信息，如2017年论文《注意力就是你所需要的一切》中由雅各布·乌兹科雷特、卢卡什·凯泽及谷歌大脑其他人员所介绍。
英伟达、AWS Trainium和Groq等基础设施提供商已构建专用硬件以加速数据处理，强化了信息是待开发原材料的观念。台积电的先进芯片制造使这些系统能够扩展，而ARM控股为边缘设备设计高效处理器。该哲学也影响政策辩论：支持者认为限制数据流阻碍创新，而批评者警告监视和隐私丧失。
批评与争论
数据主义的批评者，包括哲学家梅兰妮·米切尔和认知科学家布伦丹·莱克，认为它过度简化了复杂现象。他们主张人类意识涉及不可还原为数据处理的主观体验。阿列克谢·埃弗罗斯指出，基于相关性的学习往往无法捕捉因果推理，这是当前神经网络的一个局限。
其他人关注伦理影响。菲利波·门策尔研究了数据驱动算法如何放大错误信息，挑战了更多数据固有带来真理的假设。OpenAI和Anthropic使用的RLHF（基于人类反馈的强化学习）技术试图将人类价值观注入系统，但批评者称这是对固有价值负载过程的修补。一些学者提出替代模型，如课程学习或模型剪枝，以使系统更可解释，但这些仍属小众。
未来展望
截至2025年，数据主义仍是一个有争议的概念，而非既定教义。来自阿里巴巴达摩院和AI21 Labs等公司的大型语言模型的激增加速了其实际表达，但尚未形成统一运动。一些技术专家，包括OpenAI的布拉德·莱特卡普，看到人机协作成为常态的未来，融合生物和数字信息处理。其他人，如阿尼·巴塔查里亚，警告不要将数据视为万能溶剂。
包括麻省理工学院计算机科学与人工智能实验室和斯坦福人工智能实验室在内的教育机构正在将数据中心方法纳入课程，向新一代灌输数据主义假设。与此同时，开放小组等草根运动倡导数据权利和透明度。无论数据主义演变为正式哲学还是仍是技术乐观主义的隐喻，它捕捉了当代时代的一个决定性张力：信息相对于传统人类中心价值观的日益首要地位。