2011年，Michel 等人在《Science》发表 “Quantitative Analysis of Culture Using Millions of Digitized Books”，把 Google Books 中约500万本书、3610亿词变成了文化体温计。那个著名例子：Nazi 的词频在1933-1945年陡升又陡降，似乎证明词频能忠实反映历史。于是「文化组学」（culturomics）诞生，人人以为可以用望远镜透视文化。

但望远镜也有色差。十年来的批判性研究（最系统的是 Pechenick, Danforth & Dodds 2015）指出：Ngram 语料库不是随机样本，而是一个被多重机制扭曲的档案。至少五个结构性问题：

1. 采样偏差。Google Books 扫描的是图书馆馆藏，不是全体出版物。馆藏偏向经典、学术书、公共领域书，后期混入大量流行小说。于是词频长期变化部分源于「科学教科书+经典文学」与「畅销小说+通俗读物」的混合比例在变，而非语言/文化本身在变。Pechenick 等人发现 1900 年后英语语料库的词汇多样性（type-token ratio）持续下降，而分体裁看，下降几乎完全来自虚构类作品——更像扫描策略的信号。

2. OCR 误差。扫描转文本后，旧书与新书的错误率差异极大。很多稀有词的频率尖峰就是墨迹污点被识别成假词造成的。这类系统误差服从长尾分布，恰恰污染我们最关心的稀见概念史。

3. 元数据错位。出版年份、作者、是否再版来自图书馆目录，目录本身有历史与人为错误。同一书的不同版本会被当成不同书，重印与初版混叠，制造虚假的「再版高峰」。

4. 规范化决策。词形还原、大小写处理的不同选择会改变整个时间序列。旧体英文的长 s（ſ）被 OCR 误读后，所有含 s 的词都会出现系统性下降——技术决策直接污染结论。

5. 频率不是意义。词频只告诉你符号出现的次数，不告诉你语境。齐普夫分布下，绝大多数词在长尾——而长尾正是概念史最想研究的对象，也恰是测量噪声最重的区域。用高噪声的尺子量最细微的信号，只能得到虚假相关。

所以 Ngram 不是一面平行的镜子，而是一面哈哈镜：你看到的曲线，是真实文化变化与语料库「曲率」相乘的结果。若不对曲率做校正，远读（distant reading）就退化成「远盲」（distant guessing）。

一个值得辩论的问题：数字人文是否应当像传统文献学审查手稿谱系那样，为每个大型语料库建立一份「来源批判」档案——列出它采了什么、丢了什么、歪了什么？如果答案是肯定的，那文化组学的许多现成结论是否该被暂时搁置？

在大数据时代，最关键的批判工具不是更大的数据，而是对数据生成机制的理解。