實際上現在很多大資料領域的老師都在帶領團隊從事“小資料”的研究，這也是高校老師尋求創新突破的一個重要方向，而隨著大資料在行業領域的落地應用，資料問題進一步突出，如何能夠利用相對有限的資料來完成預測和決策，更具有現實價值。

在大資料發展的初期，大家幾乎都在追求“大資料”，似乎大資料能夠解決一切問題，而早期由於網際網路領域積累了大量的資料，在這種背景下，大資料確實解決了很多問題，很多高校老師也積極推動了大資料的產業應用，這個期間不論是對於企業，還是對於老師和學生來說，都是黃金期。

對於企業來說，透過引入大資料技術，構建資料中臺，基於資料和大算力來訓練各種模型，以此來推動業務創新，這確實帶來了顯著的效果，這個過程中，很多老師也披掛上陣，走進了網際網路大廠。

對於學生來說，在這個大資料的黃金時期，創新點可以說是“無處不在”，在相關性理論的推動下，只要結果夠好，完全可以不解釋很多模型上的問題，或者說這根本無法解釋，所以很多同學都以調參俠來調侃自己。

但是隨著資料中臺推動業務上升的能力在減弱，大資料本身的“大耗能”，也受到了很多詬病，這也導致不少老師重新迴歸科研，重新思考大資料下一個階段的創新出口。如果僅僅靠大資料和大算力來推動創新，這無疑是一條不歸路，很多大廠正是基於算力和資料的優勢，把眾多小團隊推進了牆角。

總體上來說，現在很多科研工作者開始重視小資料的價值，這是對於前期過於關注大資料的一個修正，在特定領域，尤其是工業場景下，大資料未必有實際意義，高價值的小資料樣本往往價值更高，模型也更透明，更容易理解。