文丨財經琦觀

“越是復雜的時刻，越要跟簡單的東西在一起。”

——一個不成熟的人生小建議。

01

2019年時我還在機構媒體工作，在一篇稿件中曾經以“一輛四驅車”，來形容整個商業世界。

四驅，但前后輪交替發力。

前輪是科技，是開荒，是在一片全新領域中找到新的商業模式，是從0到1；

后輪是運營，是精耕，是在一片成熟領域中從石頭里捏出油來，是從1到多。

兩年前的那時，前輪的紅利吃到了尾聲，后輪也已經開始發紅發燙了。

兩年后的今天，為了整輛車的安全，后輪不得不停下來開始擦洗調整。

但令人感到欣慰的是，前輪也已經從沉寂再次轉向了轟鳴，時隔二十余年，終于要重新開始開辟增量疆土。

眼下，人們的視線太多停留在對后輪的擦洗工作上了。

但對于更大的未來，卻在一次又一次的“期待、失望”的循環中，感到疲憊麻木了。?

02

本文會談到大量的科技名詞，但一開始，我們先從各位最熟悉的概念入手。

5G、人工智能（AI）。

這兩個，是最底層，也是在未來的商業圖景中最具有普遍適用性的概念。

5G是神經網絡，AI是大腦。

往上浮半層，在5G和AI的支持下，我們將發展出物聯網。

該技術即為軀體，對應著極為龐大的增量場景。

現在，我們來舉個例子：自動駕駛。

根據概念，我們可以這樣說：自動駕駛是物聯網的一種特殊表現形式。

借由該案例，我們將重點闡述5G和物聯網的關系。

“網速快”，這是大眾對5G的第一印象。國際電信聯盟將這一特性定義為eMBB，術語叫增強移動寬帶。

有了這個，我們就可以看更清晰的視頻，玩更精美的游戲。

比方說云游戲這個概念，就是建立在eMBB的重要基礎之上。

以前玩3A需要燒顯卡，但現在你把運算壓力全放到云端，咱就用超高網速傳圖形處理結果過來就OK了。

但對物聯網來說，5G另外兩個特性才更顯得重要。

第一個就是mMTC，海量機器類通信。

想讓汽車自己跑起來，我們必須時刻知道路面的干濕情況，車前面有沒有障礙物或斷崖，旁邊有沒有人想超車，此刻的天氣狀況，汽車本身的硬件是否完好等大量的信息。

激光測距，紅外線，雷達，攝像機......技術路徑各有千秋，但底層支援，都得依靠5G的通訊加持。

第二個則是uRLLC，超可靠低時延。

在自動駕駛場景中，mMTC主要是說“司機”捕捉信息的廣度，uRLLC則更多側重于“司機”的反應速度。

在高速行駛中，前方有個懸崖，攝像頭捕捉到了這一畫面，告訴了中端控制器，如果說這時候“卡了”，那肯定就會出事故。

4G的延時是0.045秒，5G的延時是0.001秒，比人腦反應要快得多。

因此在技術理論上，5G是自動駕駛技術上路的重要前提之一。

再擴大一下場景，工廠里，海量的機器能不能互相配合，自動干活？——工業物聯網。

北京的專家醫生，能不能通過傳感器給貴州的農民做手術？——遠程醫療，醫療物聯網。

遠程教育，遠程會議——低延時讓彼此的交流更絲滑。

智能家庭，每一個微小的家具中都裝有一個芯片，可以支持數據記錄，語音遙控，自主服務等。

在這些場景中，均是5G提供核心技術的增量突破變革，然后借由物聯網來具體落地。

03

那么，人工智能又是怎樣的一個角色呢？

還是上述案例，在遠程教育，遠程會議，醫療物聯網等更側重于“鏈接效率”、“聯通質量”的場景中，我們不難發現，AI的意義并不大。

但在自動駕駛，智能家庭，工業物聯網等場景中，我們很顯然可以感知到，這些場景是需要一個大腦的，即AI、5G、物聯網三者，將在這些場景中通力配合。

物聯網負責抓取信息數據，5G負責又準又快地將信息傳遞出去，AI則像人腦一樣，自主作出精確的判斷決策。

總結來看，5G的價值主要是在讓信息的聯通“更準確，更快捷”。

AI則可以讓機器更“聰明”。

隨堂提問：在我們目前探討的這三個技術名詞中，哪個離我們現在的生活最近？

沒錯，答案是AI。

都刷過抖音吧？或快手。

沒有的話，有聽過2017年的網易云嗎？

私人FM和個性化的每日推薦的大火，讓某些樂迷在當年發出了“打開網易云就像是在逛窯子”的驚人之語。

再往前，今日頭條？這個就很早了，信息流，個性化推薦，直接托起一代巨頭，挖了百度的根。

還不熟？那淘寶，美團，京東商城，最不濟B站，B站也算。

首頁推薦，猜你喜歡，千人千面。

這就是人工智能：了解你的喜好。

準確的說，這是人工智能在內容推薦領域的垂直應用。

其背后所需要用到的支撐是：算法，深度學習，大數據。

還是用比喻的方式來理解。

大數據是食材，算法是菜譜，深度學習是腦子。

第一個原則：什么食材做什么飯。

一個廚子，你只給他面粉，他永遠做不出肉菜。

就算我拿到了你在瀏覽抖音時的所有“點贊”、“收藏”、“停留時間”、“反復播放次數”等數據，我也沒辦法將其應用于指導車輛的前進和剎車。

但一個廚子，你給他面粉，他既可以做饅頭，也可以做面包。

以應用成熟的內容推薦領域來說，相關數據具有極強的共通互用性。

當我知道了你喜歡看什么類型的抖音之后，某種意義上我就有辦法在今日頭條上給你推薦相關類型的文字內容。

更進一步，當我知道你的碎片化內容偏好后，在一定程度上，我也可以推理出你更傾向于購買怎樣類型風格的商品。

當然了，這種跨界采樣的方式還是不太高效的。

精小麥做饅頭，棒子面做窩窩，全麥做黑面包，直接在相關場景中收集數據然后采納整合，才是最合適的。

此外，越是底層的信息來源，其數據價值就越大。

事實上，絕大多數有著內容推薦的主流App，都在監控用戶的輸入法，監聽麥克風，乃至偷偷打開攝像頭進行數據收集。

這些收集上去的龐大數據是不太可能有“人類”去看的，而所有收集的目的都是為了更好的服務用戶。

最終造成的詭異現象是，你跟朋友在微信里聊了某歌手，短視頻、內容社區就開始給你推相關內容。

你跟同事聊了某個品牌的衣服，下午打開電商平臺這個品牌就出現在了你的首頁上。

第二個原則：沒有食材就不要吃飯。

理解這一點，我們重點要明白AI的“思考”過程。

以Siri或微軟小冰這種，最強“擬人感”的場景來舉例。

北京胡同里，一個大爺跟另一個大爺說：

“嘿二哥！今兒這天兒也太熱了！”

另一個大爺，根據自身性格和雙方關系會分別回答“可不是”、“活不了了”、“全球變暖的影響非常嚴重”以及“有事兒說事，少在那放閑屁”。

人類的回答，重點在自我思考，整合，表達。

但Siri的回答過程其實沒有一點感情。

他就是去遍歷數據庫中的所有“以天兒太熱了”為結尾的對話句子，然后找尋作為回答出現頻次最高的詞條組，再根據工程師或用戶之前給他設定的性格標簽找到對應的感情標簽，選中。最后用語音合成技術念出：“是的，像火爐一樣。”

遍歷數據庫，找尋成功率最高的答案，確認其匹配性，丟出答案。

這就是我們常聽人說的“深度學習”。

機器和人腦相比有兩個極強和N個極弱。

在記憶力（儲存）和反應速度（查詢，調取）上，機器是人腦的幾億倍，隨著云計算、量子計算、邊緣計算等科技的不斷發展，這一優勢還在瘋狂擴大中。

但在情感，感性認知，合理聯想，文化洞察方面，機器的能力幾乎為0。

如今我們所說的人工智能，其實就是將其記憶力和反應速度的優勢推到最大，然后模擬出“有文化、有情感”的狀態。

在各種場景下，看似“擁有靈魂，非常智能”的表現背后，運作機理和人類大腦有著截然不同的底層區別。

回頭再說，如果說AI的優勢全部建立在“超大存儲”和“超快遍歷查詢”這兩點上，那么數據就是這一切的前提。

沒有數據，你存儲誰？遍歷誰？反饋誰？

數據從哪里來？

從人類的一切活動中來。

現在還只是你喜歡看什么？停留幾秒？什么時候點贊？什么時候購買？

未來則是你每天幾點起床？你夜里睡的好不好？翻不翻身？翻幾次身？你的體溫起伏變化是怎樣的？有輕音樂和香薰相伴會不會提升你的睡眠質量？冰箱多久空一次？攝入的營養成分是否可以進一步優化？家里的灰塵分布？掃地機器人出動頻次？

學生做題時的專注時長？什么情況最容易導致學生走神？什么狀況下學生的投入度達到峰值？

城市的車流量狀況？每輛車的智能路線選擇？紅綠燈的智能調節？長期無人地區路燈的智能關閉？貨車出入頻次異常預警與危化品緝拿？城市資源的調度？經濟形勢預測？緊急時刻如防汛防澇全景圖？

一切物品都將長出一雙眼睛，所有人都是數據的生產者，AI以此為食。

?04

至此，我們重點介紹了5G、AI、物聯網的關系。

其目的，是以三者為抓手，建立起一個基本框架，在這一基礎上，我們將畫出一個有機的網狀結構。

大數據是什么？

是AI的基本前提，原材料。

物聯網場景將產生出大量的增量大數據。

5G是大數據得以抓取，應用的科技前提。

云計算是什么？

與上述概念相比，這屬于傳統門類了。

粗暴理解，它就是儲存器和算力的租賃服務。

企業不要搞機房了，直接租大廠的，云端的。

從上個世紀九十年代業內就在探討客戶端跟服務器的關系，再往后大家講基于互聯網web界面的服務，一直到云計算，它其實是一脈相承的。

因此從模式創新的角度來說，這確實是李彥宏多年前所說的“新瓶裝舊酒”。

但當時馬云的反駁是：“我最怕新瓶裝舊酒的東西，你看不清他在玩什么，突然爆發出來最可怕。”

十多年過去了，這酒裝著裝著確實在效率和算力兩個層面上都有了不斷的突破提升。

因此在科技圖景上，云計算對應著兩個內容：

第一，所有的傳統企業，尤其是中小型企業他們互聯網化，進而帶動整個社會數字化的過程成本和門檻被降下來了。基礎建設這條路，被云計算打通了。

第二，隨著儲存能力，計算能力等算力的不斷突破，云計算為AI的大放異彩也鋪平了道路。

量子計算：更快的云計算，這里的“快”可以從量變到質變，與AI的加速落地聯結緊密；

邊緣計算：把一部分計算能力前置到終端，更高效的云計算，與物聯網結合更緊密。

繼續延伸。

3D打印：更偏重于硬件科技，但大數據的發展與5G將極大促進這一賽道的成熟。

這種柔性生產很有可能對工業，尤其是小商品輕工業產生巨大的沖擊。

再發揮一點想象力，甚至有可能直接重構電商，尤其是物流的生態，比如當場下單，當場3D打印取貨。

數據湖：大數據的優化模式。

數據與食材的不同之處就在于，面粉吃了就沒了，但數據可以一用再用。

數據湖可以理解為公共火種源，同時根據類別分類，便于各大廠商的調用。

區塊鏈：大數據的另一種優化模式。

數據湖的問題在于信息安全問題無法規避。

但區塊鏈的分布式儲存方式解決了這一痛點，一處賬本丟了還有其他賬本可以交叉印證。

在發展趨勢上，以區塊鏈的模式建立數據湖是一種很有可能的解決方案。

但目前，大數據的主要產出地還是在智能手機終端上。

其中所產出的大數據，依然被相關垂類中的互聯網巨頭分別掌控著。

元宇宙：現實生活與虛擬世界的界限模糊化。

這一概念更多是文化上的。其概念有八大特征，但我認為說得太多反而模糊了這一概念的重點。

事實上，沉浸感是唯一門檻。

目前來看，VR技術，腦機接口，生物識別主導的多屏世界，這三大新型人機交互方式，將很有可能成為元宇宙的真正起點。

05

理清概念之后，我們可以在資本市場上進一步對應。

比如芯片概念。

眼下芯片還更多只應用于手機，電腦，汽車，智能手表等極少物品上。

如果我們認為物聯網和邊緣計算將迎來極大爆發，那么杯子，剃須刀，床，馬桶，冰箱等一切常見品都將內置芯片，那么這個市場空間無疑是海量的。

相關企業：華為，中芯國際，歌爾股份，寒武紀等。

眼下，自動駕駛是大熱門，但跟新能源技術的發展緊密混在了一起。

從人工智能賽道來看，長尾場景是鉗制該賽道能否騰飛的根本問題。

為什么有段子稱AI是“人工智障”？

因為即便AI的決策正確率在95%，但5%的錯誤也一定會給人留下深刻的印象。那么5%帶來的危害可承受性，就是AI能否商業化的關鍵因素。

個性化內容推薦為什么發展的好？

因為即便推薦錯了，也不會有太差的體驗。

智能導航相對弱一點，導航錯了，罵兩句，但為了那95%的正確率，還是可以忍下來。

但自動駕駛卻0.001%的錯誤率都忍不了，稍有失誤，就是人命關天。

因此在相關投資過程中，一定要注意區分AI和新能源這兩個概念，在落地時間的預期上，這二者一定是截然不同的。

相關企業：百度、蔚來、理想、小鵬、華為、特斯拉、小米。

多屏時代。

如果我們認為隨著物聯網的演進，桌子，墻體，冰箱，廁所，廚房，街頭，車內，地鐵中等各個場景將出現大面積的智能觸摸屏可以進行交互，那么顯示屏的企業將迎來恐怖的爆發。

相關企業：三星，京東方A，TCL。

傳統互聯網概念股。

在本文視角下，場景是他們的護城河，相關場景中所產生的數據將成為他們的最大壁壘。

但隨著相關政策如隱私保護、企業間數據合理共享、數據采集付費等措施的推進，其護城河也將被逐漸消弭。

在我個人看來，按商業化程度從近到遠，值得關注的領域包括：

新能源、云計算、芯片、供應鏈智能優化、云游戲、邊緣計算、智慧家庭、無人工廠、虛擬現實、3D打印、車路協同、自動駕駛、多屏時代、腦機接口、元宇宙......

其中，越靠后，技術難點以及倫理困境、社會本身的承受力等問題就越難以突破。

以上，樂觀者可以看到投資機會，理性者則可以判斷落地的可能性和距離遙遠程度。

知名作家吳曉波曾多次引用里克爾的詩，來形容自己面對新科技的心情。

“我看見風暴，激動如大海。”

但我認為，如果一定要用自然界來類比，科技的發展更像是溫度，而不是風暴。

今天似乎和昨天一樣，這個月似乎和上個月一樣，但時間累加之后，其中的巨大差異每個人都能感知得到。

數年來，每一位從業者亦步亦趨，整個科技和商業的進程也在亦步亦趨。

改變是一點點發生的。

有時很慢，有時會停滯，有時甚至會倒春寒。

但時間維度拉長，科技的福祉終將播撒到每個公民的生活里。

“科技的發展，是一場不可逆的全球變暖。”

這就是本文的最后一個比喻。

更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App