数据迷信是指学者们尝试将数据视为一个独立的研究对象，进而提出了所谓的“数据界”概念（复旦大学）。然而，关于脱离具体应用领域的“数据界”究竟具备哪些共性问题，目前仍不清楚。

一些学者认为数据迷信介于哲学和自然科学之间，是一种超自然科学（澳门大学赵伟）。要提炼出“数据界”的共性问题，还需要一段时间的理论积累。至少在未来5到10年内，需要更多精力解决大数据带来的技术挑战。通过多层次的抽象化过程，大数据的共性问题才会逐渐明朗，研究路径应从白盒研究逐步转向黑盒研究。

数据迷信是数学（如统计、代数、拓扑等）、计算机科学、基础科学和各类应用科学融合而成的学科，类似于钱学森先生提出的“大成智慧学”，即只有集大成者才能获得真正的智慧。

那么，推动大数据发展的主要动力有哪些呢？

1. 促进经济发展 大数据热潮的主要推动力来自网络服务公司。地方政府推动大数据规划的主要目标是增加GDP。但大数据的作用更像是蜜蜂，它的重要价值在于传播知识，而不是直接创造经济价值。广义的大数据产业虽然在2013年的产值仅为186亿美元（Wikibon），但几乎涵盖了所有产业。麦肯锡公司预测，开放数据在教育、医疗等七个行业中可以释放3.2至5.4万亿美元的经济价值。

2. 促进社会公平正义 开发政府大数据的价值，大数据时代的国家治理。经济系统类似于人体的血液循环系统，信息系统则类似于神经传导系统，两者各有其重要性，无需用一只手证明另一只手的价值。

3. 促进科学研究（尤其是基础科学）的发展 大数据为科学研究提供了新的工具，类似于望远镜和显微镜，开启了第四范式。计算机科学的新领域也随之诞生，这为数据科学的形成和发展奠定了基础。例如，门捷列夫的周期表为化学成为一门科学奠定了基础。现在，在生物学领域，基因组学扮演着类似的角色，材料科学、化学、制药、生理学、病理学和干细胞研究等领域都在探索基因组。这些基因组都是构成整体的基本元素。为了发现这些基因组，研究人员必须利用计算机对海量数据进行分析，从而催生了各种“信息学”。

自20世纪70年代末期以来，围绕计算复杂性形成了以算法研究为核心的计算机科学。随着计算机科学与其他学科的交叉融合，计算机科学的研究重点将逐渐转移到以基因组学为重点的数据科学。现在，我们正处于发现新的门捷列夫周期表的时代。

计算理论的新研究方向 传统的计算复杂性理论关注的是当问题规模增大时，计算量如何变化，即从小问题预测大问题。而大数据的问题一开始就提供了全部数据，因此需要反向思考如何找到减少规模的数据，而问题的本质属性并未发生大的变化。

如果说传统的计算复杂性理论衡量的是规模扩大带来的复杂性增长，那么大数据的计算理论应该衡量的是规模压缩带来的难度。如果数据规模扩大时，反映数据间关系的网络结构保持良好的相似性，那么这是一个相对容易处理的大数据问题；反之，如果网络结构发生了显著变化，那么这就是一个难以处理的大数据问题。

培养“π型人才” 越来越多的研究人员开始在数据科学领域探索，数据驱动型的发现将成为常态。熟练处理大量数据集的能力很快将成为传统科学领域的必备技能，所有的科学都将迅速转变为数据科学。在其他领域，科学家可能需要几天时间才能完成的数据处理，有经验的计算机科学家可能只需几分钟即可完成。在各个领域培养熟悉数据分析的研究人员，使他们具备跨领域的双足支撑，以便更好地前行。

高等教育应对大数据时代的新挑战 面对大数据时代各领域的科研新挑战，高校计算机系需要调整和增设与数据采集、整理和分析相关的课程。