读《智能时代》

以下内容是我在读吴军所著的《智能时代》时,按章节依自己的理解所做总结。强烈建议阅读本书,对大数据、人工智能以及这些技术对人类带来的机遇和挑战做一个宏观的了解。

前言

1956年在达特茅斯学院召开的一个夏季讨论班上,明斯基、麦卡锡、罗切斯特和香农等人提出了人工智能的概念,如今已经过去 60 余年。2016 年 Google 研发的围棋计算机 AlphaGo 以 4:1 的比分击败了韩国围棋世界冠军李世石,这是人类的人工智能领域取得的一个里程碑式的胜利。

在 1997 年 IBM 的深蓝战胜了国际象棋世界冠军卡斯帕罗夫,从难度上讲围棋的难度比国际象棋高出 6-9 个数量级。AlphaGo 依靠大数据和智能算法,使用了几十万盘围棋高手之间的对弈数据来训练自己,并且自己和自己不断地下棋来训练,这是它获得“智能”的原因。

AlphaGo 所采用的技术早在几十年前已经存在了,这些技术并非针对围棋,而是一套通用的方法。人类利用这些方法已经研发出了很多有用的东西,比如语音识别、图像识别、机器翻译等。

AlphaGo 的胜利也是人类的胜利,人们不用担心将来被机器控制,机器是按照人的意愿来工作的,因此虽然机器不会控制人类,但是制造这些智能机器的人可以。这里并不是说这些人会为非作歹,而是指他们有了能力影响更多的人,产生更大的价值。

数据

如果机械功能是人类自大航海时代以来全球发展的动力,那么数据将是下一次技术革命和社会变革的核心动力。

现象、数据、知识

数据并不一定是数字,互联网上的文字、图像等是数据,医院里的影像资料、病历也是数据。用户的购物习惯也是数据,互联网上用户产生的内容(UGC)也是数据。

信息和数据常常被混为一谈,信息可以是客观存在的,也可以是人类创造的。从某些数据可以得到一些信息,而还有一些数据则得不到信息,得不到信息的数据没有太多一起。通常数据中包含有有用的信息同时也包含无用的信息,人们需要采用适当的方式从这些数据中提取出人类需要的信息。只有知道如何合理的利用这些数据才找出数据中蕴含的信息,面对同一组数据,不同的处理方法得到的结果也不同,不适当的方法得到的就会使无用的信息。

数据的作用:人类的文明

人类文明中,存在很多利用数据的例子,早期人们观察并记录气候、星系的方位,利用这些数据来总结模型,来制定历法、预测农时。古埃及人观察到一年并非正好 365 天,而是比 365 天多了一点,于是他们使用 365 ×4 作为周期。

古希腊时期,托勒密利用前人观测并记录的天体运行数据建立了地心说模型,这个模型采用了 40 多个圆相互嵌套,计算起来很复杂。利用这个模型制定了日历,每年有 365 天,每 4 年增加一个闰年。在之后的 1500 年里,人们发现累计误差多出了十天,农业生产上几乎差了一个节气,影响生产,格里高利教皇在 1582 年你在日历上取消了 10 天,并讲每个世纪的最后一年的闰年改为平年,每隔 400 年再插入一个闰年。这就是我们今天所采用的日历,为了纪念格里高利十三世,这个日历也叫做格里高利日历。

波兰的天文学家哥白尼提出了日心说模型,这个模型较为简单,只需要 8 - 10 个圆,哥白尼依然继承了毕达哥斯拉的思想,认为天体运行应该是正圆。但是这个模型的误差比地心说更大,因此不能让人心服口服地接受。

后来开普勒发现行星运行的轨道是椭圆的,为此开普勒修正的日心说,并提出了开普勒三大定律。为什么轨道是椭圆的,当时也没有办法解释,直到牛顿发现了万有引力定律。因为在行星轨道形成之初,由于存在引力,如果一个行星被太阳捕获,那么在离太阳较远的地方,它的势能就比较大,动能会减小,这个时候行星就会慢慢靠近太阳,此时势能再转换为动能,速度会增大,又会远离太阳。这就形成了一个椭圆轨道。

可以看出人类很早以前就有利用数据的例子,人们通过观察,从大量的数据中总结出模型,而后再不断修正。那时候人们收集数据的需要的时间会很长,常常需要经历几百年。

相关性:使用数据的钥匙

单纯的数据可能看起来没有什么用,但是如果找到与数据相关联的事,那么数据就能反映出一些东西了。比如通过分析人们使用搜索引擎搜索某个关键字的次数,加上地理位置,就能分析出在各个地方人们都某件事情的关注程度。数据背后隐藏的信息可能很隐晦,这个时候就需要具有专业素养的人来分析其中隐藏的信息,并对这个数据加以利用。

统计学:点石成金的魔棒

在人工智能相关技术中统计学和概率论相当重要,在利用数据的时候,要考虑样本要具有代表性。比如民调调查公司在在调查民调时候,发放的调查表如果只针对某一类人群或者集中在某一个区域,那么这样的数据会是不可靠的,因为这不符合统计学中样本要多样的原则。在互联网出现后,快速廉价地获得大量数据成为了可能,这也保证的样本的多样性。

数学模型:数据驱动方法的基础

使用大数据来用已知数据对未知进行预测,这需要建立合适的模型,并且为模型选择合适的参数。在前面可以看到托勒密使用了 40 多个圆嵌套的地心说模型,而哥白尼选择使用少数圆嵌套的日心说模型。寻找合适的模型看起来比计算参数更加重要,因为使用一个不恰当的模型可能让参数异常复杂,而且还不能得出好的结果。在构建智能系统的时候,可以选择使用一个比较复杂的模型,也可以使用多个简单模型的叠加。举个例子,真实的模型可能是一个对数函数加一个线性函数,但人们并不知道,为此可以使用简单的多项式来进行拟合。这样只要数据足够多,就可以逼近真实的结果。

大数据和机器智能

在大数据之前,计算机并不擅长解决需要人类智能的问题,但如今这些问题换一个思路,利用大数据就都可以解决了。在过去只有人能具有语言交流的能力,虽然人们在上世纪 60 年代就尝试上计算机能够听得懂人的语言,但是一直收效甚微。上世纪 90 年代由于数据量的增加,加上人们使用了数据驱动的方法,这使得语音识别图像识别等技术有了重大突破。

什么是机器智能

1946 年第一台电子计算机 ENIAC 诞生,ENIAC 的计算速度只有美妙 5000 次,但这也已经比人快很多了。计算机出现后人们开始产生疑问,机器是否能够产生智能呢?在 1950 年电子计算机奠基人阿兰图灵发表了论文《计算的机器和智能》,在论文中图灵提出了一种验证机器有无智能的方法。

text=图灵测试

让一台机器和一个人同时坐在幕后,让一个人和幕后的机器和人同时进行交流,如果这个人无法分辨他是在和机器还是和人交流,那么称幕后的机器是具有智能的。

鸟飞派:人工智能 1.0

早期的人工智能方法是先研究人类是如何产生智能的,然后让计算机按照人的思路去做。这也是根据直觉最容易想到的方法。在人类的发明史上很多发明都是模仿人或者动物,比如几千年前人们就像飞起来,这个时候有人想到在自己的手臂上绑上一个使用鸟类的羽毛做成的翅膀,后果可想而知。后来人们把这种模仿人类或动物的方法论称为“鸟飞派”,也就是看看鸟是如何飞起来的,就能造出飞机来,而不需要研究空气动力学。实际上莱特兄弟发明飞机靠的是空气动力学而不是仿生学。

人工智能刚刚提出来的时候研究非常火热,人们相信用不了多久机器就能具有人类智能。而实际情况是这种“鸟飞派”的方法论没法实现真正的机器智能。在上世纪七八十年代人工智能的研究进入低谷。

另辟蹊径:统计+数据

在 20 世纪 70 年代,人们开始尝试另外一条发展道路,也就是采用数据驱动和超级计算的方法,美国工业界率先使用这一方法。IBM 在 20 世纪 70 年代在大型计算机领域已经是一家独大,为了避免反垄断调查,IBM 想不能再考虑如何占据更大的市场份额,而是如何让机器变得更加聪明一些。IBM 聘请到正在做学术休假的康奈尔大学教授贾里尼克来做这个“聪明的计算机”,贾里尼克选择做一个能够听得人类语言的机器。当时已经其他人采用的方法是提取语言中的特征,然后基于语法规则,就像是老师教学生学外语一样。而贾里尼克是一位通信专家,他把这个问题当做一个通信问题来处理,提取数字通信中采用的信源特征。然后使用足够多的样本来进行训练。经过 4 年时间研发出的语音识别系统识别准确度达到 90%,能够识别 2 万多个词。这也为解决智能问题提供了另外一个途径——数据驱动。

从量变到质变

之后随着互联网的兴起,随着数据量的增加,数据驱动的优势也愈发明显。在 2005 年 Google 采用数据驱动的方法研发出的机器翻译系统,一举超越了此前需要人工编写机器翻译使用的语法规则机器翻译公司。Google 能做到这一点一个是因为他们请到了卓越的专家,另外也是因为他们有海量的数据。

大数据的特征

大数据并不是指有很多的数据,比如统计下全国所有人的出生日期,这个数据量就非常的大,但是没有太大的意义。大数据,数据量首先要大,另外数据应该能够反应多个维度的信息。比如如今几乎所有司机都会使用电子地图来导航,这样地图提高公司就拥有了大量的数据其中包括这辆车所在的位置、车的速度等,而且这些数据还是及时的,有了这些数据地图提供商就能够根据多辆车在相同位置的速度来判断,该路段是否发生拥堵,这样其他人看到地图就可以主动地避开该路段。人可以在飞驰的列车上看到窗外的景象且瞬间明白看到了什么,而计算机做不到这一点,但这不妨碍计算机获得智能,计算机只需要换一个角度把智能问题转换为数据问题就能解决一些智能问题。

思维的革命

在无法确定因果关系的时候,数据提供了新的方法,数据中包含的信息消除了不确定性,而数据之间的联系则在某种程度上取代了原来的因果关系,帮助我们找到想要知道的答案。

思维方式决定科学成就:从欧几里得、托勒密到牛顿

欧几里得在人类所积累起来的几何学和数学的基础之上,创建了基于公理化体系的几何学,欧几里得先提出 5 条简单且直观的公设:

  1. 任意两点间可以使用直线连接
  2. 直线可以任意延长
  3. 可以以任何一点为中心,任意长为半径做圆
  4. 所有直角皆相等
  5. 过直线外一点恰有一条直线与已知直线平行

以及五条公理:

  1. 等于同量的量彼此相等
  2. 等量加等量,其和仍相等
  3. 等量减等量,其差仍相等
  4. 彼此能重合的图形是全等的
  5. 整体大于部分

然后基于以上公设和公理直接或者间接地推导出了其他的定义。欧几里得将他的公理化体系写成了一本书《几何原本》,这是一本对世界影响巨大的书,为几何学、数学和自然科学的发展奠定了基础,深深地影响了西方人的思维方式。

托勒密通过观察建立了数学模型,而后使用几百年来的天文观察数据细化模型,这种思想也影响了西方世界上千年。而后哥白尼也是基于和托勒密相同的方法提出了日心说,由于哥白尼依然采用了圆形轨道,提出的日心说的误差比较大。

后来笛卡尔提出了科学的方法论,大胆假设,小心求证,这个方法今天依然在工作中广泛使用。牛顿在其著作《自然哲学之数学原理》中利用简明的公式破解了宇宙万物运行的规律,让人们深刻认识了大自然,一些之前无法理解的现象变得有理可循。牛顿认为任何正确的理论从形式上看都是简单的且具有通用性,这与中国古代哲学中提出的大道至简思想不谋而合。

牛顿把欧几里得通过逻辑推理建立起一个科学体系的方法从数学扩展到了自然科学,把托勒密使用机械运动模型来描述天体运行的规律,扩展到了世界上任何规律的描述。后来人们将牛顿的方法论概况为机械思维,其核心思想为:

  1. 世界变化的规律是确定的
  2. 规律不仅可以被认识,而且可以使用简单的公式或者语言描述
  3. 这些规律是放之四海皆准的,可以应用到各种未知领域

牛顿之后,焦耳使用一个简单的公式描述了能量守恒原理,麦克斯韦则通过几个简单的方程式描述了电磁场。

工业革命,机械思维的结果

瓦特收到机械思维的影响觉得蒸汽机应该能够灵活地应用在各个地方,而在工业革命之前存在的蒸汽机都是为特定用途特别设计的。瓦特利用自己学习的高等数学、物理学等知识改进了蒸汽机,就此开启了工业革命的大门。后来人们有发明了各种各样的工具,产生了火车、轮船。爱因斯坦通过光速恒定这样一个结论推导狭义相对论。任何一个理论要想让人接受,就必须要说明其中的原理。人们利用现象来寻找原因,进而找到解决方法。青霉素的发明就是这样的过程,科学家发现霉菌能够杀死细菌,而后发现是因为青霉素中的青霉烷可以破坏细胞壁,而动物细胞没有细胞壁,因此青霉素可以杀死细菌二对人没有伤害。这是一个通过分析原因,根据原因找到结果的思维方式。

世界的不确定性

机械思维认为世界变化的规律是确定的,可以使用确定的公式来描述。但在有些事情,人们就无法预测结果,这看起来似乎和机械思维冲突了。比如预测经济,由于影响经济的因素太多,经济学家也无法准确预测。另外一个例子,就是抛硬币,理论来讲硬币在离手的那一瞬间,如果知道抛出的力度、角度、高度、以及地面的弹力系数、摩擦力等,可以准确地计算出硬币那一面朝上,但实际上由于测量的准确性受限,人们很难得出确定的结果。另外一个例子就是物理学中的“测不准原理”,在测量电子的位置时,需要使用伽马射线,而伽马射线会影响电子的运动,也就是测量的行为影响了测量的结果。

面对这种不确定性问题,人们想到了其他的方式来描述。比如无法测量电子的位置和速度,但是知道它们在原子核外各个位置出现的概率,因此出现了“电子云”这一模型,“云”的厚度表示电子出现在这个位置的概率。香农在概率论的基础上建立了信息论,这将世界的不确定性和信息联系在了一起。

熵——一种新的世界观

信息能否被量化度量?该如何度量?香农在《通信的数学原理》中提出了“信息熵”的概念。熵是热力学中的一个概念,用来衡量一个系统中混乱程度,当熵最大时系统无序程度最大,在一个密闭的容器中熵总是向不断增长的方向发展的。香农借用熵这个概念来描述信息的不确定性,如果要搞清楚一件非常不清楚的事情,那就需要大量的信息,如果对某件事情已经有了一些了解,那就不需要太多信息就能搞清楚。信息量的多少可以使用不确定性来度量。在网站上投入广告,如果广告提供者对你一无所知,那么推荐的广告很可能是你不感兴趣的,这样点击率也就比较低,如果知道你的某些信息,就能以此判断你可能需要的商品,这样就能大大增加广告点击率,公司的受益就会增加。这就是减小不确定性的一个例子。

大数据的本质

这个世界充满了不确定性,很多智能问题从根本上看是消除不确定性的问题。大数据的特点是数据量大、多维度和完备性。在过去由于数据不够多,即使使用了数据依然不能消除不确定性。数据的多维度的重要性在于不同的信息之间产生互信息,互信息则能加强信息的可靠性。数据量大则能覆盖各种极端情况,让系统更加可靠。大数据的科学基础就是信息论,本质是利用信息消除不确定性。

从因果关系到强相关关系

在过去人们擅长通过各种理由推导出最终的结果,但是大数据的思维是,通过大量的数据来寻找某个结果所对应的原因。在之前人们研发药物是分析病理,然后找出治疗方法,得到新的药物,如今市面上有了几千种处方药,人们在大量的实验中发现治疗心脏病的某个药对于胃病有治疗效果,这样就可以反过来寻找原因。这是一种通过结果寻找原因的思维。有的时候人们甚至不需要知道原因,比如 Google 推出了基于网页内容推荐广告的 ADSense 服务,这样可以在介绍摄影的网站上推荐摄影器材的广告,效果会比一般的广告好不少。基于大数据可能会发现在视频网站上推荐零食、在女装网站上推荐男装会有不错的效果,在视频网站上推荐零食可以理解,但是在介绍女装的网站上推荐男装的广告就让人摸不到头脑了,但是实际数据显示这样做确实会有不错的点击率,那么这样做就是正确的,人们不需要知道其中的原因。

从大量的数据中找到原因,及时不知道为什么。这给人们了一个寻找捷径的方法,要接受这种观念,相信自己不知道原因的结果这是一种勇气,也是一种思维的转变。

数据公司 Google

在智能时代科技公司比拼的一方面是技术,更重要的一方面是数据。

比如搜索引擎,用户搜索了某个关键字之后, 搜索引擎返回十多条结果,搜索引擎会根据用户的点击来调整条目的位次。比如搜索了某个关键字后,大部分用户都点击了第三条,这说明第三条更加符合需求,于是这条结果就会慢慢被调整到了第一位。当然是为了防止故意制造点击量,用户点击的数据在决定搜索结果排列顺序上不会占 100% 的权重,但是这部分数据也至少占 60% 以上的权重。

对于常见的关键字,比如“人工智能”、“VR”,因为会有很多人搜索,很容易在短期内收集到大量的数据,但对那些人们较少搜索的关键字,比如 “最大熵定理”,收集到足够数据用来训练的数据量就需要花费很多的时间。Bing 搜索引擎早期的搜索效果比较差,一定程度上就因为它起步较晚,搜集的数据还比较少。

认识到了数据重要性,搜索行业的竞争就从技术竞争转移到了数据竞争。为了收集大量数据,在使用人数不能很快提高的前提下,这些公司只能采用其他方法,比如通过输入法附加搜索功能,通过浏览器的搜索条来将用户导向某个搜索引擎,甚至还通过浏览器来收集用户在使用其他公司搜索引擎时候的点击结果。比如,使用 IE 浏览器访问 Google 搜索,IE 浏览器就能收集到用户搜索的关键字,以及点击的条目,这些数据都可以用来提升 Bing 的搜索质量,通过这样的方式,获取了用户使用 Google 时候的点击情况,也就是借用 Google 的数据来提升 Bing 搜索。当然了 Google 可能也干着同样的事情。

之前我不明白为啥国内这些公司都爱自己搞一个浏览器,比如某狗、某Q、某C等,因为通过自家的浏览器可以搜集自己想收集的数据,不管自己目前需不需要这些数据,先把收集数据的工具发展起来总不会错。因为在智能时代,数据的多少决定了一家公司产品的质量。

大数据与商业

大数据思维不是抽象的,它有一整套的方法让人们通过寻找数据的相关性来解决各种各样的难题。个人和企业在接受了大数据的思维后,都可能在做事方式上发生改变。

从大数据中寻找规律

在运用了大数据后一些看似无法解决或者比较困难的问题立刻有了解决办法。在美国毒品问题一直存在,要解决这一问题不是简单地切断从南美走私毒品的通道就能解决的。有的毒贩,在屋子里利用 LED 灯,使用盆栽的方式种植大麻。因为警察没有搜查令不能进入别人的家中,这种问题一直得不到解决。后来警方利用大数据找到了解决办法,警方使用的数据来自于智能电表,智能电表记录了家庭中每个阶段的用电情况,通过这些数据能够寻找出那些和一般家庭用电模式有差别的住户,因为使用 LED 提供光合作用的光照,一天中用电量是完全平稳的,且耗电量比较低。而普通家庭,一会儿打开电视,一会儿烧壶水用电量在一天中是波动的。找出那些可以的住户,就能有效地缩小目标。

另外一个例子是发生在某零售店,零售店老板雇佣了一个会使用大数据的员工,他们想如果能够预测之前的顾客最近需要什么,然后给他们赠送这些东西的优惠券,这些用户就更有可能来该零售店购物。比如如果能后确定某位女性近期要生孩子了,那么就为她赠送一些婴幼儿产品的优惠券。基于用户之前的购物信息,确实能够做到这一点。当发现一些顾客购买了怀孕期间可能使用的东西,比如润肤油、维生素、营养品,在基于年龄就能判断这个顾客处于怀孕阶段,当它们购买婴儿使用的毛巾或者香皂的时候,就能断定她快要分娩了。而且能够很准确地预测该顾客的预产期。并向她赠送婴幼儿产品的优惠券。使用了这样的方法后,该零售店的当年的业绩果然有了非常明显的提高。

其中还有一个有趣的情节,某天一位父亲来到该零售店,指名道姓要找经理。他问经理,你们给我才上高中的女儿发这些婴儿的衣服、婴儿车等商品的优惠券,是要鼓励她早孕吗?这位经理得知情况后立刻向这位父亲赔礼道歉。几天后,经理打电话再次道歉,并询问对方对自己的补过措施是否满意。这时神奇的事情发生了,这位父亲向经理表达歉意,表示自己的女儿真的怀孕了,而自己竟然不知道。媒体对此评论,一个零售店居然比女孩的父亲更早知道他的孩子怀孕了。

大数据能够为机构、企业带来超乎想象的好处,重要的是要能够利用信息的关联性,从数据中挖掘到有价值的信息。另外也可以看到拥有大数据的公司能够很轻而易举地刺探到个人的隐私,一定程度上我们的隐私要寄托在这些公司的好心上,我们可能也一直在说服自己,这些公司是不会讲用户的隐私泄露出来的。另外,那些大的电商公司利用大数据更好地做自己的生意,他们可能比我们自己更了解自己的需求。

巨大的商业利好:相关性、时效性和个性化的重要性

根据信息之间的相关性,可以不断加强大数据的威力,比如亚马逊这样的购物平台,通过一个客户的购物历史能够给他推荐他可能要购买的东西,另外通过收货地址可以判断另外一个客户与之可能是一家人,这样两个人的购物记录就可以整合起来,形成更加准确的推荐。实际上,亚马逊有 1/3 的销量是通过推荐商品获得的,因为很多人对家里什么并没有清晰的认识,二看到推荐后才想起自己需要这个东西。

另外,根据当地天气或者当地发生的事情,或者时间,也能够对推荐的物品进行改变。比如当自己浏览器了某个物品后,就会立刻推荐类似的东西,当自己加其中一款加入了购物车就可以推荐相关的东西,比如将电脑放进了购物车后,就可以推荐一些鼠标键盘等。这样的时效性是传统的零售行业无法实现了。

通过一个用户的购物习惯,通过个人住址推断出该用户的收入,这样就能在用户打开网站后提供个性化的推荐。这样商业推广就可以精细到个人,实现更好的推广效果。另外像 Google 这样的公司,通过 Android 手机可以收集到用户的一些很有针对性的信息,并通过 Google 账号进行关联,在搜索的时提供个性化服务。

大数据商业的共同点——尽在数据流中

在收集的数据的时候,这些数据常常显得杂乱无章,数据来源也五花八门,最后这些数据都被汇聚在了一块,只有各种信息聚集在一起,并且经过合适的处理才能产出价值。在使用的时候在从中提取出需要的部分信息,并用这部分数据做出产品。这个数据流的流向是先从局部流向整体,而后从整体流向局部。

把控每一个细节

大数据的利用往往需要人们具有敏锐的眼光,习惯于大数据的思维模式。很多地方都能够利用大数据来提升效率、增加收入,重要的是是否能够发现运用大数据的地方,以及正确地使用大数据。把握中可以把握的细节,分析当前面临的问题,利用大数据的办法来解决,很多时候能够带来意想不到的收获。

重新认识穷举法——完备性带来的结果

科学方法论认为问题具有一个统一的解决方案,它指导人们去寻找这个解决方案。在这样的前提下,使用穷举法会被认为是笨办法,在计算机编程中使用穷举法有的时候也会被认为是笨办法。但是大数据的出现,让穷举法变得合理起来。使用大量的数据,覆盖到可能出现的所有情况,计算机的计算能力能够负担得起大规模的计算。人们不在需要使用统计学中的抽样,而是直接使用全部样本,以保证模型更加准确。

从历史经验看大数据

在人类历史上每次社会变革都遵循这一个模式:

新技术+原有产业=新产品

工业革命之前,比如陶瓷业、纺织业等产业已经存在很久了,但是使用上了蒸汽机之后,原有的产业被彻底颠覆了,之前的纺织业是家庭作坊式,而使用了蒸汽机后,变成了大规模的工场模式,纺织品在市场上也从之前的不足变成了饱和。这次变革可以看做是:

现有产业+蒸汽机=新产业

在电被广泛应用之前,通信业也已经存在很久了,这个时候人们使用信鸽、或者马车来传送信息,而电报的出现彻底改变了这一局面,让信息传递更加快速。电的出现,让冶金业可以利用电解法冶炼出更加高纯度的铜、铝等金属,这在之前是很难办到的,这次变革被看做是:

现有产业+电=新产业

离我们最近的一次变革,信息技术引发了第三次技术变革,摩尔定律的出现预示着计算机的运算速度会越来越快,各行各业在使用了信息技术后,效率得以提高,资源得到了节约。而一些没有转变或者转变过慢的公司渐渐退出了历史。每一次技术革命那些积极进行思维转变的行业才能利用新技术存活下来,否则常常面临被采用新技术的公司颠覆的危险。这一时代的特点则是:

现有产业+摩尔定律=新产业

每次革命都会带来新的技术,但不一定是每家公司都要掌握新技术,做到会使用新技术完成转变就可以了。在工业革命时期只有少数几家公司生产通用型蒸汽机,而整个业界都在使用蒸汽机。电出现后,每个国家也只有少数几家公司提供电力,共计给其他公司、个人使用。信息革命也同样,只有英特尔等少数几家公司制造芯片,只有微软等少数公司提供操作系统,但是整个社会都在使用信息革命带来的硕果。

通过之前的几次革命,可以预见未来的智能革命会是下面这样的模式:

现有产业+大数据=新产业

现有产业+机器智能=新产业

技术改变商业模式

技术革命除了缔造新的技术,还引起了商业模式的改变。工业革命后,全世界从过去商品供不应求变成了供过于求。比如,人们发现购买成衣比自己在家做衣服更加划算,这让服装业兴盛了起来。

第二次工业革命后,电的出现让生产效率进一步提高,工厂不再是独自生产整个产品,而是明确分工,各自提高零件和工具,通过供应链将各个零件整合起来得到新的产品,这也促使国际标准的形成。

信息时代,商业模式变化更为明显,涉及 IT 行业的公司间的联系变得更加紧密,“安迪—比尔定律”讲英特尔(安迪-格罗夫是前因特尔CEO)生产的芯片带来的性能提升要被以微软(比尔-盖茨是前微软CEO)为首的软件公司吃掉,硬件性能的提高,给软件升级带来了可能,软件的升级利用了硬件性能的提升,这让人们不得不更换新的机器,而硬件制造商有了利润得以继续研发更快的硬件,这样就形成了一个链,各家的利益都得到了保证。虽说“安迪—比尔定律”是在个人电脑时代提出来的,但是在智能手机时代它依然适用。

历次革命反映此一个趋势,人们从最初的自给自足的生活慢慢过渡到彼此依赖,在大数据时代,IT 软件和服务业依然会是 IT 领域最好的行业。

加(+)大数据缔造新产业

智能时代眼前已经到来,原有的企业如果利用大数据将自己的商业模式做一些变革,这样才能跟上时代的步伐。比如传统的家电企业,在销售完家电后,就彻底和用户断了联系,智能够赚一次钱,如果利用大数据收集用户的信息,为用户提供个性化服务,将能够源源不断地获得利润。比如美国 GE 公司的智能冰箱,它能够检测冰箱是否该换滤芯了,到了时候可以通知用户,用户只需要点击确定,该公司就会将滤芯快递到用户手中,而一个滤芯的利润就和一台冰箱的利润相当了。这样家电就变成了联系用户和家电企业的纽带,家电企业能够源源不断地为用户提供服务,同时获取利润。

当然不一定说每家企业都要有自己的大数据部门,在未来会有专门提供大数据服务的公司,机器智能工具就如同自来水一样为全社会提供。

每次技术变革都会产生新的思维方式和商业模式,企业只有在思维上跟上新的时代,才能在未来商业中立于不败之地。

大数据和智能革命的挑战

每一次技术革命除了有生产力的需要,同时也需要技术准备,当所有的技术都成熟的时候,技术革命才能成为可能。大数据的应用设计到数据的采集、传输、存储、处理以及数据的使用。虽说现在使用的理论在几十年前就已经被提出来了,但在今天才被广泛应用,这是因为今天各项准备工作就位了。数据的采用涉及到传感器技术,摄像头、可穿戴设备、手持设备的普及给采集数据带来了便利。4G 网络、WiFi、蓝牙的普及为数据的传输提供了可能。更快速、更大容量的存储设备为存储海量数据提供了保障。更快的机器让处理海量数据成为了可能。智能革命的准备工作在信息革命后的几十年里逐渐准备完成。

在大数据时代,人们的隐私是一个大问题,我们身边遍布各种传感器、摄像头,我们的生活被窥探无疑。在一定程度上,人们为了方便不得不将自己的信息告诉给这些利用大数据的公司,而利用大数据公司应该做的是保护这些信息,做合理的加密措施,避免被个人或者被黑客窥探,如果客户的隐私被泄露,这会极大地破坏公司在客户心中的印象,客户很可能丢失。

未来智能化产业

在未来,农业、制造业、体育业、医疗行业等都将受到人工智能的影响,人们能够利用人工智能技术大幅提高生产效率。既有的一些行业在人工智能的影响下将彻底发生变革。比如农业会变得更加科学,对水资源、土地资源的利用会更加高效,产量也有望提高。而在媒体业,由于人工智能技术能够帮助编辑写出新闻稿,部分人的工作机会会受到冲击。

智能革命和未来社会

历次技术革命后,社会都会发生重大变革,新技术带来的好处的同时也带来了坏的影响。但是相比几百年前,人们的生活还是得到了保障,至于人们可能觉得没有之前感到幸福,这是方方面面的原因对人的心理造出的影响。历次技术革命后,纵观全球,率先品尝到技术革命带来的好处的只会是个别群体,而后是个别国家,最后才会全球普及。从技术革命的开始到全球大多数人感受到好处常常花费几十年的时间。历次技术革命带来生产力的提高,让原本需要多人完成的工作,只需要个别人就能完成了。这必将导致部分人失去原有的工作,而且这部分人并不容易找到新的工作,因为新的工作机会往往需要长期的培训和学习,这在未来更加明显。

在当今社会贫富差距不断拉大,但这不是简单地对富人增加税收能够解决的事情,对富人增加高额的税收会降低人们创造财富的积极性,而一个社会中拉动经济增长依靠的正是这极少数人。对于个人,在面对技术革命时,要积极寻求转变,拥抱新技术,使用新思维。努力让自己成为少数人,掌握和运用新技术,让自己长久地保持竞争力。

#读书

想要添加评论? 点击此处给作者发送邮件。 mail