特稿 >

行业洞察 >

这里有一份关于未来的智能互联网Mapping,请查收

这里有一份关于未来的智能互联网Mapping,请查收

九合创投 丨 行业洞察

11404
207

2017-04-12

赵逸禅

Xtecher特稿作者

关注

本期导读:


1990 年,Tim Berners-Lee 在欧洲量子物理实验室开始WWW(World Wide Web)计划。万维网诞生以来,从PC 到智能手机终端,互联网的「连接」特性逐步创造出一个信息自由流动的商业社会,并悄然承接着下一轮科技变革。


而就在被称作“资本寒冬”的过去一年,Alpha Go 对战李世石的胜利,把快步进行中的自动化和智能化变革推到公众注意力的顶点:“人工智能”、“物联网”、“互联网+”、“工业4.0”等风口概念依然此起彼伏,不少创业者与同行疲于贴上趋势的标签。


九合一直未曾懈怠从底层去思考但这一轮社会生产方式变迁的本质与共性。借九合五周年之机,将我们的思考提炼为「智能互联网」概念,与诸位探讨:


n4b07urgkhr0gyqp!1200.jpg


(一)智能互联网是什么?


智能互联网是互联网「连接」作用发展到一定成熟阶段的演进形态,其建立在互联的基础上,以连接产生的「数据」为核心,通过数据处理输出「智能」价值,指导人与机器的高效决策和资源利用。


dlxjchajatmzxmqi!1200.jpg


1.1 智能互联网的五个核心特征


(1)智能互联网是互联网的演进形态,其首要表征是互联网的核心价值驱动力由「连接」到「数据」的发展。「连接」是智能互联网的基础,「数据」是智能互联网创造价值的核心。


ohwzb76bb4565sjg!1200.jpg

从传统互联网到智能互联网的演进


传统互联网时期,互联的特性逐步克服信息不对称,消解时间和空间障碍,实现了以“连接”为核心的价值创造和商业变革。这一时期,人是连接动作的绝对主动方,物品仅作为人类的所有权标志存在:电商中人与物的连接,“物”是售卖所有权的商品;共享经济中“物”与“物”的交换也是具有所有权归属的物品交换与使用权分享。


智能互联网时代,“连接”所作用的社会生产方式改变已发展到一定成熟阶段,积累在此基础上的“数据”发挥了核心作用,带来新一轮的效率变革和社会生产方式变迁。物与物的连接并非作为烙印所有权的分享,还包含“万物互联”的自动化价值。当“数据”价值创造的核心驱动力,智能互联网中拥有数据价值的机器也被赋予了作为独立数据体的存在意义,平行于传统互联网时期拥有绝对主动控制权的人。


(2)传统互联网的载体相对统一且载体迁移对原有商业格局影响较大VS. 智能互联网载体分散并将呈现越来越离散的特征。


以「连接」为核心的传统互联网,“人”是「连接」动作的绝对主动方,用户通过某一载体实现与信息、商品和其他个体的行为交互,统一的载体更易形成统一的交互规则和使用场景,因此也对应存在着使用载体的聚拢效应。


从“PC 互联网”到“移动互联网”,载体在某一段时期具有相对统一的垄断,载体的消费数据(eg.智能手机、PC电脑出货量)是判断产业成熟曲线的重要数据,而载体的变迁则带来新的用户洗牌和商业变革。


「数据」作为核心价值驱动力的智能互联网, 人和机器都以独立的数据体平行存在,强调数据输出智能价值而非基于统一载体的行为交互,因此,智能互联网载体分散并且将随着其渗透到生产生活的各个场景而呈现出越来越离散的特征:

数据的收集可以来源于物联网、网页爬虫、电信运营商数据等多种渠道;

通过数据产生智能价值的应用,可能是智能手机的App,也可能是拥有核心算法SaaS 软件;

用户可以选择手机端Siri 下达指令,也可以使用智能家居/家庭机器人承担虚拟助手的角色;

企业可以将算法软件内嵌于生产机器,也可以使用移动端控制

……

(3)智能互联网的核心价值驱动力——「数据」,既包括作用于产业与行业的横向数据,也包括以某一具体指向为单位的纵向数据;其实质都是超出人脑可处理范围、需要算法发挥智能价值的数据。

大数据是需要新处理模式才能具有更强的决策力、洞察力和流程优化能力来适应海量、高增长率和多样化的信息资产。

——Gartner 关于「大数据」的定义

近年来也有不少观点提出了「小数据」(small data)的说法:

“小数据”指的是有特定属性倾向的数据集,比如:

以个人/家庭为单位的数据集(eg.某人每个时刻的所有行为数据)

以某一具体事项为指向的数据集(eg.风力发电机每个时刻的水箱温度)

这里的“大数据”与“小数据”不限于字面理解的“大”与“小”。“大”本身就是一个相对的概念;更准确而言,其是从横向与纵向应用数据的不同方式:

“大数据”的方法论是在海量多维度数据中提炼出共同特征或共同问题;

“小数据”则是纵向/时间积累的数据创造智能价值。

但其实质都是超出人脑可处理范围、需要算法发挥智能价值的大数据。


正如美国科技历史学家Melvin Kranzberg 著名科技六定律中,第三条定律的观点:Technology comes in packages, big and small.


九合认为,智能互联网有其复杂综合的运作机制,而作为智能互联网核心特征的「数据」,同样拥有多元的应用方式和应用场景,而非简单称谓的“大数据”。


(4)智能互联网价值链条的主要表现为:数据输出决策,决策提高效率,效率作用于资源利用和时间成本。智能互联网的「智能价值」包含对个体生活的智能价值和社会生产力的智能价值。


(5)凡是“通过连接与数据产生价值”的形式皆属于智能互联网的范畴。


一切包含数据决策特征或服务于数据决策环节的产品/服务都可以看作广义的智能互联网范畴。


人工智能是智能互联网智能价值的重要表现形式;深度学习、机器学习是智能互联网的核心技术工具;物联网是智能互联网数据层的基础设施。


九合选择「智能互联网」的概念来表达对智能化未来的整体性、包容度和运作秩序的看重与敬畏。概念所指并非争一家之言,是为更好理解技术变革的底层运作机制,抓住核心突破点,在我们的角色中促成社会生产力正向发展。


1.2 智能互联网的四个基础层面


智能互联网载体离散,但拥有相对恒定的价值生产链条,即从数据到智能价值的输入输出范式。链条中的四个核心环节呈递进关系构成智能互联网的四个基础面:数据层(数据源和数据采集)—基础设施(数据存储)—技术设施(数据转换智能价值)—消费层(智能价值转换商业/社会价值)。


brmekfcxdype88hz!1200.jpg


1.2.1 数据层


数据是智能互联网的底层原料,需要经历定位数据源和数据采集两个步骤转化为切实的数据资产。数据源可大致分为个人/家庭数据、企业数据、公共/政府数据三大类别。


ups1v9shddsooik2!1200.jpg


个人/家庭数据


主要包括身份数据、行为数据和隐私数据。


身份数据:指面部特征、指纹、基因等个体独有的生物特征数据,身份数据在很有可能发展为智能互联网时代的“个人ID”,也是政府公民档案数据的重要部分。


行为数据:指个体/家庭在生活中留下的可采集的行为轨迹。


其一方面包含个体作为用户在购物网站、社交媒体等商品或信息消费平台留下的注册、消费、浏览、内容生产等行为数据,这部分数据目前在国内没有明确的法律界限,用户在平台的数据也构成该企业、运营商数据资产的重要组成部分;另一方面则是依赖于智能家居和物联网发展普及、个体在与智能家庭设备的互动中积累的生活数据;随着时间的纵向积累和数据喂养,个人/家庭智能设备会越来越定制化地聪明。


隐私数据:目前仍缺乏明显的法律界限和隐私意识,同时也是较有潜力的蓝海市场,随着智能家居的发展普及,未来可能出现大规模商用化的个体/家庭私有云。


企业数据


分为该企业的用户数据,从公开数据集或数据商处获取的、企业价值创造所需的数据资产,以及企业内部的私有数据。企业私有数据既有企业设备、知识专利等资产数据;也包含现金流、供应链等企业运行过程中的数据。企业处理后的、结构化的数据集也是其重要的数据资产。


公共/政府数据


来源多样并且拥有重要的群体价值,包括身份、政法、税务等公民/法人数据,交通、公共设施等城市数据,环境数据等。公共数据的适度开放对于促进国家的数据科技突破和智慧城市推进有着重要作用。


数据的触达需要通过数据采集完成。物联网、传感器等「连接」设施的完善是丰富数据源的基础保障。近年来,基于光学、压力、电磁场等原理的物理传感器,基于化学反应的传感器等,集成性、灵敏度以及成本方面做得越来越好,据美国市场研究公司Gartner 预测,到2020 年,将会出现25 亿个设备连接到物联网上;IDC 预测2020 年全球生成的年度数据预计能达到44 zettabytes。


散落在应用平台和运营商处的个人消费数据,在国内还没有形成清晰的数据隐私立法与执行界限,但从另一个角度而言,这一现状也在为中国的深度学习提供了相对其他国家较为肥沃的数据土壤。对于较难获取的线下数据,部分企业也通过数据众包商或中间商购买数据集。根据美国参议院的报告,全美数据中介市场2012 年的总规模达1500 亿美元。我国已成为仅次于美国的数据大国,预计到2020 年将占全球数据总量的21%。但在众多具有数据源属性的企业中,只有不到8% 的开展了数据的租售业务,数据供应商与交易商仍存在较大市场空间。


1.2.2 基础设施


芯片、云服务是源数据存储与进行计算的基础设施。近年来深度学习的快速发展,与云计算的普及、芯片的计算性能的提升和成本降低密切相关。


传统的CPU 处理器实行串行指令,即使是现代改进后的多核CPU 针对的也是指令集并行和任务并行,计算速度有限;而针对图形处理和大规模并行运算而优化的GPU,将大规模运算的速度提升了十倍甚至百倍,使得计算机快速处理海量数据成为了可能。


另一方面,GPU 的价格和成本也有了极大的降低。英伟达GPU(GTX 1080)有9 TFLOPS 的性能,只要700 美元,意味着每GFLOPS 只要8 美分,而在1961 年,串够IBM 1620s 每提供1 GFLOPS 需要的钱超过9 万亿。


同时,专用于加速人工智能的特质芯片技术也在不断推陈出新,除了传统厂商,大公司也通过自研或并购的方式积极储备芯片研发力量。


x6nsb4pnm8be1jdg!1200.jpg


1.2.3 技术设施


技术设施指对源数据进行处理、转换为拥有智能价值的结构化数据或智能结果的技术环节。智能互联网的技术设施主要包括以下三个层面:


1)生态—开源框架。


Tensorflow, Torch , MxNet 等深度学习框架。


2)调用—通用API


语音、自然语言、图像处理等功能模块型API 或通用算法API。


3)资产—算法模型


企业/开发者专有的算法模型,转换智能价值的重要环节与独特竞争力。


1.2.4 消费层


围绕智能互联网生态的商业类型多种多样,包括基础设施层面的芯片商、云服务提供商,数据层面的数据交易平台等。但这里的「消费层」指交易核心来源于数据处理后的智能价值的商业模式,目前主要有以下三种形式:


1)通用功能模块交易


语音、自然语言、图像处理等功能模块型API 的售卖。


2) 算法经济


“算法经济”(algorithm economy)由Intel 在IDF 2015 (Intel Developers Forum) 提出,指当数据成为社会、企业和个人无法忽视的资产时,算法是这些数据资产估价及交换的载体,这将会推动围绕算法为中心的新的经济模式产生(data becomes the new currency - the currency of the digital world)。即以算法为核心竞争力和壁垒的商业模型。


算法经济主要以软件的形式出现,包括BI(Business Intelligence)、服务于个人/家庭量化自我(quantifiedl self)的定制化算法、专有算法提供商等存在形式。从输出结果的逻辑来看,算法很难形成垄断,因为不同于传统商业复杂的付费衡量因素,算法经济中1% 的效果提升都有着的替代显著优势;而从算法背后的支撑—数据源来看,喂养算法的数据不断积累与外延,容易形成某一特定或垂直领域的数据源壁垒,从而建立数据源垄断优势。


3)智能升级应用


智能升级应用指面向消费者的、已拥有对应场景下的产品,但通过智能互联网技术对其进行迭代创新的产品与应用。智能升级应用包括移动端的智能升级应用和其他场景的综合智能升级应用。比如今日头条是通过推荐引擎和机器学习技术对原有新闻阅读客户端的升级,prisma 用智能化的图片范式升级传统的P 图软件;自动驾驶则是对出行场景综合化的智能升级。


随着开源平台的进一步完善和可调用API 的积累,智能升级应用将最先在移动互联网迎来一波发展热潮,届时除了技术能力,对场景和需求的锐捕捉能力将扮演更为重要的角色。


1.3 智能互联网的技术成熟周期


下图分别为Gartner最新的2016年新兴技术成熟曲线与2016年物联网成熟曲线。


2wbafu27trpylvea!1200.jpg

d1c0dsvb46amu4ba!1200.jpg


其中,九合重点整理了2-5 年内能够到达成熟生产阶段的技术如下图:


rgj28oypxxb89pn1!1200.jpg


物联网超过8 项技术有望在2 - 5 年内到达生产成熟期,未来5 年内物联网技术将快速发展,为智能互联网联打下坚实的「连接」基础,采集到更多之前不可触达的线下数据和产业数据,辅助机器学习的突破。


正在走向泡沫破灭低谷期的物联网集成技术,能促进企业认识到物联网集成不只是简单的M2M(Machine to Machine)一体化,在此之前要做好底层互操作性和硬件集成工作。


IT / OT 集成撩拨着供应链和生产链实时打通的巨大想象,但回望更底层的物联网集成正经历低谷期,IT / OT 的集成仍必先实现物联充足的数据采集布点。


预测性分析与IT/OT 集成技术正处于同一阶段,事实上,IT/OT 集成的想象力直接能转化为丰富实时的数据源,喂养预测模型,两者呈正相关。


与智能制造、工业大数据造密切相关的物联网集成、IT/OT集成、预测性分析、机器学习等多项技术同时处于2 - 5 年内到达成熟区的临界点,可以预期未来五年内工业领域将快速发展突破。


自然语言问答技术行走于泡沫低谷期,此前bots 疯狂的投资热将逐渐恢复理性,企业开始思考将技术应用于实际产生价值的场景而非想象场景里试错。也就是说,近两年内,个人虚拟助手等C 端bots 创业将逐渐冷却或转向B 端应用场景。


(二)智能互联网时代的商业范式:


从流量经济到效率经济

孙希有博士2003 年在《流量经济》一书将“流量经济”定义为“经济领域中各种依靠要素或生产物的流动而带来经济效益与发展的经济存在型态”。互联网语境下,流量即客户/用户数(更早的PC 互联网浏览/点击量)。传统互联网到智能互联网的演进,「连接」为核心价值驱动力的传统互联网关注的是动作本身(即是否使用),相对应以用户量/单个用户的经济价值为估值标准的流量经济;而以「数据」为核心驱动力的智能互联网,关注的是输出的结果(即使用的效果),相对应以成本节约、决策效率为衡量标准的效率经济。


在完整阐释智能互联网的概念、特征、核心组成要素后,九合将从ToB 和ToC 市场在智能互联网时期的发展趋势、核心特征,以及智能互联网改造下的行业变革两个角度来分析智能互联网的商业社会形态,探讨未来的市场趋势与演进规律。


2.1 智能互联网的市场发展趋势


2.1.1 ToB:从管理成本到决策成本,从客户资产到数据资产


追求流量经济的移动互联网时期,由于C 端的网络效应和快速起量的特征,移动智能手机应用最先爆发在C 端领域,当C 端应用培养了用户使用习惯并积累起一定用户基础后,移动SaaS 应用才开始逐渐兴起。但对于效率经济,效率的改善直接作用于收入与效率数字上的提升,智能互联网时代ToB 企业的整体发展领先于C 端企业。


智能互联网时代的企业服务,业界流行着“AI-aaS”(AI as a Service)、“DasS”(Data as a Service),“算法经济”(Algorithm Economy)等称谓。九合认为,从传统互联网到智能互联网的演进,最核心特征体现为:


1)企业服务对于企业的核心作用由降低管理成本发展为降低决策成本。


传统的企业服务软件通过工作流和信息流的可视化与辅助管理,降低信息和人员管理所需的人力成本、资源成本。在数据驱动决策的价值链条中,数据可以是巨大、多维变量、超过人脑可计算范围的;机器处理输出的决策可以实现实时反馈。也就是说,智能互联网时代决策成本的降低,既指机器代替人类决策超出人类大脑可处理范围的复杂问题,也指决策周期的实时性。复杂决策的成本降低与实时性,使得从下游到上游、动态的供应链有了可能,也推动了自动驾驶智等对实时反馈和海量数据处理有着高要求的技术发展。


2)客户不仅仅意味着收入,更是核心的数据资产。


过去,衡量一家企业服务公司的核心指标是客户数量和对应的付费/收入情况。而智能互联网时代,客户不再是单纯的收入标志,其背后还隐藏着更有价值的数据资产。数据是算法的基础,数据资产的积累,能够帮助企业不断外延新的市场和业务机会,创造新的利润渠道;同时,充足或独有的数据集也是算法模型脱颖而出的重要条件。


企业服务可以从两个角度去观察:一类是功能型的企业服务软件,即客户不限行业,专注解决企业生产链条某一环节的痛点,比如客户服务软件、人力资源管理软件、招聘应用等;一类是行业型的企业服务应用,即扎根在某个行业提供服务。这两类服务积累的数据分别是跨行业的横向数据和专注行业的纵向数据。IBM和以CRM起家的Salesforce应对智能互联网的收购策略,分别体现了两种数据发展思路:IBM扎根医疗行业积累数据喂养Watson,Salesfore积极收购工具型人工智能挖掘其跨行业数据的关联价值。另一方面,由于数据的核心价值,拥有丰富数据源的行业巨头或拥有独特数据集的公司都有带着数据资源可能进入企业服务领域。


e0bs7nn9ppjvsgvm!1200.jpg

sjba05u3ahqfcq86!1200.jpg


此外,由于数据资产的重要性,安全性和稳定性的要求会比传统企业服务更为迫切,安全市场是智能互联网toB 类应用的重要市场组成。Gartner指出,如果物联网安全能达到IT 行业中每年7- 8% 的安全投入,2019年全球物联网安全规模将达到910亿- 1040 亿美元,几乎与整个传统网络安全的市场规模持平;根据CEDA 的研究,2016 年中国物联网产业规模预计达到9300 亿元人民币,到2020 年将接近18300 亿元,按照保守比例1% 计算,中国物联网安全在2016 年达到93 亿元,2020年达到183 亿元。


2.1.2 To C:个人/家庭数据资产的应用程度决定市场发展阶段


九合根据App Annie 的数据,整理了从2010 年到2015 年间中国区App Store 和Google Play 下载量爆发的应用和国内智能手机出货量数据的对比关系:


uf9qji9v3sgj1t1l!1200.jpg


1)移动互联网的发展沿着时间横轴,先后经历了工具—社交—商务交易平台(包括电商、O2O)—文娱消费的几波发展热潮。


2)移动互联网的市场发展阶段特点与智能手机出货量正向相关:


早期智能手机用户量不多,涌现一批输入法、天气、记账等基础工具,帮助用户更好地使用智能手机;


当手机使用程度达到能够形成一定网络效应的基数时,社交类应用兴起并且带动更多人接纳智能手机;


社交、工具类应用培养了良好的移动端使用习惯,移动手机用户也不断增长接近峰值,在充足的用户量基础上,开始兴起一波平台迁移机会下的新型交易平台机会;


当手机出货量开始趋于平滑增长即移动互联网到达成熟饱和期时,涌现的产品专注于进一步拓展用户可能的停留时间,文化娱乐应用蓬勃发展,且各类应用呈越来越细分垂直和下沉的趋势。


移动互联网不同类型应用的发展曲线与阶段特点所围绕的核心因素是用户/流量:智能手机的“流量”(即使用量)影响着移动互联网中不同类型应用的发展阶段;单一应用的流量(即用户数)和经济价值决定了其市场占有率。而从流量经济到智能互联网的效率经济,数据是核心资产与价值驱动力。


对于智能互联网C 端市场的市场发展规律与阶段特征,九合认为,个体/家庭数据资产的应用程度将起到关键作用。智能互联网C 端市场将先后经历以下四个阶段:


移动端智能升级应用(利用公开数据集和部分个体行为数据升级场景体验)—智能家居/家庭(个体/家庭数据资产真正作用于智能生活)—智能消费(产业链上下游数据和个人消费数据实时互动)—个人/家庭数据平台和安全应用(形成个人/家庭数据资产保护意识)。


移动端智能升级应用


移动端的智能升级应用建立在移动互联网已被广泛接纳和形成使用习惯的基础上,用户最在意的是其利用技术实现的智能价值对比既有应用的效率提升,输出结果的准确性和用户对准确性/效率的容忍程度是影响其市场接受度的重要原因。


ig70hedd79m90uao!1200.jpg


九合认为,移动端智能升级应用的市场发展将先后经历以下顺序:


1)移动智能应用最先获得市场广泛接受的将是文化娱乐、信息消费等拥有趣味性,用户对的准确度和效率不是特别看重的工具类应用,比如prisma。


2)拥有长尾价值,但传统商业模式无法平衡人力成本与规模化矛盾的需求,能够在智能互联网时代找到对应解决方案并获取商业价值。这类应用通常专注于一个领域或解决一个问题,没有杀手级App 竞争,因此面对“有解决方案”的需求渴望,用户通常对结果准确性的成熟也相对预留了一定时间周期。


比如,购车咨询是许多买车新手的需求,不少汽车新媒体创业者也曾尝试付费咨询模式,但随着用户与咨询数量的增加,收入基本无法覆盖人力成本;通过基于自然语言识别技术的NLP bot 能够实现)并且拥有深耕垂直领域积累核心数据资产的潜力。


3)服务于打车、外卖等高频次需求的综合性私人助手应用用户容忍度极低,技术仍在进步中,距离市场广泛接纳仍有相对较长的距离。


智能家居、家庭


1)智能家居/家庭是以生活居住环境为基础,由硬件产品(家庭机器人、数字化娱乐设备、安防监控等)、软件系统、云平台构成的数据生态系统,个人/家庭在生活中的行为数据、健康数据都等会在数据生态系统中随着时间纵向积累,以喂养基于个人/家庭的定制化智能,用于指挥身边的智能硬件辅助个人和家庭成员更便利健康地生活。


智能硬件并不是智能家居/家庭的核心,核心是基于家庭物联网收集和培养的数据智能。理想状态下的智能生活,能实现个人/家庭数据资产真正作用于个体/家庭生活本身的循环,发挥个人/家庭数据在时间纵向维度上的积累和训练,挖掘时间和机器“定制化”的智能价值。


2)智能家居/家庭的实现,有赖于芯片、物联网底层技术的发展,也有赖于方案供应商的兴起以及家庭数据中心的搭建。从长远来看,智能家居/家庭的发展需要经历“局部智能(部分智能家电比如扫地机器人带来便利)—部分连接(部分生活数据的连接并双向作用于智能家电更智能地辅助服务个人和家庭成员生活) —基于个人/家庭数据中心的全局智能(家居自动化,基于个人/家庭数据中心智能化),目前仍处于局部智能阶段。


3)中国智能家居市场渗透率低,市场空间巨大。


智能消费


1)智能互联网时代拥有全新的消费场景和体验,无人商店、机器导购、基于手势操作挑选所试衣物的智能穿衣镜、基于VR/AR 的沉浸式购物等,纯线上或纯线下的交易平台将日渐模糊,走向线上线下融合的趋势。


2)智能互联网时代能够实现定制化的购物,其基于能满足定制化需求和动态排场的智能工厂和动态零库存的供应链。


3)线下购物交易的ID 可能逐步由身份数据(人脸/指纹/声纹/基因..)代替,线下ID 革新反推线上交易平台ID 的打通。


个人数据平台和安全应用


1)当智能家居/家庭发展到一定程度时,会推动市场对个人数据资产的重视,出现个人/家庭数据平台产品,以私有云或其他形式存在。


2)正如Melissa 病毒为标志掀起的PC 互联网时代安全产品争雄序幕,作用于个人数据资产保护的安全产品也将由一个标志性的数据安全/隐私时间带动市场热潮。


3)C 端的个人数据平台和安全产品发展设计都远远滞后于B 端。


2.2 智能互联网时代的行业革新


智能互联网时代的效率经济渗透各行各业,体现出显性的、可直接转换成经济价值的成本降低和效率提升。高盛曾从统计经济学的角度分析,移动互联网时期的美国并没有在经济数据上体现明显的社会生产率提升,但人工智能所带来的社会生产率促进作用却呈现为可量化的巨大经济效益。


九合将从工业、农业、医疗、金融和零售五大基础行业分析智能互联网带来的革新与机会。


mnhg0h55ygdnoq89!1200.jpg


工业


工业占大部分国家GDP 的核心比重,历次工业革命同时也推进了人类社会经济和组织形态的向前演进,而智能互联网时代的工业正经历着人类历史上的第四次工业革命—工业4.0。国务院于2015 年5 月印发《中国制造2025》,从国家层面制定了中国于2025 年实现工业4.0 的转型目标。


ut94uj0msrjg2hr4!1200.jpg


李杰教授在《工业大数据》一书中,将“工业4.0”定义为:“第四次工业革命是以智能化为核心的工业价值创造革命,其最终目的是实现生产活动的高度整合,使系统像人一样思考和协同工作”。


b06zizcs6ilgryqc!1200.jpg


智能互联网对工业的改造主要体现在以下两方面:


1)智能生产实现基于柔性供应链的、从下游到上游的生产链条


智能生产,指通过工业机器人、3D 工业打印、无人物流、物联网等先进技术和硬件产品打造智能化工厂,能够实现满足工业4.0 特性的、反向定制化的生产链条。


工业4.0 区分于其他三次工业革命的核心特点之一便是其基于用户端的生产力需求,打破了传统的刚性供应链和计划生产模式,能够实现下游推动上游的生产链条。


2)工业大数据发挥大脑价值,机器决策人类大脑无法处理的大规模数据


工业领域的数据来源丰富,量级巨大,超出人脑可处理的范围。传统互联网时期,工业领域的数据大部分都只实现了可视化和基于人控制设计的PLC(可编程逻辑控制器),并且反应相对滞后。而智能互联网让彼此关联的数据拥有了实时决策能力。


从宏观角度来看,工业大数据包括资产/设备数据、产品数据、用户数据、供应链数据;工业大数据可用于资产可靠性和设备故障监测、能源效率的管理、产品质量管控、生产流程优化管理、上下游和产品周期预测-管控-追踪、生产流程重塑、定制化生产等。每个环节1% 的效率提升作用到整体经济收益上都是一个可观的数字。但从现阶段来看,狭义的工业大数据主要集中在机器数据和生产流水线产品数据上;工业大数据的应用也主要集中在设备监测、能效管理和质量把控上,贯穿上下游和产品生命周期的价值大数据还有赖于产业的整体成熟和打通。


就目前国内而言,作为工业大数据底层基础的物联网普及、传感器的分布仍处于较为粗燥的阶段,万物互联基础下的工业4.0 理想状态仍需时间。


农业


农业是关系到国家安全级别的战略产业,并且面临着全球人口增长和耕地减少的严峻挑战。智能互联网的应用和普及能显著提高农作物产值,推进智慧农业形态的演进。智能互联网给医疗行业带来的机会与革新主要体现在以下三方面:


1)农业生产各个环节的效率提升


智能互联网发挥数据的智能价值,能够实现农业“种植(机器选种,自动播种etc.)- 施肥(基于环境和植物数据状态的精细化施肥etc.)- 灌溉(精细化自动化灌溉etc.)- 病虫害防治(疾病识别etc.)- 收割(自动化收割etc.)”各个环节的效率提升与成本控制(资源节约),促成单位面值农作物产值的提高。高盛在一项研究中指出,智能互联网能够对美国农业生产各个环节实现7% - 30% 不等的效率提升,预计至2050 年,美国每英亩耕地的产值能够达到281 蒲式耳(对比2016 年的165 蒲式耳)


2)生产预测与动态调配


不少算法公司利用卫星云图、气候数据、土壤特征等综合数据以及农作物品种特征、实践参数等搭建预测模型,对农业的产值实时进行预测,推荐适宜的调控措施(如改变播种期、播种量或肥料运筹等)、动态调配农业市场和对应的金融期货,同时帮助政府合理分配资源(比如当收到极端天气或灾难影响国家农业时,政府和银行可以获取足够的数据来支持哪些农民需要贷款和救助的决策)。


但用于综合预测的作物模拟模型的建立,通常要求输入作物特征、历史农业实践数据、气候地理实时特征等多个维度的数据。这类模拟模型必须引入专家知识,使系统形成以模型为基础(定量),以专家知识为准(定性)的“专家曲线”。


3)农产品溯源与食品安全


智能互联网理想状态下的农业,有望实现作物都有其对应数字参数所形成的“digital twin”,流转到市场里的每个农作物都能查询到完整的质量检测数据以及回溯作物生产成长过程中的各项数据,实现真正全数字化的食品体系。


目前,国内农业传感器的布局、农业整体解决方案的采纳都有待进一步突破;不同于国外农场为主的商业化形式,中国的农业大部分分散在普通农民手中,农业的智能互联网升级有赖于地方政府的推进。


医疗


医疗是公民生活的基本保障,传统互联网促进了医院的信息化管理、医生资源的整合、病患与医生资源的连接;智能互联网则在诊断、药物研发等环节都带来了较大的效率提升和成本节约,基因研究的不断进步甚至有可能推动医疗健康的革命性颠覆。智能互联网给医疗行业带来的机会与革新主要体现在以下四方面:


1)辅助诊疗


计算机辅助诊疗(computer aided diagnosis,CAD)在诊断中的应用已经有40年的历史,但近年来随着神经网络的出现,机器学习给CDA 带来了突破性的进步,尤其体现在医疗影像诊断方面;建立在自然语言处理技术基础上的机器问诊也处于快速发展期。IBM Watson可以在17 秒内阅读3469 本医学专著,248000 篇论文,69 种治疗方案,61540 次试验数据,106000 份临床报告。


机器辅助诊疗从一定程度上解决了医生经验资源的不对等,在特殊病例和罕见病例的甄别上尤为表现突出。但深度神经网络存在着“黑箱效应”,即输入数据很细微的改变都会误导机器学习的结果,而医疗诊断的准确性关系着个人的生命身体健康。另一方面,机器学习准确度的提高需要大量的数据喂养,有赖于电子病历的普及、医院之间的数据关联和国家层面的医疗资料共享。


2)智能健康管理与疾病预防


智能互联网也可很好的实现个体健康和生活习惯数据的循环利用,辅助健康管理与疾病预防。通过智能可穿戴设备实时监测病人的重要健康指标,进行用药提醒、危险警报,如基于传感器精确到分秒的糖尿病人用药提醒;也有初创公司基于个体健康数据的实时动态,提供每日营养学方案,监测身体不良信号。


3)药物研发


传统药物研发周期长、成本昂贵、成功率回报率低。但智能互联网从一定程度上打通了新药研发各个环节的壁垒:在试验前期新药筛选时,可以通过综合算法获得安全性较高的几种备选物,提高成功率;在进入动物和人体试验阶段前,可以综合成分分析和既有已知药物的副作用数据库,选择生副作用几率最小的药物进入动物实验和人体试验,节约成本、提高安全性;此外,还可智能模拟和检测药物进入体内后的身体指标与剂量、浓度等用药指标之间的关系,推荐试验中的最佳用药方案;进入试药后期,可综合前期数据推算研制成功率,选择放弃成功率较低的药品种类,减少成本浪费。高盛一项研究指出,通过算法对后期试药的成功概率推算能够帮助美国每年至少减少10 亿美元的试验支出。


4)基因革命


基因测序是一项极其复合摩尔定律的技术,随着基因测序技术的更新换代,基因测序的成本不断下降。2001 年平均每兆数据量基因测序成本是5292.4 美元,单人类基因组测序成本是9526.3 万美元;2006 年新一代测序技术推出,平均每兆数据量基因测序成本下降至581.9美元,单人类基因组测序成本下降至1047.5 万美元,而2014 年1 月Illumina 推出HiSeq X Ten 更是将单人类基因组测序成本降至1000 美元以下。随着基因测序成本的不断降低,基因有可能成为新的“健康代码”,通过基因检测、基因编辑等技术不断革新健康检测与治疗方式。


金融


由于金融数据较高的数字化基础与可触达性,金融产业是算法经济应用较早发展相对成熟的领域。智能互联网给金融行业带来的冲击与革新主要体现在以下三方面:


1)大数据征信与风控


大数据征信与风控直接体现在收入数字上的风险控制和损失避免,此外,专业化的数据服务,消解了传统征信高昂的人力与时间成本,稳定的风控模型也能够有效扩大信用经济的范围和方式。目前国内基于算法模型的大数据征信公司层出不穷,核心数据源则主要由八家持有国家个人征信牌照的企业掌握。


bimcbhxn0o27367t!1200.jpg

mr9cz47o6b8xhipz!1200.jpg


2)交易自动化


开年的一则新闻引起了金融圈一片哗然:由于工作都被自动交易程序接管,高盛在纽约总部的美国股票交易柜台雇佣的600 名交易员已被削减至2 名。根据《金融时报》,在2000 年,纽约证券交易所的场内交易者超过5500 名,而现在则不400 名。麦肯锡全球研究院在1 月推出的报告中称,金融和保险领域的工作,有43% 的可能性会被自动化替代。


目前机器在金融交易领域可承担的角色主要有:自动化生成报告;海量数据库精准搜索;预测模型。自动化报告生成和精准搜索解放了大部分初级分析师的工作。而基于卫星数据、人流分布热力图等多维数据角度的算法模型,突破了人脑能处理的知识和数据边界,多数情况下能够精准指导市场交易,减少人为误差。


但深度学习的“黑箱效应”是典型墨菲定律的践行者,机器微小的认知误差造成可能带来连锁多米诺骨牌效应;此外机器只能基于已有数据给出结论,但机器很难理解一家尚未盈利的公司该如何估值或一种新商业模式的价值在哪里。


3)智能投顾


早在1952 年,Markowitz 就提出了“投资组合理论”(Portfolio Theory)并因此获得了1990 年诺贝尔经济学奖。智能互联网时代,通过机器进行投资组合的搭配,又称为智能投顾(Robo-advisor)。智能投顾相较传统的理财顾问或个人投资理财,质量稳定、收费低,并且能计算超过人脑可处理范围内的丰富金融产品和收益影响因子,关联和平均做得足够好的智能投顾应用一般能够实现不错的收益,有望逐步发展为中产阶级理财的重要方式。


零售


传统互联网时期,互联网的「连接」特性打破时间和空间的限制,电商和物流迅速发展;智能互联网时期零售行业的变革则围绕供应链和购物体验的创新展开。智能互联网为零售行业带来的革新主要体现在以下两方面:


1)智能化购物场景


以Amazon Go 为代表的无人商店成为今年创投圈又一热词,但“无人商店”从字面意义上仅体现了智能化购物场景的自动化和人力成本降低,智能互联网给零售带来的想象力还包括:智能化购物导购机器人、手势操作和AR 结合的智能试衣镜、基于视觉系统的特定人群识别与营销、智能购物车;你可能在线下完成网上下单,可能在线下试穿线上挑选好的衣物,可能填完定制化的数据传输给工厂…智能互联网时代智能化购物场景的核心特点是:用户动作由「消费」转移为「体验」;用户消费逐渐模糊线上线下的边际。


2)以动态零库存为目标的供应链与物流


7-Eleven 便利店创始人铃木敏文曾在《零售的哲学》一书中提到7-Eleven 垄断日本便利店过程中采用的方式:从社会环境变化预估消费者行为;创造出“单品管理”概念解决滞销品问题…上述手段所面向的都是传统零售行业决定成败的核心点—库存,而智能互联网的推动目标,则是通过用户导向的供应链体系和实时反馈的物流仓储,实现动态零库存的理想状态。


在工业部分我们提到,工业4.0 理想状态能够实现从下游到上游的定制化生产,而位于制造上游的零售行业,以此对应的是以动态零库存为目标的供应链和物流革命。这里的“动态零库存“指的是基于大数据的实时特征、能够满足预测数量并随时调配的库存状态,而非时刻空仓的绝对零库存。实现动态零库存需要基于销售预测、客户偏好预测与精准营销、快速响应定成本的智能物流、动态定价等技术组合。


Reference


Goldman Sachs: 《Artificial Intelligence : AI,Machine Learning and Data Fuel the future of productivity》


Jay Lee:《工业大数据》,机械工业出版社


Gartner: 7 Technologies Underpin the Hype Cycle for the Internet of Things 2016


铃木敏文,《零售的哲学》,江苏凤凰文艺出版社


Michael Sacasas :Kranzberg’s Six Laws of Technology, a Metaphor, and a Story


孙希有,《流量经济》,中国社会科学出版社           

打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮

账号登录

重置密码

还没有账号?立即注册>

账号注册

已有账号?立即登录>注册企业会员

重置密码

返回

绑定手机