2025年6月30日，由中国公共外交协会、环球网、上海交通大学、同济大学、澳门大学、北京外国语大学共同主办的第四期全球名校“Z世代”青年连线活动成功举办。围绕“大数据分析如何驱动AI优化与创新”的主题，新西兰奥克兰大学学生段雨晴指出：驱动AI优化与创新的关键不仅是数据的数量，更在于用聪明的方式解读复杂性，这正是Z世代的优势所在。 在当今社会，大数据早已不是一个新鲜词汇，而是我们这一代人成长的真实背景。我们不仅被数据所包围，更是在纷繁复杂的数据信息中学会了如何辨别、整合与思考，从而形成了独特的“数据直觉”。 首先我想提出一个观点：在某些场景中，适度保留“脏数据”反而比过度清洗的数据更具价值。例如，在金融领域的欺诈检测中，欺诈行为往往呈现出非典型、异常和不可预测的特征。如果我们在模型训练阶段将这些“异常值”一概清除，便可能错失识别欺诈行为的关键线索。 这个现象让我联想到Z世代的成长轨迹。我们这一代人从小浸润在信息爆炸、真假交织的数字环境中，但正是这种复杂的生态，锤炼了我们从噪声中提取价值信号的独特能力。真正重要的是，我们要能分辨哪些混乱是有意义的，哪些只是随机噪音。这种能力既适用于人，也适用于AI系统。 其次，推动AI优化的另一关键是跨域数据融合。Z世代的思维模式天然就是多维度、跨领域的，这为我们理解大数据的真正价值提供了独特视角。在金融领域，分析不再局限于传统的财报或股价数据，而是融合图像、社交媒体评论、App使用行为等多源数据，从而更全面地理解市场动态。以我参与的ESG（环境、社会与公司治理）研究为例，如何将公司环境影响转化为可量化的风险指标，这一过程需要的不只是技术手段，更需要洞察力与创新思维。在传统的经济指标滞后的情况下，我们仍可通过融合谷歌搜索趋势、地理位置数据等实时信息，及时掌握社会运行状态，这就是“智能融合”的力量所在。 最后，我想谈的是从“大数据样本”向“小数据样本”的转变趋势，以及由此带来的“学习如何学习”的重要性。AI领域正经历从依赖海量数据到借助少量样本进行快速适应的技术跃迁，这主要得益于“元学习”（Meta Learning）的发展。过去，AI模型往往需要上万个样本才能训练出可靠结果；而如今，我们更注重让模型学会“迁移”与“泛化”。 例如在医疗领域，对于罕见病症，本就难以收集大量病例，但元学习能够让AI先从常见病中学习通用模式，再通过十几例罕见病样本实现有效识别。在金融中，这同样适用于数据稀缺的新兴市场，通过借鉴成熟市场经验，AI可以迅速适应并作出调整。 这一转变带来两大优势：首先是隐私保护，因为对数据量的依赖减少，使我们可以用更少的用户数据完成任务；其次是响应速度提升，使AI在变化迅速的现实世界中也能保持高效。 总之，驱动人工智能创新不仅仅在于拥有更多的数据，而在于如何处理复杂信息、实现跨领域融合，以及快速适应新挑战。这正是大数据分析所带来的深层价值，也正是Z世代所具备的独特能力——创造力、适应力，以及对世界的敏锐感知。
