「信息越多，越靠近真相」——真是这样吗？
纳特•西尔弗（Nate Silver）在《信号与噪声》一书对这句话提出了疑问。人们普遍认同的逻辑一般是，信息越多，信息流动速度越快，人们对未来的预测越准确，从而越能做出更合理的决策。但是且慢，你怎么知道你 Google 到的「信息」是有用的「信号」（有用的信息），还是干扰你的「噪声」（无关/无用的信息）呢？
我的意思是，如果你在时间充裕，方法/模型适当的条件下，你可以辨别出信号，做出合理决策。但现实往往是，你基本上总是不会拥有充裕的时间，甚至使用的方法/模型也不合适。在信息增长越来越快的现在，我们面临这样的困境会越来越多。
《自然》杂志曾刊登过一项研究，研究发现，美国几大政党对全球变暖的问题了解越多，他们之间达成共识的可能性就越小。 我们现在（这里的「现在」得比《信号与噪声》出版时间的2012年9月更早）每天产生 250 兆亿字节，如果信息每天以这个速度增长，其中有用的信息肯定接近于零。其中大部分信息都只是噪声而已，而且噪声的增长速度要比信号快得多。其中有太多假设需要验证，有太多数据需要发掘，但客观事实的数量却是个相对恒量。
人脑能力非凡，但根据 IBM 的分析，人脑的存储量不过是全球每天所产生信息量的百万分之一而已。我们对自己记忆的信息一定需要精心挑选才行。
以美国经济预测为例。美国每年公布的数据，与经济指标直接相关的有 4.5 万个，而私人数据提供者要追踪高达 400 万个统计数据。一些经济学家忍不住想要把所有数据都混合在一起，并给一般的数据穿上优质的「外衣」。第二次世界大战之后只出现了 11 次经济衰退的情况，如果一个统计模型试图解释这 11 次衰退带来的后果，就必须从 400 万个数据中选择数据，由此得出的许多相关性都将会带有欺骗性。 大数据专家热爱相关性，但如果我们不能分析出因果，我们永远无法确定该采用哪些指标去判断下一次经济衰退的迹象。
