計算機在解決各種智能問題上的進步幅度并不大，但是十幾年量的積累，最終促成了質(zhì)變。

這個時代屬于大數(shù)據(jù)

簡單地講，當時無論是做語音識別、機器翻譯、圖像識別，還是自然語言理解的學者，分成了界限很明確的兩派，一派堅持采用傳統(tǒng)的人工智能方法解決問題，簡單來講就是模仿人，另一派在倡導數(shù)據(jù)驅(qū)動方法。這兩派在不同的領域力量不一樣，在語音識別和自然語言理解領域，提倡數(shù)據(jù)驅(qū)動的派比較快地占了上風；而在圖像識別和機器翻譯方面，在較長時間里，數(shù)據(jù)驅(qū)動這一派處于下風。

這里面主要的原因是，在圖像識別和機器翻譯領域，過去的數(shù)據(jù)量非常少，而這種數(shù)據(jù)的積累非常困難。圖像識別就不用講了，在互聯(lián)網(wǎng)出現(xiàn)之前，沒有一個實驗室有上百萬張圖片。在機器翻譯領域，所需要的數(shù)據(jù)除了一般的文本數(shù)據(jù)，還需要大量的雙語（甚至是多語種）對照的數(shù)據(jù)，而在互聯(lián)網(wǎng)出現(xiàn)之前，除了《圣經(jīng)》和少量聯(lián)合國文件，再也找不到類似的數(shù)據(jù)了。

在20世紀90年代互聯(lián)網(wǎng)興起之后，數(shù)據(jù)的獲取變得非常容易。從1994年到2004年的10年里，語音識別的錯誤率減少了一半，而機器翻譯的準確性提高了一倍，其中20%左右的貢獻來自方法的改進，80%則來自數(shù)據(jù)量的提升。雖然在每一年，計算機在解決各種智能問題上的進步幅度并不大，但是十幾年量的積累，最終促成了質(zhì)變。

數(shù)據(jù)驅(qū)動方法從20世紀70年代開始起步，在八九十年代得到緩慢但穩(wěn)步的發(fā)展。進入21世紀后，由于互聯(lián)網(wǎng)的出現(xiàn)，使得可用的數(shù)據(jù)量劇增，數(shù)據(jù)驅(qū)動方法的優(yōu)勢越來越明顯，最終完成了從量變到質(zhì)變的飛躍。如今很多需要類似人類智能才能做的事情，計算機已經(jīng)可以勝任了，這得益于數(shù)據(jù)量的增加。

全世界各個領域數(shù)據(jù)不斷向外擴展，漸漸形成了另外一個特點，那就是很多數(shù)據(jù)開始出現(xiàn)交叉，各個維度的數(shù)據(jù)從點和線漸漸連成了網(wǎng)，或者說，數(shù)據(jù)之間的關(guān)聯(lián)性極大地增強，在這樣的背景下，就出現(xiàn)了大數(shù)據(jù)。

智能手機和互聯(lián)網(wǎng)將繼續(xù)改變世界

大數(shù)據(jù)的時效性其實不是必需的，但是有了時效性可以做到很多過去做不到的事情，城市的智能交通管理便是一個例子。在智能手機和智能汽車（特斯拉等）出現(xiàn)之前，世界上的很多大城市雖然都有交通管理（或者控制）中心，但是它們能夠得到的交通路況信息最快也有20分鐘滯后。如果沒有能夠跟蹤足夠多的人出行情況的實時信息的工具，一個城市即使部署再多的采樣觀察點，再頻繁地報告各種交通事故和擁堵的情況，整體交通路況信息的實時性也不會比2007年有多大改進。

但是，在能夠定位的智能手機出現(xiàn)后，這種情況得到了根本的改變。由于智能手機足夠普及并且大部分用戶開放了他們的實時位置信息（符合大數(shù)據(jù)的完備性），使得做地圖服務的公司，比如Google或者百度，有可能實時地得到任何一個人口密度較大的城市的人員流動信息，并且根據(jù)其流動的速度和所在的位置，很容易區(qū)分步行的人群和行進的汽車。

由于收集信息的公司和提供地圖服務的公司是一家，因此從數(shù)據(jù)采集、數(shù)據(jù)處理，到信息發(fā)布中間的延時微乎其微，所提供的交通路況信息要及時得多。使用過Google地圖服務或者百度地圖服務的人，對比六七年前，都很明顯地感到了其中的差別。當然，更及時的信息可以通過分析歷史數(shù)據(jù)來預測。一些科研小組和公司的研發(fā)部門，已經(jīng)開始利用一個城市交通狀況的歷史數(shù)據(jù)，結(jié)合實時數(shù)據(jù)，預測一段時間以內(nèi)（比如一個小時）該城市各條道路可能出現(xiàn)的交通狀況，并且?guī)椭鲂姓咭?guī)劃最好的出行路線。

仔細推敲英語中bigdata這種說法，我們不得不承認這個提法非常準確，它最重要的是傳遞了一種信息——大數(shù)據(jù)是一種思維方式的改變。現(xiàn)在的數(shù)據(jù)量相比過去大了很多，量變帶來了質(zhì)變，思維方式、做事情的方法就應該和以往有所不同。這其實是幫助我們理解大數(shù)據(jù)概念的一把鑰匙。在有大數(shù)據(jù)之前，計算機并不擅長解決需要人類智能來解決的問題，但是今天這些問題換個思路就可以解決了，其核心就是變智能問題為數(shù)據(jù)問題。由此，全世界開始了新的一輪技術(shù)革命——智能革命。

大數(shù)據(jù)更是一種思維方式革命

在方法論的層面，大數(shù)據(jù)是一種全新的思維方式。按照大數(shù)據(jù)的思維方式，我們做事情的方式與方法需要從根本上改變。

要說清楚大數(shù)據(jù)思維的重要性，需要先回顧一下自17世紀以來一直指導我們曰常做事行為的先前最重要的一種思維方式一一機械思維。今天說起機械思維，很多人馬上想到的是死板、僵化，覺得非常落伍，甚至「機械」本身都算不上什么好詞。但是在兩個世紀之前，這可是一個時髦的詞，就如同今天我們說互聯(lián)網(wǎng)思維、大數(shù)據(jù)思維很時髦一樣?？梢院敛豢鋸埖貨G，在過去的三個多世紀里，機械思維可以算得上是人類總結(jié)出的最重要的思維方式，也是現(xiàn)代文明的基礎。今天，很多人的行為方式和思維方式其實依然沒有擺脫機械思維，盡管他們嘴上談論的是更時髦的概念。

那么，機械思維是如何產(chǎn)生的？為什么它的影響力能夠延伸至今，它和我們將要討論的大數(shù)據(jù)思維又有什么關(guān)聯(lián)和本質(zhì)區(qū)別呢？

不論經(jīng)濟學家還是之前的托勒密、牛頓等人，他們都遵循著機械思維。如果我們把他們的方法論做一個簡單的概括，其核心思想有如下兩點：首先，需要有一個簡單的元模型，這個模型可能是假設出來的，然后再用這個元模型構(gòu)建復雜的模型；其次，整個模型要和歷史數(shù)據(jù)相吻合。這在今天動態(tài)規(guī)劃管理學上還被廣泛地使用，其核心思想和托勒密的方法論是一致的。

后來人們將牛頓的方法論概括為機械思維，其核心思想可以概括成這樣幾句話：

• 第一，世界變化的規(guī)律是確定的，這一點從托勒密到牛頓大家都認可。
• 第二，因為有確定性做保障，因此規(guī)律不僅是可以被認識的，而且可以用簡單的公式或者語言描述清楚。這一點在牛頓之前，大部分人并不認可，而是簡單地把規(guī)律歸結(jié)為神的作用。
• 第三，這些規(guī)律應該是放之四海而皆準的，可以應用到各種未知領域指導實踐，這種認識是在牛頓之后才有的。

這些其實是機械思維中積極的部分。機械思維更廣泛的影響力是作為一種準則指導人們的行為，其核心思想可以概括成確定性（或者可預測性）和因果關(guān)系。牛頓可以把所有天體運動的規(guī)律用幾個定律講清楚，并且應用到任何場合都是正確的，這就是確定性。類似地，當我們給物體施加一個外力時，它就獲得一個加速度，而加速度的大小取決于外力和物體本身的質(zhì)量，這是一種因果關(guān)系。沒有這些確定性和因果關(guān)系，我們就無法認識世界。

從牛頓開始，人類社會的進步在很大程度上得益于機械思維，但是到了信息時代，它的局限性也越來越明顯。首先，并非所有的規(guī)律都可以用簡單的原理描述；其次，像過去那樣找到因果關(guān)系已經(jīng)變得非常困難，因為簡單的因果關(guān)系規(guī)律性都被發(fā)現(xiàn)了。另外，隨著人類對世界認識得越來越清楚，人們發(fā)現(xiàn)世界本身存在著很大的不確定性，并非如過去想象的那樣一切都是可以確定的。因此，在現(xiàn)代社會里，人們開始考慮在承認不確定性的情況下如何取得科學上的突破，或者把事情做得更好。這也就導致一種新的方法論誕生。

不確定性在我們的世界里無處不在。我們經(jīng)?？梢钥吹竭@樣一種怪現(xiàn)象，很多時候?qū)＜覀儗ξ磥砀鞣N趨勢的預測是錯的，這在金融領域尤其常見。如果讀者有心統(tǒng)計一些經(jīng)濟學家們對未來的看法，就會發(fā)現(xiàn)它們基本上是對錯各一半。這并不是因為他們?nèi)狈I(yè)知識，而是由于不確定性是這個世界的重要特征，以至于我們按照傳統(tǒng)的方法——機械論的方法難以做出準確的預測。

世界的不確定性來自兩方面，首先是當我們對這個世界的方方面面了解得越來越細致之后，會發(fā)現(xiàn)影響世界的變量其實非常多，已經(jīng)無法通過簡單的辦法或者公式算出結(jié)果，因此我們寧愿采用一些針對隨機事件的方法來處理它們，人為地把它們歸為不確定的一類。

反映出在信息時代的方法論：誰掌握了信息，誰就能夠獲取財富，這就如同在工業(yè)時代，誰掌握了資本誰就能獲取財富一樣。

當然，用不確定性這種眼光看待世界，再用信息消除不確定性，不僅能夠賺錢，而且能夠把很多智能型的問題轉(zhuǎn)化成信息處理的問題，具體說，就是利用信息來消除不確定性的問題。比如下象棋，每一種情況都有幾種可能，卻難以決定最終的選擇，這就是不確定性的表現(xiàn)。再比如要識別一個人臉的圖像，實際上可以看成是從有限種可能性中挑出一種，因為全世界的人數(shù)是有限的，這也就把識別問題變成了消除不確定性的問題。

大數(shù)據(jù)的本質(zhì)

首先我們必須承認世界的不確定性，這樣我們就不會采用確定性的思維方式去面對一個不確定性的世界。當我們了解到信息或者說數(shù)據(jù)能夠消除不確定性之后，便能理解為什么大數(shù)據(jù)的出現(xiàn)能夠解決那些智能的問題，因為很多智能問題從根本上來講無非是消除不確定性的問題。對于前面提到的大數(shù)據(jù)的三個特征，即數(shù)據(jù)量大、多維度和完備性。在這個基礎之上，我們就能夠講清楚大數(shù)據(jù)的本質(zhì)。

先談談數(shù)據(jù)量的問題。在過去，由于數(shù)據(jù)量不夠，即使使用了數(shù)據(jù)，依然不足以消除不確定性，因此數(shù)據(jù)的作用其實很有限，很多人忽視它的重要性是必然的。在那種情況下，哪個領域先積攢下足夠多的數(shù)據(jù)，它的研究進展就顯得快一些。具體到機器智能方面，語音識別是最早獲得比較多數(shù)據(jù)的領域，因此數(shù)據(jù)驅(qū)動的方法從這個領域產(chǎn)生也就不足為奇了。

關(guān)于大數(shù)據(jù)多維度的重要性問題，可以從兩個角度來看待它。第一個視角是「互信息」，為了獲得相關(guān)性通常需要多個維度的信息。比如我們要統(tǒng)計「央行調(diào)整利息」和「股市波動」的相關(guān)性，只有歷史上央行調(diào)整利息一個維度的信息顯然是不夠的，需要上述兩個維度的信息同時出現(xiàn)。第二個視角是所謂的「交叉驗證」，我們不妨看這樣一個例子：夏天的時候，如果我們感覺很悶熱，就知道可能要下雨了。也就是說，「空氣濕度較高」和「24小時內(nèi)要下雨」之間的互信息較大。但是，這件事并非很確定，因為有些時候濕度大卻沒有下雨。不過，如果結(jié)合氣壓信息、云圖信息等其他維度的信息，也能驗證「24小時內(nèi)要下雨」這件事，那么預測的準確性就要大很多。

最后，我們從信息論的角度來看看數(shù)據(jù)完備性的重要性。在大數(shù)據(jù)時代，在某個領域里獲得數(shù)據(jù)的完備性還是可能的。比如在過去把全國所有人的面孔收集全是一件不可想象的事情，但是今天這件事情完全能做到。當數(shù)據(jù)的完備性具備了之后，就相當于訓練模型的數(shù)據(jù)集合和使用這個模型的測試集合是同一個集合，或者是高度重復的。在這種情況下，就不會出現(xiàn)覆蓋不了很多小概率事件的災難。

這樣數(shù)據(jù)驅(qū)動才具有普遍性，而不再是時靈時不靈的方法論。

由此可見，大數(shù)據(jù)的科學基礎是信息論，它的本質(zhì)就是利用信息消除不確定性。雖然人類使用信息由來已久，但是到了大數(shù)據(jù)時代，量變帶來質(zhì)變，以至于人們忽然發(fā)現(xiàn)，采用信息論的思維方式可以讓過去很多難題迎刃而解。

互聯(lián)網(wǎng)公司的爭奪和大數(shù)據(jù)應用

今天，各個搜索引擎都有一個度量用戶點擊數(shù)據(jù)和搜索結(jié)果相關(guān)性的模型，通常被稱為「點擊模型」。隨著數(shù)據(jù)量的積累，點擊模型對搜索結(jié)果排名的預測越來越準確，它的重要性也越來越大。今天，它在搜索排序中至少占70%~80%的權(quán)重，也就是說搜索算法中其他所有的因素加起來都不如它重要。換句話說，在今天的搜索引擎中，因果關(guān)系已經(jīng)沒有數(shù)據(jù)的相關(guān)性重要了。

當然，點擊模型的準確性取決于數(shù)據(jù)量的大小。對于常見的搜索，比如「虛擬現(xiàn)實」，積累足夠多的用戶點擊數(shù)據(jù)并不需要太長的時間。但是，對于那些不太常見的搜索（通常也被稱為長尾搜索），比如「畢加索早期作品介紹」，需要很長的時間才能收集到「足夠多的數(shù)據(jù)」來訓練模型。一個搜索引擎使用的時間越長，數(shù)據(jù)的積累就越充分，對于這些長尾搜索就做得越準確。微軟的搜索引擎在很長的時間里做不過Google的主要原因并不在于算法本身，而是因為缺乏數(shù)據(jù)。同樣的道理，在中國，搜狗等小規(guī)模的搜索引擎相對百度最大的劣勢也在于數(shù)據(jù)量上。

當整個搜索行業(yè)都意識到點擊數(shù)據(jù)的重要性后，這個市場上的競爭就從技術(shù)競爭變成了數(shù)據(jù)競爭。這時，各公司的商業(yè)策略和產(chǎn)品策略就都圍繞著獲取數(shù)據(jù)、建立相關(guān)性而開展了。后進入搜索市場的公司要想不坐以待斃，唯一的辦法就是快速獲得數(shù)據(jù)。

比如微軟通過接手雅虎的搜索業(yè)務，將必應的搜索量從原來Google的10%左右陡然提升到Google的20%?30%，點擊模型估計得準確了許多，搜索質(zhì)量迅速提高。但是即使做到這一點還是不夠的，因此一些公司想出了更激進的辦法，通過搜索條（Toolbar）、瀏覽器甚至輸入法來收集用戶的點擊行為。這種辦法的好處在于它不僅可以收集到用戶使用該公司搜索引擎本身的點擊數(shù)據(jù)，而且還能收集用戶使用其他搜索引擎的數(shù)據(jù)，比如微軟通過舊瀏覽器收集用戶使用Google搜索時的點擊情況。

這樣一來，如果一家公司能夠在瀏覽器市場占很大的份額，即使它的搜索量很小，也能收集大量的數(shù)據(jù)。有了這些數(shù)據(jù)，尤其是用戶在更好的搜索引擎上的點擊數(shù)據(jù)，一家搜索引擎公司可以快速改進長尾搜索的質(zhì)量。當然，有人詬病必應的這種做法是「抄」Google的搜索結(jié)果，其實它并沒有直接抄，而是用Google的數(shù)據(jù)改進自己的點擊模型。這種事情在中國市場上也是一樣，因此，搜索質(zhì)量的競爭就成了瀏覽器或者其他客戶端軟件市場占有率的競爭。雖然在外人看來這些互聯(lián)網(wǎng)公司競爭的是技術(shù)，但更準確地講，它們是在數(shù)據(jù)層面競爭。

很多時候，落后與先進的差距，不是購買一些機器或者引進一些技術(shù)就能夠彌補的，落后最可怕的地方是思維方式的落后。西方在近代走在了世界前列，很大程度上靠的是思維方式全面領先。

機械思維曾經(jīng)是改變了人類工作方式的革命性的方法論，并且在工業(yè)革命和后來全球工業(yè)化的過程中起到了決定性的作用，今天它在很多地方依然能指導我們的行動。如果我們能夠找到確定性（或者可預測性）和因果關(guān)系，這依然是最好的結(jié)果。但是，今天我們面臨的復雜情況，已經(jīng)不是機械時代用幾個定律就能講清楚的了，不確定性，或者說難以找到確定性，是今天社會的常態(tài)。在無法確定因果關(guān)系時，數(shù)據(jù)為我們提供了解決問題的新方法，數(shù)據(jù)中所包含的信息可以幫助我們消除不確定性，而數(shù)據(jù)之間的相關(guān)性在某種程度上可以取代原來的因果關(guān)系，幫助我們得到我們想知道的答案，這便是大數(shù)據(jù)思維的核心。

大數(shù)據(jù)思維和原有機械思維并非完全對立，它更多的是對后者的補充。在新的時代，一定需要新的方法論，也一定會產(chǎn)生新的方法論。

在有大數(shù)據(jù)之前，我們尋找一個規(guī)律常常是很困難的，經(jīng)常要經(jīng)歷「假設——求證——再假設——再求證」這樣一個漫長的過程，而在找到規(guī)律后，應用到個案上的成本可能也是很高的。但是，有了大數(shù)據(jù)之后，這一類問題就變得簡單了。

比如通過對大量數(shù)據(jù)的統(tǒng)計直接找到正常用電模式和納稅模式，然后圈定那些用電模式異常的大麻種植者，或者有嫌疑的偷漏稅者。由于這種方法采用的是機器學習，依靠的是機器智能，大大降低了人工成本，因此執(zhí)行的成本非常低。在美國有大量類似的報道，在各種媒體上都可以看到。

在大數(shù)據(jù)出現(xiàn)之前，并非我們得不到信息直接的關(guān)聯(lián)性，而是需要花費很長的時間才能收集到足夠多的數(shù)據(jù)，然后再花費更長的時間來驗證它，這也是過去大部分傳統(tǒng)的企業(yè)對于細節(jié)數(shù)據(jù)的收集和處理不是很重視的原因，相比之下他們更看重經(jīng)驗和宏觀數(shù)據(jù)。但是到了大數(shù)據(jù)時代，這些企業(yè)的觀念也在慢慢轉(zhuǎn)變。

亞馬遜的優(yōu)勢在于它擁有顧客全面的信息。比如張三上周買了一臺數(shù)碼相機，之前他還購買了幾個玩具，同一個地址的李四前兩天買了嬰兒用的浴液。那么可以聯(lián)想到張三和李四是一家人，他們有個出生不久的嬰兒，張三買數(shù)碼相機或許是為了給孩子照相。他們或許會對在線沖印照片（并做成賀年卡），或者電子相框有興趣。如果將他們的地址和美國個人住宅信息網(wǎng)站zillow.com聯(lián)系起來，很容易了解到他們的住房價值，進而估計出他們的收入。這些條件是沃爾瑪不具備的。亞馬遜的第三個優(yōu)勢在于它的任何市場策略都能馬上實現(xiàn)，比如它能夠隨時捆綁商品，并且隨時調(diào)整價格進行促銷；而美國所有的實體店，調(diào)整價格都需要在晚上關(guān)門之后進行，因此即使它們數(shù)據(jù)挖掘的速度和亞馬遜一樣快（當然這是不可能的），在市場上的反應也跟不上亞馬遜這樣的電商公司。

前面的幾個例子無一不是先從大數(shù)據(jù)找到普遍規(guī)律，然后再應用于每一個具體的用戶，并且影響到每一個具體的操作。以抓毒品種植和偷漏稅為例，警察局或者稅務局首先需要根據(jù)大數(shù)據(jù)了解用電或者納稅普遍的模式，然后要準確地估算出每一個地址正常的模式，這樣就能夠發(fā)現(xiàn)每一個異常的情況。

對于互聯(lián)網(wǎng)公司的那些應用也如此，那些公司可以對每一個用戶提供不同的服務，甚至做到每一次的服務都不相同。比如電商公司在用戶瀏覽打印機或者電動牙刷時，如果發(fā)現(xiàn)他們在閱讀產(chǎn)品介紹和評價，那么可能用戶尚未完成購買，推薦相應的產(chǎn)品給用戶是合理的；而當用戶完成購買后，再搜索或瀏覽這些產(chǎn)品，推薦給用戶打印機墨盒或電動牙刷頭等耗材，就比推薦那些耐用產(chǎn)品本身更合理了。經(jīng)常在亞馬遜上購物的人對這一點會有體會，不僅不同的人看到的網(wǎng)頁內(nèi)容是不一樣的，而且同一個人今天和昨天看到的內(nèi)容也是不一樣的，尤其是在完成一些購買行為之后。這種精細到每一次交易，甚至每一次內(nèi)容展示的服務，在過去是想都不敢想的，但是靠大數(shù)據(jù)今天這已經(jīng)變成了可能，而且它還代表著未來商業(yè)的趨勢。

通過這件事我們也能進一步體會大數(shù)據(jù)完備性的特點。在過去，統(tǒng)計學家們一直試圖尋找好的采樣方法，以便在有限的樣本中找到覆蓋盡可能全的規(guī)律，但是在大數(shù)據(jù)時代，這些努力都不需要了，因此樣本集可以等于全集。另外，我們還可以從這個案例中看到大數(shù)據(jù)時效性的特點。對于新的、過去沒有見過的情況，Google的服務器反應是非常及時的，即在第二次就能把新鮮的數(shù)據(jù)提供給用戶使用，這在大數(shù)據(jù)時代之前也是做不到的。

Google在數(shù)據(jù)上的優(yōu)勢，是大學和各個研究所并不具備的。即使是全球著名的汽車公司，包括豐田、大眾和美國通用，也不具備如此多的數(shù)據(jù)。因此，它們雖然在自動駕駛汽車研制方面早起步幾十年，但是很快就被Google超越。另外，計算機學習「經(jīng)驗」的速度遠遠比人快得多，這也是大數(shù)據(jù)多維度的優(yōu)勢，因此Google自動駕駛汽車的進步才能如此快。這并非說明Google的科研能力超過了過去那么多大學、研究所和公司的總和，反而是體現(xiàn)出大數(shù)據(jù)的威力，以及采用大數(shù)據(jù)思維的重要性。

讓我們談談金風公司的故事。在和我進行了多次關(guān)于大數(shù)據(jù)時代商業(yè)模式的探討后，該公司決定向IBM學習，在商業(yè)模式上做根本性的轉(zhuǎn)變，主營業(yè)務從風力發(fā)電機的制造，轉(zhuǎn)變成發(fā)電設備的運營和服務。當然，并非什么公司想做服務就能做得好并賺到錢，金風公司有底氣轉(zhuǎn)型，源于其在宏觀上對全球風能市場的了解，在微觀上對每一臺風能發(fā)電機運營細節(jié)的了解，加上通過大數(shù)據(jù)對發(fā)電機可能出現(xiàn)的問題的分析，能夠比一般工程公司更有效地維護發(fā)電機。至于發(fā)電機的生產(chǎn)，該公司只負責研制，然后將設備制造交給其他公司去做。這樣一來，金風公司就在風力發(fā)電領域成功地復制了IBM服務的模式。大多數(shù)亞洲制造企業(yè)雖然在全球市場上占的份額不小，但是通常競爭的手段就是壓低利潤降價，最后把整個行業(yè)變得都沒有利潤。金風公司轉(zhuǎn)型的做法，或許能給這些企業(yè)一些啟發(fā)，當然如果沒有大數(shù)據(jù)這樣的機遇，這種轉(zhuǎn)型是非常困難的。

與金風公司面臨類似情況的還有諸多的電器生產(chǎn)廠商。這些電器無論是高端的還是低端的，廠家只能賺到一次錢，而且由于亞洲制造業(yè)同行相互壓價，利潤也不可能很高。為了解決利潤的問題，一些對新技術(shù)敏感的公司想到了利用大數(shù)據(jù)和移動互聯(lián)網(wǎng)來改變商業(yè)模式。

現(xiàn)有產(chǎn)業(yè)+摩爾定律=新產(chǎn)業(yè)

與前兩次工業(yè)革命類似，雖然信息革命的代表產(chǎn)品是計算機處理器，但是并不需要每一家公司都生產(chǎn)處理器，甚至不需要每一家公司自己開發(fā)軟件。今天大部分公司使用的處理器只有兩個系列，即英特爾x86系列（加上AMD兼容產(chǎn)品）和英國ARM公司設計的RISC（精簡指令集）處理器，因此計算機實際上可以被看成是一種資源，而大部分公司需要做的只是使用好這些資源而已。

我們回顧過去是為了展望未來。今后，由大數(shù)據(jù)引發(fā)的智能革命也將是以一種與前面幾次技術(shù)革命類似的方式展開，如果我們用兩個簡單的公式來概括的話，那就是：

• 現(xiàn)有產(chǎn)業(yè)+大數(shù)據(jù)=新產(chǎn)業(yè)
• 現(xiàn)有產(chǎn)業(yè)+機器智能=新產(chǎn)業(yè)

摩爾定律和安迪-比爾定律到了智能手機時代照樣適用，我們就不贅述了。

通過上述對歷次技術(shù)革命中商業(yè)模式變遷的分析，我們可以得到這樣三個結(jié)論：

• 首先，技術(shù)革命導致商業(yè)模式的變化，尤其是新的商業(yè)模式的誕生；
• 其次，生產(chǎn)越來越過剩，需求拉動經(jīng)濟增長的模式變得不可逆轉(zhuǎn)。同時，單純制造業(yè)的利潤越來越低，那些行業(yè)越來越?jīng)]有出路。相反，人們對服務的需求越來越強烈。在IT時代，唱主角的公司逐漸從制造設備的IBM、愛立信、諾基亞和惠普等公司，變成了提供軟件和服務的微軟、甲骨文和Google等公司；
• 最后，商業(yè)模式的變化既有繼承性，又有創(chuàng)新性。工業(yè)革命導致了產(chǎn)品需要靠推銷才能賣出去，第二次工業(yè)革命導致了廣告業(yè)的興起，推銷的方式從展示變成了做廣告，而這兩者之間是有聯(lián)系的。作為創(chuàng)新的一方面，第二次工業(yè)革命導致了商業(yè)鏈的出現(xiàn)；到了信息時代，商業(yè)鏈得到了發(fā)展，這是繼承性的一面；而服務業(yè)的重要性突顯，這是其創(chuàng)新性的一面。

作者：吳軍，《浪潮之巔》作者、元豐資本創(chuàng)始人，騰訊原副總裁、Google資深研究員

本文由 @投資人說（ID：touzirenshuo） 整編發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Pixabay，基于 CC0 協(xié)議