根據吳軍先生所講大數據會代理機器智能

1. 智能時代讀後感：淺談機械思維與大數據思維

花了大概2天的時間把吳軍老師的《智能時代》過了一遍，干貨很多，收獲也挺多的，我認為最重要的是第三章關於思維的革命，整理思考下作為一篇文章分享給大家。

記得還是高中的哲學課，學過關於機械思維的一些內容，具體記得不是太清楚了，只記得是呆板的，像機械一樣不懂變通的思維方式。看了吳軍老師的書才知道機械思維曾經也是一種很先進的思維方式，包括牛頓的關於運動學的三大定律，包括愛因斯坦的相對論，可能說都是機械思維的結果，是不是又點突破三觀。

機械思維的很大程度是從古希臘發源的，歐洲只所以能夠在科學上領先，在於古希臘建立起來的思辨思想和邏輯推理能力，而我們中國除了在春秋時候的百家爭鳴有過相關的思維方式，後面主要思想被儒家和道家文化做主導，儒家思想講究中庸，中不偏，庸不易，說話做事講究中和，講究平衡，講究以人為本，而思辨卻是一種極端的思考方式，講追求至理；道家思想追求道法自然，天人合一，講究陰陽平衡，陰平陽秘；追求的道是道可道，非常道，名可名非常名，意思是常道是不可用言語來表達的，總結來說在我看來，我們中國先人很早就發現世界是很復雜的，儒家是從仁的角度，更關心人，道更關心的人天的和諧，以天地為師，法天，法地，法自然。

吳老師關於機械思維在書中概況如下：

在我看來，大部分人可能都是這樣的思維模式吧，還有種壓根沒有什麼思維模式，就是盲目瞎干，這樣還不如機械思維來的好。機械思維核心思想可概況為認為世界是可以完全認識的，是由一定規律的，世間萬物存在著一定的因果關系，而規律的尋找需要「大膽假設，小心求證」，這種現在也被認為是個科學的態度，是科學的思維方式。包括愛因斯坦的質能方程在內的近代很多成就都是在機械思維的模式運作下完成的。

機械思維認為世界是確定的，可以認知的這積極的一面，也有其局限性，即否定不確定性和不可知性，愛因斯坦有句名言：「上帝不擲色子」，這是愛因斯坦和量子力學的發明人波爾等人爭論時候所講的話，今天我們知道這場辯論波爾是正確的，愛因斯坦錯了，上帝也擲色子。

從股市的專家預測，到天氣預報，再到簡單的擲色子，有很多預測是不準確的。不確定性來源於哪裡：
一是：我們了解的越細致，發現影響世界的變數越多，無法通過簡單的辦法或公式來算出結果，如果我們窮盡所有影響事務的變數，當然也是可以預測的，但是現實中是辦不到的，而且公式寫出來也會非常復雜，沒辦法用簡單的公式描述清楚；
二是： 我們主觀思維的影響，由於受到思維方式的限制，我們對世界的認識是不準確的，這也阻礙了我們認識世界。
三是: 這個世界客觀上來說本來就是復雜的，比如我們知道電子圍繞原子核做飛速旋轉，但是電子在特定時刻的位置和速度是不確定的，這是原子本身的特性，類似於量子裡面的測不準原理，我們測量活動本身影響了測量結果。這又點類似我們在股市按照特定指標購買股票，如果大家都按照這個指標來購買股票，那這些購買股票的行為本身又影響了股票本身的價格和走勢了。
世界是不確定的，但是又不是不可以認識的，同樣是電子繞原子核運動，雖然我們不知道電子的具體位置和速度，但是可以估計電子出現的位置和概率。所以世界上很多難以用具體的公式描述的事情，通常可以用概率的模型來描述。天才香農將世界的不確定性和信息聯系起來，形成了資訊理論，不僅是通信理論而且是人們認識世界的新思路。

資訊理論首先解決了信息多少的問題，簡單的兩句話，比如「太陽明天從東方升起」 「xxx明星和xxx明星已經秘密登記結婚了」，這兩句話哪句話信息量大，從我們直觀思維來看，太陽明天從東方升起，這幾乎是個確定的事情，所以相當於一句廢話，信息含量少；而後一句的概率是比較低的，所以信息含量大。香農博士將信息和事件確定不確定聯系起來，同時引入了熵的概念，熵原是熱力學裡面的概念，兩個容器用一個擋板隔開，兩邊的氣體，一邊溫度高，一邊溫度低，處於有序狀態，如果把擋板拿掉，那麼氣體狀態就會越來越無序，從宏觀上趨於恆溫。這種氣體從原來的有序狀態逐步變成無序狀態的過程，熵是一直在增加的，也就是說有序的確定的熵低，越是混亂的熵越高，如果要熵變低或讓事物變的有序，必須有外力的作用。
還是有點抽象，舉個簡單的例子，如果你的房間不整理，以後會越來越亂，這時候熵是越來越大的，想找一個東西可能找了半天都找不到，為什麼那，因為亂導致了不確定性增加，怎麼處理，就是整理，整理了房間，有序度提高了，熵減少了。
香農博士就是利用熵度量信息量的大小，信息量越大，越不確定，那麼熵就越大，如果想讓信息確定，就必須引入更多的信息，引入信息的多少，就看需要事件的不確定性大小。與機械思維相反，資訊理論是建立在不確定性的基礎上的。
如果你學過機器學習，那對決策樹演算法一定不陌生吧，沒學過也不好緊，先用一個例子簡單的說明，如何判斷一個西瓜是不是成熟的好西瓜？需要判斷瓜的花紋顏色的深淺，瓜蒂的粗細，還有瓜敲起來聲音如何，我們可以根據這些條件一步步判斷，每步選一個條件做判斷，最終根據多個條件判斷出瓜是否熟的概率，畫圖如下：

首先我們對一個瓜是不是熟瓜，這個信息是不確定的，如何確定那，我們引入了多個信息，瓜的花紋顏色，瓜蒂的粗細，而且判斷的條件的引入順序也是很重要的，比如我認為瓜的花紋顏色深淺很重要，這個信息量比較大，引入之後會讓瓜是不是熟的信息熵急速減少，這樣我們對信息的確定性越來越確定，決策樹就是利用這個原理來判斷的。這裡面的花紋顏色，瓜蒂粗細也不是隨便選擇的，要選擇的信息和瓜是否成熟具有相關性（資訊理論的說法），資訊理論中的互信息說明了相關性的大小。

資訊理論得出的重要原理就是，當我們要對未知的事件找一個概率模型的時候，這個模型應當滿足我們現有以解決看到的數據，但是對未知情況不做任何假設。這個就是最大熵原理，不同於以前的「大膽假設，小心論證」 ，不做主觀假設的前提是有足夠多的數據。

首先要了解大數據的三個特點：1）數據量要足夠大；2）數據的維數要足夠多；3）數據要是完備的，全覆蓋的，不能是抽樣的。
這個世界的本質是個不確定的世界，我們了解到的信息越多，越容易消除不確定性，隨著大數據的發展，很多人工智慧的問題得以解決是，因為我們的數據足夠大了。

數據量足夠大，我們就有足夠多的信息，相關的領域的不確定性減少的越多，那麼相關研究進展就越快；數據的維數越多，與我們要解決的問題的相關性匹配就越好，有了多維度信息，我們可以做交叉驗證，從而進一步減少信息的不確定性；而數據的完備性，防止了小概率事件的發生，是對事件發生的環境的全范圍覆蓋，因為技術的進步，數據的完備性收集得以稱為可能。

大數據強調的是相關性，而不是因果性，世界既然是不確定的，那麼有些規律我們是無法找到其因果關系的，但是不妨礙我們去尋找其相關性，比如在「電影租賃的網站上放零食廣告」，比如「在咖啡評論和銷售網站上，放信用卡廣告和房貸廣告」，這就是從大數據分享廣告的點擊中獲取的結果，雖然不知道因果，但是這種相關性對我們提升廣告的點擊率也有幫助，我們要學著接收這種不知道原因的答案，如果我們願意接收，就跳出了機械思維只追求因果的方式。

大數據時代已經來了，我們的思維方式不要再停留在僅僅熟悉機械思維的方式考慮問題，要敢於接收沒有因果的答案。

祝大家都能有思維上的提升。
---- 明翼 2019年8月31日於成都

2. 《智能時代》讀後感

《智能時代》一書的作者是吳軍，該書揭示了大數據和機器智能對於未來社會的影響。以下是我為大家整理的關於這本書的讀後感，歡迎大家閱讀！

《智能時代》讀後感（一）

在《智能時代》一書中，作者系統地講述了大數據和智能革命相關的知識，對我觸動最大的是大數據引起的思維革命、大數據對商業的影響以及智能革命對未來社會的影響這三部分的內容。

思維革命

工業革命後人們形成的思維方式是機械思維，即確定性思維。我們可以通過找到特定的模型（公式、定律），找出事物之間的因果關系，而且發現的規律往往是放之四海而皆準的。

然而這個世界是不確定的。首先當我們對世界的了解越來越細致之後，我們會發現影響世界的變數其實非常多，已經無法通過簡單的方法或者公式計算出結果。

然後通過量子力學中的測不準原理，我們可以知道不確定性是宇宙的一個特性。面對不確定性的世界我們該怎麼辦呢？

香農在資訊理論中借用熱力學里熵的概念，他用熵來描述一個信息系統的不確定性。香農指出，信息量與不確定性有關：假如我們需要搞清楚一件非常不確定或一無所知的事情，就需要了解大量的信息。這是一個全新的方法論：資訊理論建立在不確定性基礎上，而想要消除這種不確定性，就要引入信息。要引入多少信息，則要看系統中的不確定性有多大。

在我們無法確定因果關系時，數據為我們提供了解決問題的新方法，數據中所包含的信息可以幫助我們消除不確定性，而數據之間的相關性在某種程度上可以取代原來的因果關系，幫助我們得到我們想知道的答案，這便是大數據思維的核心。

大數據與商業

從工業革命開始，幾次主要的技術革命都遵循相似的規律。首先，是大部分現有產業加上新技術等於新產業。或者說原有產業需要以新的形態出現。其次，並非每一家公司都要從事新技術產品本身的製造，更多的時候它們是利用新技術改造原有產業。這次以大數據為核心的智能革命也不例外，我們將看到它依然會延續這兩個特點。每次技術革命都會誕生新的思維方式和商業模式，企業只有在思維上跟上新的時代，才能在未來的商業中立於不敗之地。

智能革命和未來社會

大數據導致機器革命的到來，這對未來社會的影響不僅僅存在於經濟領域，而是全方位的。盡管總體上這些影響是正面的，從長遠看會使我們未來的社會變得更好；不過，和以唯敏往的技術革命搜塌一樣，智能革命也會帶來很多負面的影響（個人隱私、失業率等），特別是在它發展的初期，而這些影響很可能會持續很久。

任何一次技術革命，最初收益的都是發展它、使用它的人，而遠離它、拒絕接受它的人，在很長的世界裡都是迷茫的一代。在智能革命到來之際，作為人和企業指漏枝無疑應該擁抱它，讓自己成為那2%的受益者；而作為國家，則需要未雨綢繆，爭取不要像過去那樣每一次重大的技術革命多伴隨半個多世紀的動盪。

在我們還沒有經歷過機器在智能上全面超越人類的時代，我們需要在這樣的環境里學會生存。這將是一個讓我們振奮的時代，也是一個給我們帶來空前挑戰的時代。

作者在書中對很多基礎概念和技術發展歷史都有較詳細的講解，也列舉了很多生動有說服力的案例。在看這本書之前也在很多地方了解過關於人工智慧、大數據等方面的案例和知識。但遠沒有看過書後如此深刻的認識，所以推薦大家還是閱讀原書。書名雖然看上去是與科技相關的，實際上與每個人都相關。提前接觸和運用新的思維與新的技術也許不能保證你成為前2%的人，但至少可以讓你在過程中擁有更多的機會和成功概率。

願大家對新事物保持好奇心和熱情，擁抱智能時代，為成為前2%的'人而努力。

《智能時代》讀後感（二）

第一次讀《智能時代》，是通過朋友的豆瓣閱讀邀請碼下載到手機上看的。起先並沒有太認真閱讀，只是在下班路上隨手翻幾頁，以為這就是寫現在比較熱門的關於智能設備或者智能生活方式的乏善可陳的書，畢竟書名」智能時代「給我第一印象就是如此。實際讀的時候才發現，這是一本講人的智能和計算機能否產生類似智能的書。書的原名是《on Intelligence》，本意是關於智能的討論，翻譯書名《智能時代》和副標題不是很切題，會給人錯誤的第一印象。

拋開書名不說，《智能時代》是我幾年內讀過最好的書之一，作者——傑夫霍金斯的文筆很簡潔，這本書翻譯的水平也很高，文中很客觀和批判性地描述了智能和人工智慧研究，並闡述了作者自己對智能的理解。本書一推出就獲得兩個諾貝爾獎得主及專業領域人士的大力推薦，考慮到霍金斯本人是企業家而不是職業科學家這一點，是十分罕見的。

我從小經常思考關於智能的問題，這本書能解答我很多疑惑，讀書時那種開悟的感覺只能用醍醐灌頂來形容。還記得初一的某天下課回家，我騎著自行車，突然產生了一個疑問——我的手是怎麼掌把的，我沒有有意識地控制哪根手指放哪個位置啊？然後我撞了汽車。如果你和我一樣，曾經思考過這類問題，那麼本書絕對是你的菜。

霍金斯在書中首先回顧了當今人工智慧研究的歷程以及自己探索的經歷，客觀批判了"智能行為派"，他認為智能是系統的內在屬性，和外在表現無關。比如一個人在靜靜思考的時候，雖然沒有表現出任何行為，他也是有智能的。退一步來講，假使通過行為來判斷是否有智能，當下的計算機也不合格。計算機要能識別圖片，必須設計一套視覺識別演算法，計算灰度、色階、輪廓等；識別語音要設計語言演算法，計算聲波頻率、音調、匹配語義等。圖片演算法和聲音演算法之間沒有任何關聯，從術語到計算過程完全不同。

但是對於大腦來說，聲音和圖像在大腦中的處理過程很類似，只是接受刺激的感官不同。把實驗動物幼崽的視覺神經接到本來應該發育聽覺的位置，這些動物都能發育出正常的視覺——而如果把計算機的攝像頭接到話筒上，結果可想而之。作者並非在否定演算法本身，無疑，大腦也有自己的演算法，這個演算法是高度抽象的，能根據信號輸入的不同發展出相應的知覺。相比之下，計算機演算法毫無變通的可能性。從這兩點出發，作者認為以往的計算機智能研究是一條死路。

那麼智能應該是什麼樣的？霍金斯從日常生活出發，通過對學習、記憶、回想等等行為的分解，結合腦部神經結構，提出了產生智能的"記憶——預測"框架。整個推斷過程非常精彩，在此就不劇透了，以免破壞了閱讀樂趣。

這個系統的核心在於"恆定表徵"這樣一個概念，霍金斯認為人類（或海豚猴子等其他動物）之所以能認知世界，依賴於對事物高度抽象的能力。這種抽象能力，不是指刻意訓練的邏輯思維能力，而是智慧生物由大腦結構決定的固有能力。舉個例子：當我看到我家的小狗，我能意識到它在附近；當我聽到它熟悉的叫聲，我也能意識到它在附近；甚至當我只是看到它掉在沙發上的毛，都能推斷出它肯定爬上過沙發。

我並不一定直接看到它，是如何判斷它是否在附近呢？這就表明我的大腦有關於這只狗的"恆定表徵"，不以我觀測的方式轉移。我認識我家的狗，無論它是蹲著還是趴著還是把腦袋藏在沙發下面，我都能意識到它的獨特存在。"恆定表徵"也就是人們常說的"理解"某個事物，對於計算機來說，目前的技術只能按部就班地計算，沒有理解的產生，更無所謂智能。

恆定表徵這個概念並非是霍金斯的原創，很多哲學家和科學家都有過類似的思想。比如大哲學家康德曾論證：人的心智擁有空間和時間的形式，獨立於經驗。康德稱這些形式為直覺，它們是純粹先天的知識方式，不依據經驗和思想，這使理解現實成為可能。比如沒有人見過完美的圓形，但不妨礙人理解正圓這個概念，因為空間的形式是先天的，是人的物理形態決定的。霍金斯的「恆定表徵」，就是先天知識（人或者計算機物理結構所決定的）加上後天經驗的產物。在我看來，計算機對時間和空間都沒有先天的知識，如果計算機對什麼有先天概念的話，那隻能是頻率。

不過，計算機並非不能產生智能，只是現在的科技水平不夠。最初計算機的設計就是用於處理專項任務，而生命的演化是為了適應各種各樣的自然環境，人和計算機"硬體"的不同，體現了自然演化和人工製造的區別。產生人類智慧的大腦，對於現在的技術水平來說，的確很難復制（就算能復制，消耗的電量是相當驚人的），並非說大腦具有什麼獨特的"精神"層面的東西，是計算機無法模擬的。我相信在科學家們提取出大腦的"演算法"之後，人工智慧的產生是必然的，十年、二十年內都有可能。

想像一下吧，具有人類智慧的計算機，不僅計算速度快，還能接上定製的感官，不僅有視覺、聽覺、觸覺、味覺、嗅覺，它還能具有感受磁場的"磁覺"（就像一些魚），感受整個森林火災可能性的"安全感"，甚至感受股市變化的"發財直覺"（有些人聲稱自己就有，比如我媽）應用的可能性是無限多的。這也是小夥伴們改變命運，找到下一個藍海的機會啊！至於我呢，現在就開始著手創辦全球第一家」人工智慧幼兒早教機構「，並非人工智慧來教育人類小孩哦，而是我來教育人工智慧小孩……

《智能時代》讀後感（三）

像我這樣每天看的都是小說、歷史，會不會讓人覺得這個人已經老了，很頹廢，不求上進？尤其在這個開口閉口必談雲計算、大數據、人工智慧的年頭，既聽不懂又插不上話，會不會就真的落伍了呢？於是繼《浪潮之巔》後，又接著看了吳軍先生的《智能時代》（他的《文明之光》也同步在看，只是4本書看完還需要點時間）。沒想不看不打緊，這一看，未細思，心已冷。窗外雖是陽光燦爛，心中卻早已涼涼的。

作者說：「隨著技術革命的發展，並非每一個人的發展機會都是越來越多的，反而可能是越來越少。」「在歷次技術革命中，一個人、一家企業，甚至一個國家，可以選擇的道路只有兩條：要麼進入前2%的行列，要麼被淘汰。」「那麼大量淘汰下來的勞動力怎麼辦？新畢業的學生如何就業？答案是要麼去從事一份工資足夠低的服務性工作，要麼沒有工作靠領取救濟過活。」多麼直接，多麼殘酷，又多麼的冷酷，然而，這就是我們要面對的現實。於是又回到狄更斯那句被引用過無數次的《雙城記》中開篇的一句話：「這是最好的時代，也是最壞的時代。」

不要以為智能革命只會威脅到生產線上的工人和只需簡單動腦的工作，即使在今天看來依然高大上的職業，未來也會失去工作，譬如醫生、律師、編輯記者。先來看看醫生，「在過去，像放射科醫生這一類工作，被認為需要太多的專業技能，工作性質太復雜，不可能被機器取代。但是，今天智能的模式識別軟體通過醫學影像的識別和分析，可以比有經驗的放射科醫生更好地診斷病情，這將從根本上改變醫療行業的現狀。」

具有了智能的計算機不僅能幫助診斷，還可以進行手術。「相比醫生，計算機在診斷和手術等方面有三大優勢：

首先，它們漏判（或者失誤）的可能性非常低，也就是說它們能夠發現一些醫生們忽略的情況。

其次，它們的准確率很高，而且隨著數據量（病例）的增加提高得非常快。

最後，也是人所不具備的，這些智能程序的穩定性非常好，它們不會像人那樣受情緒的影響。」最要命的是，「這些智能程序的成本，通常不到人工的百分之一。」

再來看看律師，「位於矽谷帕羅奧圖市的Blackstone Discovery公司發明了一種處理法律文件的自然語言處理軟體，使得律師的效率可以提高500倍，而打官司的成本可以下降99%，這意味著未來將有相當多的律師（尤其是初級水平的律師）可能失去工作。」事實上這件事情在美國已經發生，「新畢業的法學院學生找到正式工作的時間比以前長了很多。」那麼記者和編輯呢？「今天美國很多媒體的財經新聞，尤其是對公司財報的評述，其實已經是計算機產生的了。」我想類似我們央視新聞聯播和《人民日報》那樣的新聞就更沒有問題。

有人會問：「文學作品如小說詩歌什麼的總還需要人創作吧？」就在今天中午剛看到一條消息：「微軟小冰通過對1920年後519位現代詩人的上千首詩經過10000次的迭代學習，小冰每學習一次的時間大約是0.6分鍾，10000次需要100個小時。她至今創作了70928首詩，從中精心挑選了139首，結集出版。」也就是說你未來看到的小說或詩集有可能是機器寫的。那麼，再仔細想想、細思一下，還有什麼工作是未來計算機做不了和不能替代的呢？包括你眼下正在乾的事情。是不是不思已恐，細思，則極恐、更恐、很恐、非常恐？是否覺得有些危言聳聽？

「很多人會天真地認為，船到橋頭自然直，勞動力會被自然而然地分配到其他行業中去。」過去幾次技術和產業革命不就是這樣的嗎？「但是，這種勞動力的再分配，一來需要非常長的時間（至少半個世紀），二來依賴於產生新產業。」那麼，這一切究竟是怎麼發生的？為什麼早不來晚不來卻偏偏這個時候來、偏偏讓我們給趕上了？

回到吳軍先生的《智能時代》這本書，還有個副題「大數據與智能革命重新定義未來」。全書一共分為七章，分別介紹了數據的作用，大數據和機器智能，機器智能的原理及其發展歷程，大數據思維的核心及其重要性，大數據和機器智能與商業的關系，它們對社會正反兩個方面的巨大影響。

3. 吳軍《態度》側記

書信集的由來：寫郵件時更容易做到，心平氣和。

榜樣的力量自己以什麼態度對待事物，對待他人，子女就會不知不覺地學習，每一個熊孩子背後都有一對缺乏教養的父母。

注意你的態度，因為他能影響你的想法

注意你的想法，因為他會影響你的言辭

注意你的言辭，因為他會影響你的行動

注意你的行動，因為他會主導你的行為

注意你的行為，因為他會變成習慣，

注意你的習慣，因為他會塑造你的性格，

注意你的性格，因為他會決定你的命運。

孩子的命運在父母向孩子發脾氣，並且傳遞給他們壞習慣時，就已經決定了，千萬不能在孩子面前發生爭執，夫妻之間要在孩子不在場時候解決。

樂觀的人生態度比什麼都重要，快樂來自內心。

樂觀的天性：1.不斷地接受教育。2.有理想並努力實現。3.與人相處共事，盡可能互相尊重，互相包容。不要妄自尊大，看輕他人。

相比你的快樂，取得好成績是次要的。

保持樂觀，做一個快樂的人，幸福是一種感受，並非是錢來衡量的。

給總比拿要快樂得多，人類一切努力的目的在於獲得幸福。

沉迷電子游戲，快感來的非常快，會喪失工作的派雹顫熱情塵敗和能力。

練習鋼琴除了鍛煉一些自己克服困難的能力外，主要的目的是將來愉悅自己，並提高自己的音樂素養。

柏拉圖認為「音樂是：教養的和諧，靈魂的完善，激情中的平和。懂音樂的人可以更有教養，音樂可以盪滌我們的心靈，慰籍我們的痛苦，讓我們的心變得更崇高，音樂可以讓人變得更平和。

做事不怕慢，就怕停。

人的命運首先由環境決定，第二個因素則掌握在自己手裡。

看一個人在小時候挨了一巴掌後的反應，就知道他的命運。一種：一巴掌扇回去。二種：認命，捂著臉走開。三種：先冷靜分析。

對於女生影響你的命運的一個很重要的因素是將來的丈夫或者伴侶。巴菲特說：女人要嫁給一個比自己優秀的人。

決策時，格局要大。

大學時不妨選一點兒人文課程，開闊眼界。增加點兒見識，不要把自己局限在一些專項技能的學習上。

教育改變命運，人不接受教育，就很難有見識，而沒有見識，做事情就會事倍功半。

上好大學是接受好的教育的方法，甚至是捷徑，但不是目的，一流大學比二流大學好，不是他們的課程好，而是他們有相對較好的學習環境，年輕人有好奇心和求知慾望，因此很容易受周圍同學影響。上大學最重要的目的是向周圍的人學習，而不僅僅是學習課程。

好運氣背後是三倍的努力。

—范佛里特彈葯量（想打贏一場戰爭就得准備5倍的彈葯量）。

如果你想獲得10分的成績，僅僅准備10分的努力是遠遠不夠的。你可能要准備30分的努力，直到今天，吳軍在做事情前都是先假設自己將遇到比別人更壞的運氣。

如果你做事情總是能夠關注每一個細節，付出你期望的結果的三倍的努力，好運氣會到你這一邊。

內心黑暗的人，不相信世界肆飢上存在光明。

一個人也是一樣，品行比能力更重要。能力不行，可以繼續努力，一次不行就兩次，品行不端正，路走邪了。一輩子都沒有希望，面試新員工時，應把品行看的比能力更重要，品行有問題的員工，將給團隊帶來巨大的災難。

谷歌早期和每個員工分享所有的內部信息，同時要求保守秘密，發展至千人時，它內部公開的秘密對外一直保守得很好，這並不是公司強行管制的結果，而是每個員工守信盡責的結果。

自己有教養，對他人友善。對世界有愛心，就不必擔心好人在這個世界缺乏發展機會。

金錢觀。

承認自己「貧窮」，才能真正「富有」。

（杜月笙在上海灘打拚的遭遇）打碎自己的「玻璃心」。

有信仰的人通常比較寬宏大量，錢是物質的媒介。

永遠要承認自己的貧窮，不用擔心別人的白眼，只有這樣才能真正富有起來。

做任何事情，誰都不是天生就能做好，做不好事情被人嘲笑是難免。不能指望別人永遠給你留情面，只有自己把事情做好，才是為自己保留情面唯一可行的辦法。

不亂花錢，也不亂省錢。

核心想法是人需要從大處著眼，運用財富時要從大處著眼。

芭菲特說：錢是為了讓你做想做的事，而不是為了讓你無所事事。

摩根說：得到一個真正的朋友並不容易，而要失去一個朋友都非常簡單，最有效的方式是借錢給他，一個人一旦有了借錢花的習慣，就漸漸喪失了自己努力掙錢的動力。

耐心是成功的第一要素。

凡事說干就干是一種好事。

很多時候，你周圍有什麼樣的人，決定了你的運氣。

大道至簡，如果有人刻意把簡單去的道理搞復雜，你就要對他們有所防範了。

一生永遠不要碰的三條紅線：1.不要進行過於冒險，會導致滅頂之災的投資。

2.不要進行自己不懂的投資。

3.永遠不要眼紅別人抓住了轉瞬即逝的投資機會。或者說不要被那些所謂的失去了的投資機會亂了方寸（如炒股票，炒房）

人要大氣，千萬不要為一些蠅頭小利動腦筋，真正理解了錢的作用，理財會是一件容易的事情。

友情。

交友時，不要怕吃小虧，一定要真誠，大方和寬容，對別人的一些小毛病要容忍。

上名校的目的除了接受的教育稍微好一點兒之外，就是能有一個很好的同學圈子，這樣便於你交朋友，這甚至比教育更重要。出社會後，在彼此客氣的環境中，人是很難深交的。

愛情論，

沒有愛情的人是有缺陷的，沒有經歷真正愛情的人生也是不完整的。

要想客觀公正地看待歷史，我們需要讀三種歷史—–勝利者寫的歷史，失敗者寫的歷史，女人寫的歷史。

如果兩個合適的人能夠一起相處，他們形成的合力一定是1+1大於2的，這也是吳軍從不認為談戀愛會耽誤學習的原因。

愛情的力量是非常地強大，當兩方彼此相愛時，會倍加幸福，趁著現在周圍有很多優秀的人，花些時間在男女之情上是必要的。

（周國平說）人生就是一條單行的不歸路，人一出生，其實就是在往死亡的道路上走，所有的人都排著隊慢慢往前走，道路的盡頭就是人生的終點。這樣的均景有點讓人感到凄涼。

凡事不要太強勢，有時示弱並非真的軟弱，內心真正強大的人不會在乎表面的軟弱，在別人面前表現柔弱些，未嘗不是一種優點。如果你將來有幸成為一領導，對同事，對下屬，千萬不能有潔癖，要注意發揮每個人的特長。

達到溝通目的才算有效溝通，重點不在於證明自己正確。

溝通要以對方了解你的意思為目的，那麼在表達自己的意思時，就需要在你和對方共同認知的基礎上討論那些問題或者說，要用對方能聽懂，馬上理解的語言進行討論，與人溝通，切忌啰嗦，很多人認為，自己講的越多，對方收的信息也越多，其實，如果廢話太多，對方根本搞不清你要說什麼，溝通的效果為零。

說話要看對象，同樣的道理，對不同的人說，要用不同的說法，每次別人請吳軍作報告時，他總要問問聽眾是誰，了解他們有什麼樣的知識背景，以便使用他們最容易接受的說法。

很多時候有的人覺得，明明當時已經說服了對方，怎麼沒過多久對方就改變主意了。其實，根本不是改變了主意，而是他們從來就沒有被說服過。

溝通四要素：1.有效溝通要以對方的確認為准，不要以為話說出來了，別人就一定接受了你傳遞的信息。

2.要以對方聽得懂的話來溝通，切忌賣弄自己的知識，把簡單的問題講復雜了。

3.溝通要簡潔，切中要害，對不同的人要說不同的話。

4.善辯不等於好的溝通，溝通的目的是讓對方接受自己的想法，而非把對方駁得啞口無言。

朋友關系。

如果能幫助別人，就應該幫。但是如果很為難，就不要勉強，要第一時間告訴對方你幫不了忙，這樣他們會趕快想別的辦法，很多人對於自己辦不到事情不好意思說不，於是他們採用拖延的辦法，希望時間長了，對方自動就知難而退了，不再來煩自己。其實這樣是危險的，如果辦不到，就千萬不要輕易許諾。

在和人交際上，真誠是最重要的。

幫助別指望回報，你的面子是一個常量，用一次就少一次。

很多人幫完別人，總覺得自己用了很多面子，對方又沒有感謝自己，心裡不平，如果是這樣，這種忙寧可不幫。

有效學習。

永遠不要投機取巧，記住一個道理，上帝喜歡笨人，按部就班的笨方法常常是好辦法。吳軍在他小孩小的時候，經常帶他們世界各地旅遊，一個很重要的目的就是讓他感知這個世界，將他做研究，要做實驗，這就是對現象的感知。

在大學，自我學習能力就顯得非常重要。

人類歷史上的四次重要技術革命：1.蒸汽機。2.電。3.以計算機為核心的信息革命。4.大數據和機器智能為核心的智能革命。

吳軍建議也如擇校時換一個地方看一看，多接觸一些不同的人。

學術水平的提高需要交流，雖然可以通過開會和發布期刊論文完成。但人員的流動是最好的交流。

在大學時，需要嘗試做自己喜歡的事情，很多事情想做就去做。

真正一流的大師是在任何小事情上都能體現一流水準的人。很多人覺得，某些事情太簡單，它體現不出自己的水平，這其實反倒是他們無法成為一流人士的原因，什麼事情開始做了，就要做到極致，人一輩子不在於做的事情多，而在於做好幾件事。

專業人士是如何做事的：1.好的專業人士要在任何情況下為工作本身著想，不會因為其他事情影響該做的事。

2.專業素養意味著遵守流程和行業規范，經常提醒她女兒做數學題不要跳步驟，任何專業的醫生，都會遵守給人看病的流程，以免發生誤診，這就是做事職業化的標志。

3.是否有專業素養體現在是否能把那些不經意的事情做得比別人好。

有時人們看重的不是你的技術，更看重的是你面對困難和問題時的態度，所以，有一個對待困難和問題的積極態度將會受用終身。

任何事情最後時間長了都會成為好事，要是還沒有，那是時間還不夠長。

領導力，

服從是學會領導的第一步，要指揮好別人就先學會服從，因為一個我行我素，不願意服從的人，雖然可能成為傑出人才，但是通常難以和同事相處。

遇到事情先要強迫自己慢三拍，想清楚任務的優先。先去做那些特別重要的工作，公司里有一個詞叫偽工作。

就是指哪些花了時間做了卻沒有影響力的工作。不要把自己陷在工作和周圍很小的圈子裡。

谷歌公司有位領導，想在一年時間里，盡可能和公司每個人吃一頓午飯：吳軍本人也做到了和上百人吃過午飯，因為這樣有三個好處：1.可以建立廣泛的人脈關系，因為在你未來的職業發展道路上，那些同事可能會幫助你的。2.是通過和他們交流，了解整家公司乃致整個行業的情況，開闊你的視野。3.可以提升你的軟實力。

任何時候，詢問都不是一件丟臉的事。

4. 讀《智能時代》前兩章有感

偶得吳軍老師的《智能時代》一書，閱讀該書前兩章，感覺受益匪淺，尤其是通過對第二章「大數據與機器智能」的閱讀，才使我對人工智慧的歷史有了一個大致的了解，現將感想傾諸於下。

一、「數據」概述

雖然我對人工智慧的具體情況尚不了解，但大致知道現階段的人工智慧需要以大數據為基礎，而《智能時代》第一章即詳細介紹了數據的相關問題。

首先，「在計算機出現之前，一般書籍上的文字內容並不被看成數據，」而今天，不止書籍上的文字內容，連我們的活動，我們每天的言談舉止，喜愛偏好等，都已被看成是某種數據。

在人類社會早期，我們通過觀察現象，總結數據，再從數據中提取出有用的信息，並在信息的基礎上形成知識（知識具有系統性），從而指導我們的行為。我們使用數據的標准流程如下：

而在過去數據的作用之所以不被重視，「這裡面有兩個原因，首先是由於過去數據量不足，積累大量的數據所需要的時間太長，以至於在較短的時間里它的作用不明顯。其次，數據和所想獲得的信息之間的聯系通常是間接的，它要通過不同數據之間的相關性才能體現出來。」而這種相關性也有待人們的發掘，吳軍老師舉了王進喜照片與日本投標之間的關聯、谷歌用戶對某節目的搜索量和該節目收視率之間的關聯以及搜索趨勢和流感疫情之間的關聯等來說明相關性的重要。

而關於第一個原因，「在互聯網出現之前，獲得大量的具有代表性的數據其實並非一件容易事，在誤差允許的范圍內做些統計當然沒有問題，但只有在很少的情況下能夠單純依靠數據來解決復雜的問題。因此在20世紀90年代之前，整個社會對數據並不是很看重。」

數據的相關性還要透過建立合適的數學模型來更好的加以利用，「要建立數學模型就要解決兩個問題，首先是採用什麼樣的模型，其次是模型的參數是多少。」「……如果一開始模型選得不好，那麼以後修修補補就很困難。因此，在過去，無論在理論上還是工程上，大家都把主要的精力放在尋找模型上。」

「有了模型之後，第二步就是要找到模型的參數，以便讓模型至少和以前觀察到的數據相吻合。這一點在過去的被重視程度遠不如找模型。但是今天他又有了一個比較時髦而高深的詞——機器學習。」（程按：既輸入數據，不斷調整模型，這和今天機器學習的方法類似）

「回到數學模型上，其實只要數據量足夠，就可以用若干個簡單的模型取代一個復雜的模型。這種方法被稱為數據驅動方法，因為它是先有大量的數據，而不是預設的模型，然後用很多簡單的模型去契合數據（Fit Data）。雖然這種數據驅動方法在數據量不足時找到的一組模型可能和真實的模型存在一定的偏差，但是在誤差允許的范圍內，單從結果上看和精確的模型是等效的，這在數學上是有根據的。從原理上講，這類似於前面提到的切比雪夫大數定律。

當然，數據驅動方法要想成功，除了數據量大之外，還要有一個前提，那就是樣本必須非常具有代表性，這在任何統計學教科書里的一句話，但是在現實生活中要做到是非常難的。……」

二、大數據和機器智能

「在2000年以後，由於互聯網特別是後來移動互聯網的出現，數據量不僅劇增，而且開始相互關聯，出現了大數據的概念，在2000 年以後，由於互聯網特別是後來移動互聯網的出現，科學家和工程師們發現，採用大數據的方法能夠使計算機的智能水平產生飛躍，這樣在很多領域計算機將獲得比人類智能更高的智能。可以說我們正在經歷一場由大數據帶來的技術革命，其最典型的特徵就是計算機智能水平的提高，因此我們不妨把這場革命稱為智能革命。當計算機的智能水平趕上甚至超過人類時，我們的社會就要發生天翻地覆的變化，這才是大數據的可怕之處。

那麼為什麼大數據會最終導致這樣的結果，大數據和機器智能是什麼關系呢？要說清楚這一一點，首先要說明什麼是機器智能。」

「1946年，第一台電子計算機ENIAC誕生，這使得人類重新開始考慮機器能否有智能的問題。」

「真正科學地定義什麼是機器智能的還是電子計算機的奠基人阿蘭·圖靈博士。1950年，圖靈在《思想》雜志上發表了一篇題為《計算的機器和智能》的論文。在論文中，圖靈既沒有講計算機怎樣才能獲得智能，也沒有提出什麼解決復雜問題的智能方法，而只是提出了一種驗證機器有無智能的判別方法。」既讓一個裁判坐在墓前和幕後的「人」交流，幕後是一台機器和一個人，如果裁判無法判斷出與自己交流的是人還是機器，那麼就說明這台機器擁有了和人同等的智能。

「這種方法被後人稱為圖靈測試（Turing Test）。計算機科學家們認為，如果計算機實現了下面幾件事情中的一件，就可以認為它有圖靈所說的那種智能:

1.語音識別

2.機器翻譯

3文本的自動摘要或者寫作

4.戰勝人類的國際象棋冠軍

5.自動回答問題

今天，計算機已經做到了上述這幾件事情，有些時候還超額完成了任務，比如在下棋方面，不僅戰勝了國際象棋的世界冠軍，而且還戰勝了圍棋的世界冠軍，後者的難度比前者高出6～8個數量級。當然，人類走到這一步並非一帆風順，而是先走了十幾年的彎路。」

鳥飛派:人工智慧1.0

「據記載，1956年的夏天，香農和一群年輕的學者在達特茅斯學院召開了一次頭腦風暴式的研討會。……事實上，這是一次頭腦風暴式的討論會。這10位年輕的學者討論的是當時計算機科學尚未解決，甚至尚未開展研究的問題，包括人工智慧、自然語言處理和神經網路等。人工智慧這個說法便是在這次會議上提出的。」

「人工智慧這個名詞嚴格地講在今天有兩個定義，第一個是泛指機器智能，也就是任何可以讓計算機通過圖靈測試的方法，包括我們在本書中要經常講的數據驅動方法。第二個是狹義上的概念，即20世紀五六十年代特定的研究機器智能的方法。今天，幾乎所有書名含有「人工智慧」字樣的教科書（包括全球銷量最大的由斯圖亞特·羅素和諾威格編寫的《人工智慧:一種現代的方法》一書）依然用主要的篇幅介紹那些「好的老式的人工智慧」（Good Old

Fashioned）。後來那些利用其他方法產生機器智能的學者為了劃清自己和傳統方法的界限，特地強調自己不是用人工智慧的方法。因此，學術界將機器智能分為傳統人工智慧的方法和現代其他的方法（比如數據驅動、知識發現或者機器學習）。當然，計算機領域之外的人在談到人工智慧時，常常是泛指任何機器智能，而並不局限於傳統的方法。因此為了便於區分，我們在本書中盡可能地使用機器智能表示廣義上的概念，而在使用人工智慧表達時，通常是指傳統的人工智慧方法，甚至我們有時會強調為人工智慧1.0。

那麼傳統的人工智慧方法是什麼呢？簡單地講，就是首先了解人類是如何產生智能的，然後讓計算機按照人的思路去做。今天幾乎所有的科學家都不堅持「機器要像人一樣思考才能獲得智能」，但是很多的門外漢在談到人工智慧時依然想像著「機器在像我們那樣思考」，這讓他們既興奮又擔心。事實上，當我們回到圖靈博士描述機器智能的原點時就能發現，機器智能最重要的是能夠解決人腦所能解決的問題，而不在於是否需要採用和人一樣的方法。

為什麼早期科學家們的想法會和今天的門外漢一樣天真呢？這個道理很簡單，因為這是根據我們的直覺最容易想到的方法，在人類發明的歷史上，很多領域早期的嘗試都是模仿人或者動物的行為。比如人類在幾千年之前就夢想著飛行，於是就開始模仿鳥，在東方和西方都有類似的記錄，將鳥的羽毛做成翅膀綁在人的胳膊上往下跳，當然實驗的結果都可想而知。後來人們把這樣的方法論稱作「鳥飛派」，也就是看看鳥是怎樣飛的，就能模仿鳥造出飛機，而不需要了解空氣動力學。事實上我們知道，懷特兄弟發明飛機靠的是空氣動力學而不是仿生學。在這里，我們不要笑話前輩來自直覺的天真想法，這是人類認識的普遍規律。

在人工智慧剛被提出來的時候，這個研究課題在全世界都非常熱門，大家彷彿覺得用不了多長時間就可以讓計算機變得比人聰明了。遺憾的是，經過十幾年的研究，科學家們發現人工智慧遠不是那麼回事，除了做出了幾個簡單的「玩具」，比如讓機器人像猴子一樣摘香蕉，解決不了什麼實際問題。到了20世紀60年代末，計算機科學的其他分支都發展得非常迅速，但是人工智慧研究卻開展不下去了。因此，美國計算機學界開始反思人工智慧的發展。雖然一些人認為機器之所以智能水平有限，是因為它還不夠快、容量不夠大，但是，也有一些有識之士認為，科學家們走錯了路，照著那條路走下去，計算機再快也解決不了智能問題。」

明斯基在《語義信息處理》引用了巴希勒使用過的一個例子: The pen was

in the box和The box was in the pen，來說明目前人工人工智慧的局限性。

「這兩句話會得到相同的語法分析樹，而僅僅根據這兩句話本身，甚至通篇文章，是無法判定pen在哪一句話中應該作為圍欄，在哪一句話中應該是鋼筆的意思。事實上人對這兩句話的理解並非來自語法分析和語意本身，而是來自他們的常識或者說關於世界的知識（world knowledge），這個問題是傳統的人工智慧方法解決不了的。因此，明斯基給出了他的結論:『目前』（指1968年）的方法無法讓計算機真正有類似於人的智能。由於明斯基在計算機科學界具有崇高的聲望，他的這篇論文導致美國政府削減了幾乎全部人工智慧研究的經費，在之後大約20年左右的時間里，全世界人工智慧在學術界的研究是處於低谷的。」

另闢蹊徑:統計＋數據

「到了20世紀70年代，人類開始嘗試機器智能的另一條發展道路，即採用數據驅動和超級計算的方法，而這個嘗試始於工業界而非大學。

在那個年代，IBM在全世界計算機乃至整個IT產業可以說是處於獨孤求敗的地位。……這時，IBM考慮的不能再是如何佔有更大的市場份額，而是如何讓計算機變得更聰明。

1972年，康奈爾大學的教授弗雷德·賈里尼克（Fred Jelinek，1932-2010）到IBM做學術休假，正好這時IBM想開發「聰明的計算機」，賈里尼克就「臨時」負責起這個項目。至於什麼是聰明的計算機，當時大家的共識是它要麼能夠聽懂人的話，要麼能將一種語言翻譯成另一種語言，要麼能夠贏得了國際象棋的世界冠軍。賈里尼克根據自己的特長和IBM的條件，選擇了第一個任務，即計算機自動識別人的語音。」

賈里尼克認為語音識別是一個智能問題，而是一個通信問題，既人發出語音是一個大腦編碼的過程，編碼完成，經過傳播，傳入聽者的耳朵，聽者接受並理解則是一個解碼的過程，而對於語音識別問題也可以按此處理，他「用當時已經頗為成熟的數字通信的各種技術來實現語音識別，而徹底拋開了人工智慧的那一套方法（指傳統的方法，讓計算機模擬人）」

「賈里尼克和他的同事在研究語音識別時，無意中開創了一種採用統計的方法解決智能問題的途徑，因為這種方法需要使用大量的數據，因此又被稱為數據驅動方法。這種方法最大的好處是，隨著數據量的積累，系統會變得越來越好，相比之下過去人工智慧的方法很難受益於數據量的提升。」

「在語音識別之後，歐洲和美國的科學家開始考慮能否用數據驅動方法解決其他智能問題。賈里尼克的同事彼得·布朗（Peter Brown）在20世紀80年代，將這種數據驅動方法用於機器翻譯。但是由於缺乏數據，最初的翻譯結果並不令人滿意，雖然一些學者認可這種方法，但是其他學者，尤其是早期從事這項工作的學者認為，解決機器翻譯這樣智能的問題，光靠基於數據的統計是不夠的。從20世紀80年代初到90年代中期大約十多年的時間里，在計算機界大家一直有個爭議，那就是數據驅動方法是否適用於各種領域，語音識別是否只是一個特例。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，一派堅持採用傳統的人工智慧方法解決問題，簡單來講就是模仿人，另一派在倡導數據驅動方法。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，提倡數據驅動的一派比較快地佔了上風；而在圖像識別和機器翻譯方面，在較長時間里，數據驅動這一派處於下風。這裡面主要的原因是，在圖像識別和機器翻譯領域，過去的數據量非常少，而這種數據的積累非常困難。圖像識別就不用講了，在互聯網出現之前，沒有一個實驗室有上百萬張圖片。在機器翻譯領域，所需要的數據除了一般的文本數據，還需要大量的雙語（甚至是多語種）對照的數據，而在互聯網出現之前，除了《聖經》和少量聯合國文件，再也找不到類似的數據了。」但隨著互聯網的興起，數據的獲取變得容易起來，2005年穀歌公司打敗全世界所有機器翻譯研究團隊所用的方法依然是數據驅動方法，而之所以能贏，則是因為「用了比其他研究所多幾千倍甚至上萬倍的數據。」

「如今在很多與「智能」有關的研究領域，比如圖像識別和自然語言理解，如果所採用的方法無法利用數據最的優勢，會被認為是落伍的。

數據驅動方法從20 世紀70年代開始起步，在八九十年代得到緩慢但穩步的發展。進入21世紀後，由於互聯網的出現，使得可用的數據量劇增，數據驅動方法的優勢越來越明顯，最終完成了從量變到質變的飛躍。如今很多需要類似人類智能才能做的事情，計算機已經可以勝任了，這得益於數據量的增加。

全世界各個領域數據不斷向外擴展，漸漸形成了另外一個特點，那就是很多數據開始出現交叉，各個維度的數據從點和線漸漸連成了網，或者說，數據之間的關聯性極大地增強，在這樣的背景下，就出現了大數據。」

「在有大數據之前，計算機並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據問題。由此，全世界開始了新的一一輪技術革命智能革命。」

盡管過往數年，計算機能做的事情越來越來，但給人的感覺仍然是「快卻不夠聰明」，但當我們擁有足夠多的數據之後，便可以化智能問題為數據問題，機器不再需要像人一樣思考才能解決問題，只要輸入足夠的數據，配合合適的演算法（模型），機器便可以做出最優的判斷。深藍即使戰勝了卡斯帕羅，「但在這看似聰明的表象背後，其實是大量的數據、並不算復雜的演算法和超強計算能力的結合——深藍從來沒有，也不需要像人一樣思考。」

「計算機下棋和回答問題，體現出大數據對機器智能的決定作用。我們在後面會看到很多各種各樣的機器人，比如 Google自動駕駛汽車、能夠診斷癌症或者為報紙寫文章的計算機，它們不需要像科幻電影里的機器人那樣長著人形，但是它們都在某個方面具有超過人類的智能。在這些機器人的背後，是數據中心強大的伺服器集群，而從方法上講，它們獲得智能的方法不是和我們人一樣靠推理，而更多的是利用大數據，從數據中學習獲得信息和知識。如今，這一場由大數據引發的改變世界的革命已經悄然發生，我們在後面的幾章會更深入地介紹它。這次技術革命的特點是機器的智能化，因此我們稱之為智能革命也毫不為過。」

5. 吳軍博士認為未來二十年是什麼為王的時代

吳軍博士認為未來二十年是數據為王的時代，出自吳軍博士的課程《大數據改變未來》。

課程中說道：

在過去的五十年裡，人類整個的發展根本的這個動力從科技的角度來講，就是一個摩爾定律，什麼意思呢？就是在1965年的時候，英特網公司後來的創始人摩爾先生，他提出來在今後的十幾年裡，半導體處理器的性能，比如說容量、計算速度和復雜程度每18個月左右可以翻一番。他也沒有預想到這件事一直發生了五十年。以至於人整個人類發生了天翻地覆的變化。

可以這么講，我們過去的整個的社會的科技進步工業進步以及這個GDP的提升都是靠這個摩爾定律，如果我們把這個摩爾定律帶來的電信化從過去五十年中拿去，我們會發現我們可能GDP不但沒有增加，而且還在減少。那麼這是過去五十年的情況。

在今後二十年它又會往哪兒走呢？在未來的二十年裡，什麼決定世界經濟發展的方向？我認為如果說過去五十年是摩爾定律的時代，未來二十年就是數據為王的時代。

大數據會帶來機器智能，也就是說讓我們的計算機變得非常聰明，以至於它超過我們人類的智能。為什麼這么說呢？我們剛才講了，計算機的發展速度本身是一個指數增長，而我們人的智能的發展速度是一個線性增長，甚至還會稍微慢一點，那麼一定在某一個時間點，它會重合。

今天可能就是這個重合的時間點，那可能你又會問了，為什麼正好在這個時間點上，我們會有這么多的數據？一個是互聯網的收集和積累，再有一個就是今天各種感測器，各種智能設備，各種監控設備，它們無時無刻地不在為我們提供大量的數據。而在我們過去，因為存儲量計算量不夠的時候，我們把這些數據都拋棄掉了，不是說這些數據在過去不存在現在存在，只是說我們現在因為半導體事業的發展，我們有能力，有可能來存儲和處理這樣一些數據。

(5)根據吳軍先生所講大數據會代理機器智能擴展閱讀：

吳軍博士簡介：

畢業於清華大學計算機系（本科）和清華大學電子工程系（碩士），並於1993-1996年在清華任講師。於1996年起在美國約翰霍普金斯大學攻讀博士，並於2002年獲得計算機科學博士學位。

在清華和約翰霍普金斯大學期間，吳軍博士致力於語音識別、自然語言處理，特別是統計語言模型的研究。他曾獲得1995年的全國人機語音智能介面會議的最佳論文獎和2000年Eurospeech的最佳論文獎。

吳軍博士於2002年加入Google公司，任Google研究院資深研究員。到Google不久，他和三個同事們開創了網路搜索反作弊的研究領域，並因此獲得工程獎。

2003年，他和兩個同事共同成立了中日韓文搜索部門。吳軍博士是當前Google中日韓文搜索演算法的主要設計者。在Google期間，他領導了許多研發項目，包括許多與中文相關的產品和自然語言處理的項目，並得到了公司首席執行官埃里克·施密特的高度評價。

吳軍博士在國內外發表過數十篇論文並獲得和申請了近十項美國和國際專利。他於2005年起，當選為約翰霍普金斯大學計算機系董事會董事。

2010年，吳軍博士離開Google，加盟騰訊公司，擔任負責搜索業務的副總裁。並擔任國家重大專項「新一代搜索引擎和瀏覽器」項目的總負責人。

6. 《智能時代大數據與智能革命重新定義未來》epub下載在線閱讀全文，求百度網盤雲資源

《智能時代》（[美國] 吳軍）電子書網盤下載免費在線閱讀

資源鏈接：

鏈接: https://pan..com/s/1xexwmR8-edh9HcRsvwTH3A

提取碼: 8162

書名：智能時代

作者：[美國] 吳軍

豆瓣評分：8.4

出版社：中信出版集團

出版年份：2016-8

頁數：374

內容簡介：

大數據和機器智能的出現，對我們的技術發展、商業和社會都會產生重大的影響。作者吳軍在《智能時代：大數據與智能革命重新定義未來》中指出，首先，我們在過去認為非常難以解決的問題，會因為大數據和機器智能的使用而迎刃而解，比如解決癌症個性化治療的難題。同時，大數據和機器智能還會徹底改變未來的商業模式，很多傳統的行業都將採用智能技術實現升級換代，同時改變原有的商業模式。大數據和機器智能對於未來社會的影響是全方位的。

作者簡介：

吳軍，博士，與2002年加入谷歌公司，2010年加盟騰訊公司，出任負責搜索和搜索廣告的副總裁。2012-2014年回到谷歌，領導計算機自動問答項目。2014年，他在矽谷創辦了豐元資本風險投資公司。他在美國兩家風險投資基金（中國世紀基金和ZPark風險基金）分別擔任董事和顧問，也是約翰霍普金斯大學工商學院董事會董事，以及該校國際事務委員會的顧問。

7. 吳軍：互聯網創業到底有多蠢

以下內容來自高山大學2019年經典課程。授課老師：吳軍，著名學者，投資人，人工智慧、語音識別和互聯網搜索專家。豐元創投創始合夥人，前Google智能搜索科學家，前騰訊副總裁。著有《數學之美》《浪潮之巔》《矽谷之謎》《文明之光》《智能時代》等多部暢銷圖書。

今天主要給大家講講矽谷的技術趨勢。

為什麼矽谷今天的技術是這樣的，他有一個很重要的前提叫做： 預先要求 。

比如說我們能在2007年的時候用上智能手機，原因是20年前也就是1987年左右，伯克利發明了雙觸屏技術。這就是預先要求。

再一個就是要有足夠的市場規模。比如互聯網市場其實就是一個很小的市場，養不活那麼多公司。全世界有上百萬家互聯網公司，但99.9%是虧錢的。

今天我用一個投資人而不是教授的眼光來看看在矽谷投資，看看矽谷的技術發展趨勢 。

大概從2008年開始有兩個熱門的詞，一個是雲計算，一個是移動互聯網。當時標志性的事件就是亞馬遜和Google開始對外提供收費的雲計算服務，而不是僅僅是他自己的企業級內部的服務。另外一個就是當時安卓系統出來了。

這兩件事的發生帶來了企業級的軟體和服務的升級。

2010年前後，全世界的企業級軟體和服務的市場大概約5000多億美元。當時美國一個IT企業里平均每個員工IT費用約5000美元左右，即使是一個UPS的投遞員，一年所花的企業級軟體費用大概也有500美元，到現在這個規模就更大了。所以這個市場很大。這也是為什麼微軟、IBM這樣的公司很成功的主要原因之一。

5000億美元是什麼樣一個概念呢？拿互聯網行業來比的話，2016年全世界互聯網市場是3800億美元，2018年估計是4500億美元。互聯網市場增長很快，但是依然沒有達到肆基企業級軟體服務的水平。

然而全世界的互聯網公司比軟體公司要多得多，所以這也是為什麼全世界互聯網公司大部分不掙錢。當然，更主要的是，互聯網公司和軟體公司不一樣，Google一家佔了全世界1/4的市場，1/3的互聯網收入，再加上阿里巴巴、騰訊、Facebook、亞馬遜等等，共佔到了80%，然後剩下全世界一百多萬家互聯網公司（其中一大半在中國）去爭不到1000億美元的市場，所以是不可能掙得著錢的。

所以就創業來講， 互聯網創業是很蠢的一個行為 。

企業級軟體和服務這個轎高市場在中國大家並不熟悉，因為中國大部分都是不付軟體費，付也付得很少 。所以這種環境就生生把一個本來可以很做的很大市場給做沒了。今天中國做企業級軟體的公司像東軟、金山、用友等上市公司市值全部加起來，都不到Adobe的一半，而Adobe還只是一個中型的軟體公司。

中國出了一個新概念，其實就是這件事的一個翻版。叫工業互聯網或者企業互聯網。

那麼話說回來，為什麼從2008年到2016年大概8年時間里，美國要通過這兩件事把企業級的軟體做轉型升級呢？

因為如果用亞馬遜的雲服務或者Google微軟的雲服務，加上原來的企業級的軟體服務這種解決方案。相比過去買IBM的計算機和Oracle的計算機伺服器，再用他們資料庫，成本要低70%左右裂帆謹。所以大家都覺得這是一個趨勢。

今天大家都在說，為什麼微軟好像又重新起步了，市值超過1萬億美元。但是仔細去讀微軟財報，就會發現它利潤其實並沒有增長。

它的市值漲了一倍多，原因在於它的估值PE漲了一倍多。為什麼PE漲？原因很簡單。微軟原來賣軟體，現在變成了在雲計算上賣服務，大家覺得這是未來的發展方向，所以它估值又高了。

中國過去在企業及軟體和服務這件事上收不來錢，但今天有可能收得來錢 ，為什麼？因為現在不賣軟體，而是把軟體放在雲端賣服務了。這已經慢慢的形成一個趨勢了。

趨勢能夠形成，就在於它的預先條件成熟了。

有了雲計算，有了移動互聯網，有了感測器技術，就帶來了大數據。很多數據原來不是沒有，而是有但我們無法收集。 過去3年裡，我們收集的數據是人類有史以來到3年前所有數據的總和 。

有了雲計算和大數據，機器智能或者說人工智慧就產生了。

今天之所以有人工智慧，有三個重要原因。

一是處理器的處理速度非常快 。

處理器進步的速度有多快，你們可能想不到。舉例來說，就是如果我們用1946年的計算機技術來實現2016年Google AlphaGo贏李世石的那台計算機，用電量要多少？

要用掉幾百萬個三峽的發電量。

這就是一個基本技術進步。正是因為有這樣快的技術進步，今天的計算機才變得如此聰明。

第二個是數學模型比較好 ，能把我們現實生活中很多看上去不是數學問題的問題變成數學問題，然後用計算器計算。

第三個就是大數據 。

面對大量的數據，如果用的還是用我們傳統的方法先建數學模型再去琢磨，那是不行的。用到大數據，就需要機器智能。有了機器智能，有了移動互聯網，有了感測器，自然而然就到了今天很熱門的一個概念：萬物互聯IoT。

IoT這個市場有多大呢？

當我們周圍全部是智能設備的時候，智能 汽車 、智能家居等等，都能夠直接上網，這里不是說通過你手機或者通過Wifi上網，而是每個智能設備都會有一個類似於我們手機SIM卡，通過這個卡來上網。這個時候我們現在的4G就不夠用了。因為不可能並發處理這么多信息，那麼就需要5G，所以這兩個是關聯的。

IoT和5G的結合，最保守的估計，到2030年，可以把這目前這兩個市場的總和翻一番 。每年增長6%不算太快，跟中國的GDP比的話。

但是在世界整個IT行業的增長來講，這是一個很令人振奮的信息。為什麼呢？

剛才我提到全世界互聯網市場大概4000多億美元，那電信市場有多大呢？大10倍，將近4萬億。

電信市場是個十倍大的市場，而且從業的公司沒有那麼多。到2030年，這個市場大概能擴大到8萬多億美元。差4萬億。4萬億什麼概念呢？今天日本的GDP就是4萬多億，德國是3.8萬億。80多年前，日本人說大東亞共榮根本不可能實現，但現在， 中國要是真在IoT+5G時代佔了一個主要的大的市場份額，創造出相當於日本現在的GDP的市場，其實也就是相當於實現了大工業大東亞共榮。

通過技術的方式，能做到這一點，這是一個未來大的市場。

從投資角度來講，為什麼有些技術我們投有些不投呢？

原因在於，首先這些預先的技術你是否滿足了。

第二個就是市場規模的前景要很大。我一直覺得大家來高山大學學習特別好，就在於高山大學教大家科學，學習科學你就會算這筆賬。很多 科技 媒體報道，甚至有一些大學商學院講他們不會教你科學的底層邏輯，糊里糊塗告訴你一個趨勢，這個趨勢沒有科學基礎是不行的。

再接下來就是大數據。機器智能和生物醫療技術結合起來，就形成一個大產業，就是IT+醫療，這也是一個非常大的市場。

我們現在檢查身體的很多設備其實都很老，聽診器大概用了幾百年了，心電圖也有上百年的 歷史 了，CT和MRI都現在也有40多年了，但這些都被認為是目前比較先進的診療手段。仔細想想，我們的手機是什麼樣的，更新迭代的速度有多塊，如果我們用的一個IT產品還是40年前的，你肯定會覺得這東西基本上沒法用了，但是我們的醫療設備就是這樣的。

此外，我們做的檢查也很老套，比如你心臟不舒服了，去醫院醫生會讓你測一下心電圖，但如果檢測的時候心臟正好正常的話，那就測不出來任何問題。我們希望有什麼樣的檢查方法呢？那就是最好有一些設備，能夠隨時監控跟蹤我們整個人的新陳代謝，細到我們身體出了任何問題它都會馬上知道。

特斯拉 汽車 與寶馬或者賓士車相比，最大的區別就在於，一旦車出了什麼問題，給他們一個電話，他們能立刻預約維修。因為特斯拉對自己的車有監控，能夠隨時進行分析。但是賓士寶馬不一樣，他們有記錄，但沒有互聯網監控，一旦車出了什麼問題，就會要比較長的維修時間。

今天很多工業設備是有監控的，比如說像商用的噴氣式飛機的發動機，上面有一千多個感測器，每天運行一下，能夠收集大概超過1G的原始數據，就是它里頭溫度、燃燒、濕度等等各方面都記錄得很好。

再比如說機場維修發動機也是很快的一件事情，因為他們也有非常好的記錄和監控。但是我們身體沒有一個感測器。所以說智能與醫療結合會產生一個大的市場。

那麼這個市場到底有多大呢？

美國2018年GDP為20萬億美元，醫療方面費用約佔18%的GDP，也就是3.6萬億美元。中國市場多大？如果除掉其他雜費，只按照醫院的收費，這個市場非常小，佔GDP的不到5%。如果把買保健品等各種醫葯雜費都算上，佔比就很大，但是這個沒法估算。

上海交大商學院有一個大概估計，約佔GDP 13%到14%，跟美國也差不多。所以這兩個國家AI+醫療的市場就差不多6萬億。所以這是一個很大的市場。我講這些東西就是要告訴大家 眼界要開闊一些，不要老想著技術，或者老想著互聯網上我能琢磨點什麼東西，市場太小，格局太低。

另外，當我們有了人工智慧，有了IoT、有了區塊鏈，整個世界就會形成一個超級智能。單個蜜蜂的智能水平非常差，但是一旦形成了一個群體的智能的時候，就會很強。相比於人而言的個體決策，人工智慧收集了很多數據，最終形成綜合的決策，所以這在未來會是一個很大的市場。

8. 丁磊力薦，吳軍智能時代下的產品之道

文／田羽 （微：mailvincent）

網易CEO的丁磊最近給大家極力推薦了吳軍的《智能時代》，同時提到「人工智慧技術在未來十年間將會影響我們生活的方方面面，我們的傢具、娛樂、各種服務體驗，將會發生顛兆山覆性改變。」

那麼《智能時代》里到底描繪了怎樣的一種場景？已然來臨的智能時代對我們，尤其是產品經理的工作方式、思維方式會帶來哪些影響？

在吳軍眼裡，AlphaGo在圍棋的對決中大獲全勝，到底意味著什麼？Google的無人汽車怎麼就要讓司機同志們全都失業了？

更進一步，在智能時代背後，未來的產品的商業模式和形態會發生哪些變化？會有哪些產品機會？作為產品人的我們准備好了嗎？

吳軍在智能時代里始終圍繞著這樣一個命題：「智能時代這次真的來了」。

人工智慧這個概念實際在1956年達特茅斯學院的會議上就被提出來，到2016年已經經歷了60年一個甲子的時間。期間三起兩落，第一次是鳥飛派為代表，以規則學習、專家系統為主，期望理解人腦來推進人工智慧進展；不過大家也都知道，人類對大腦的理解微乎其微，人工智慧技術陷入低谷。

第二次是以搞通信的賈里尼克為代表的統計學派，基於香農提出的資訊理論來解決人工智慧的問題。此時，各種智能問題實際上被理解成消除不確定性問題，這種思維模式的升級無疑又把人工智慧應用向前推進一步。

實際上，確定性思維（又稱連續性思維）一直是工業時代的精華，胡適老先生就提出過教誨幾代人的「大膽假設，小心求證」，即「先假設一個元模型，然後再通過數據驗證迭代構建一個復雜的模型」。無論是牛頓，還是愛因斯坦的成就其實都是基於上述思維構建的成果。

而確定性思維卻越來越受到挑戰：一方面隨著我們對認知的加深，影響這個世界的變數越來越多，另一方面，量子力學的測不準原理等都決定了世界不確定這一基本特性。在未來簡史中，尤瓦爾·赫拉利則猜蔽從人類學、歷史學等角度也闡述了類似的觀點。 他提出了知識的悖論，知識（預測）不改變行為就無用，行為一旦改變，原本的知識（預測）就立刻失去了意義。

人工智慧雖然像在語音識別等問題上，准確率得到大幅提升，但是由於數據量、計算能力等的限制，大部分應用仍無法商用。

人工智慧（神經網路）研究的第三次浪潮始於 2006 年的突破。藉此浪潮，深度學習（Deep Learning）概念（參見Ian Goodfellow等，Deep Learning，P17）普及開孫州來。而標志性的代表則是，Hinton 和合作者的論文"A fast algorithm for deep belief nets" (深信度網路的一種快速演算法)。下面則是深度學習模型示意圖：

隨著互聯網、大數據、並行計算等技術的發展，尤其是大數據的數據量大、多維度、完備性等特點加速人工智慧的第三次浪潮。

2016年，AlphaGo打敗了李世石，圍棋這個人類引以為傲的棋類競技項目目前已經遠遠落後於機器智能；悄無聲息間，google的無人駕駛汽車已經行駛了超過200萬英里。

從人類歷次技術革命的發展歷程來看，無論是第一次的蒸汽機革命、第二次的電力革命還是第三次的信息革命，無不推動著既有產業的全面升級。

可以預見人工智慧將會逐步滲透到社會的各個產業，從而實現「從局部到整體，我們實現智能化社會，從整體到局部，我們實現社會的精細化」的奇妙場景。

從互聯網近20年的發展來看，可以歸納為三個發展周期，每個周期接近7-8年左右的時間，期間有波峰的高速發展，也有波谷的泡沫散盡。郝志中在《用戶力》里做出歸納總結：

從上圖可以看到，三個周期大致如下：

1）第一個周期，1995年－2002年，窄帶互聯網，特徵是三大門戶的興盛，02年起，WEB1.0找到了商業模式。

2）第二個周期，2002年－2009年，寬頻互聯網，特徵是內容媒體異常豐富，圖文，視頻等媒體形態頗為盛行，BAT完整對流量入口的布局，正式進入WEB2.0。

3）第三個周期，2009年－2016年，移動互聯網，特徵是微博、微信大行其道，而2015年的股市崩盤，預示著互聯網企業的高估值神話破滅，死掉的O2O企業名單一批接一批，16年開始回歸理性，互聯網＋開始逐步滲透到各行各業。

而上述的周期的變更，其底層邏輯可以用如下基本原理（公式）所闡述：

公式1:信息傳播的速率不可能超過信道的容量（資訊理論的第二定律）

公式1可以簡單理解為，窄帶互聯網，寬頻互聯網，移動互聯網作為基礎信道決定了上層的信息傳播的形態（產品的形態）。現在，巨頭們都在豪賭AR、VR會繼智能手機外，成為另外一個底層基礎信道。（後面會提到）

那麼新的技術導致生產關系變化的規律又是怎樣的呢？產品形態有哪些具體的不同？咱們接著看（大鬍子等人總結）：

從上面這張圖可以看到，橫軸（1）代表的是由底層技術驅動的三大產品周期，分別是窄帶互聯網到寬頻互聯網，再到移動互聯網。而縱軸（2）代表的是某個大產品周期下的產品類別，規律突顯，總有這樣的產品類別：

1）為用戶提供 信息服務 為主的產品

2）為用戶提供 娛樂（游戲） 為主的產品

3）為用戶提供 交流（社交、社區） 為主的產品

4）為用戶提供 服務（衣食住行首當其沖，並會往其他行業逐步滲透） 為主的產品

看懂過去，就可以預測未來。

那麼，驅動下一波的產品周期的底層信道會是誰？

AR？VR？從Facebook重金收購Oculus看，他們押注VR；而從Google不斷重啟失敗多次的Google Glass項目和微軟力推HoloLens項目看，他們押注AR。而從AR、VR的實際體驗和應用來看，目前還沒完成其完整產品的構建（還處在摩爾所描述的鴻溝當中）。

而另一種更為大家所接受的觀點則是 互聯網＋，即使用互聯網、大數據、雲計算等信息技術去改進傳統行業的價值結構，壓縮成本，提高效率。

潤米咨詢創始人劉潤曾經提出過產業＋互聯網的價值公式：「 創造價值 + 傳遞價值 = 用戶價值 」。企業根據價值定位不同可以分割為以創造價值為核心（產品型公司）的與以傳遞價值為核心（渠道型和營銷型公司）的兩種不同類型的企業：

比如蘋果、特斯拉、微信就屬於產品型公司，而耐克，李寧，加多寶，農夫山泉則更多的屬於渠道型或營銷型公司。

劉潤講了一個很深刻的觀點：「 這個世界的發展是由兩股力量在推動著，一個是真正的創新，一個是極致的效率，價格上升是創新紅利，價格下降是效率紅利，真正的創新改變這個世界，並讓創新者享受創新所帶來的紅利，而極致的效率通過降低價格再把這個紅利返還給全社會，兩股力量如此往復，推動世界向前發展。」

整個互聯網的發展，即信息革命的底層邏輯可以理解成下面這個基本原理（公式）：

公式2:新技術＋現有產業＝新產業（所謂的新的技術導致生產關系的變化）

公式2可以簡單理解為，隨著互聯網底層的技術，包括網路帶寬，智能手機，晶元計算能力等技術驅動的上次產業或產品形態的變化。

據此，我們可以理解為，互聯網的上半場已去，即所謂的互聯網把最表層的商品的都做了一遍。 而互聯網的下半場則 更可能是用更強大的底層技術以及生產力 ，把全中國所有的商品都重做一遍。

不早也不晚，在大數據、摩爾定律以及更先進的演算法驅動下的人工智慧則會同時加速技術驅動的創新以及效率的提升。

最為關鍵的產品思維模式層面，也會發生巨大的變化。現在非常流行的精益創業的基本思維方式其實是基於假設不斷驗證迭代的過程。

具體地，可以看下面這張圖，我們通過（1）基於同理心洞察的創新驅動，找到我們認為的一些用戶痛點或創新的機會點，再通過（2）基於價值假設的精益創業來不斷交付、驗證以及調整。

這是我們現在最流行的一種產品啟動以及產品迭代的方式，而整個過程類似下面這張圖：

之所以會不斷的調整產品迭代路線圖，是因為我們的創業和創新處在極端不確定中，大家只能不斷的假設，驗證，再假設。在這個過程中我們只能比誰驗證的成本更低，驗證的速度更快，即所謂的「Fail Cheap，Fail Fast」。這幾乎是一套事實上的產品思維。

而在人工智慧時代下，在產品目標的驅動下，我們在某些場景下，可能不必再去假設了。而是直接通過構建和使用多維度，完備的大數據來去解決其中的不確定性問題（假設），再通過機器識別，直接得到模式（需求洞察以及行業洞察）直接去解決行業問題。

假想，你還在迷霧中航海，你只有通過不斷假設以及驗證去尋找到達彼岸方向的時候，別人則使用大數據和人工智慧精準的制導，直接找到了解決問題的模式。哪個更快？哪個效率高？

就好比下面的經典案例，傳統1.0的模式，不考慮用戶的需求，直接做出一個蛋糕，結果發現不是用戶需要的；而到了2.0的精益創業模式，為了驗證用戶的需求，我們採用MVP的方式，不斷驗證和調整我們的MVP，最終做出用戶喜愛的蛋糕；而到了3.0大數據的模式識別模式，我們有可能基於大數據的多維度、完備性等特點直接得到一個更高效，用戶更喜愛的蛋糕。

而在智能時代，誰掌握了第三種產品思維模式可能會對第二種和第一種形成降維攻擊和碾壓。而掌握第三種產品思維模式的關鍵，可能不是優先關注「我洞察到了什麼用戶痛點或行業痛點」，而是優先考慮「看看我們掌握了多少數據，還需要什麼數據，有了這些數據我們能幹哪些事。」

再往下推想去，可能是這樣一種常見，在傳統行業里，誰率先讓本行業數據先流動起來，優先形成閉環並重構行業效率，誰就佔領了新的制高點。正如吳軍所說：「誰掌握了信息，誰就能獲取財富，就如同在工業時代，誰掌握了資本誰就能獲取財富一樣。」

產品的商業模式將以獲取數據為主要目的，為了數據可以大量使用免費策略。而不光要獲取數據，還要想著提供更多的數據連接和交換。這樣，無疑會出現一個巨大的正反饋，擁有越多數據的公司，可以交換得到更多數據，得到更多數據，也就擁有了更多的信息和財富。至此，會出現大量的行業數據（或某些領域數據）的巨頭，甚至是跨行業的數據巨頭，他們會顛覆BAT，會成為下一個BAT。

另外，講真，產品的內涵其實也悄然發生了變化，原先的產品內涵是：「為人提供服務或價值」，而現在人變成了人和機器人，或是像未來簡史裡面所描繪的：生物只是演算法，生命只是演算法的處理。那又會是一幅怎樣的場景？

在前面所提及的第三種產品思維模式（智能時代下必備的思維模式）下，會出現如下產品數據流程：

我們可以看到對於不同的服務對象（2C、2B），產品上會呈現不同的新特點：

對於2C類（面向消費者市場）的產品，用戶各維度的行為數據都會被平台所搜集，藉由機器學習的演算法，產品會千人千面：在不同的場合，不同的空間和時間里，你得到的產品服務是不一樣的。同一時空下，兩個人得到服務也是不一樣的。產品會更加個性化和場景化。事實上，無論是亞馬遜，Netfix（網飛），還是今日頭條都已經在這條路上了，並通過此法構建了其產品核心競爭力。所以今日頭條其實不是一家媒體公司，它是一家數據演算法公司。

對於2B類（面向企業服務市場）的產品，效率仍然會是一個最為關注的關鍵詞。衛哲在混沌研習社中做過一次「提升效率」為主題的分享，其中包括：個人效率、組織效率、資產效率、戰略效率、創新效率五個大板塊。

從當下的日益飽和和被透支的消費者市場來看，面向企業服務市場的效率提升會是一個主要機會點。而圍繞此展開的，有兩個方面：一方面大量的XAAS公司來作為底層支撐去提升公司的各維度效率，另一方面，來自行業內的公司，會有一些人率先站出來，構建行業數據的全流程採集，以及數據分析處理的閉環，並嘗試使用通過大數據的方式去洞察一些行業痛點和機會點。

其實B類產品和C類產品都繞不開效率，舉個例子，時下最火的共享經濟就其本質就是效率，更准確的講是追求資產利用率。

比如對於摩拜單車、OFO的模式關鍵不在於有多少輛車，而是每輛車每天的使用率。如果車的使用率低，那就是一個效率低的公司。

還以共享單車為例，我們已經不再購買商品（自行車），我們購買服務，商品是按照計劃生產出來的，有多少用戶我們是完全知道的，有多少用戶使用了自行車我們也是知道的。如果全球的自行車都是共享單車的話，我們就知道全球多少人使用、還需要多少輛自行車。而這種模式最有話語權的既不是自行車的廠家，也不是消費者，而是中間的平台調度公司，即大數據演算法公司。

就像未來簡史裡面提到的，演算法會成為像公司以及國家這樣的實體，掌握人類。

在未來IoT+機器智能為共享經濟帶來了可能。在共享經濟裡面，連接比擁有（內容）更重要。Google、Facebook沒有內容，阿里沒有商品，微信沒有網路，滴滴，uber、AirBnB沒有車和房屋。

現在愈演愈烈的共享經濟（AirBnB、滴滴、共享單車、共享充電等）只是人工智慧大展拳腳的一個市場切入點。

也許，真的如吳軍在智能時代中所說，從局部到整體，我們實現智能化社會，從整體到局部，我們實現的社會的精細化。

智能時代下的產品服務類型大致會有這樣的構成：

第一種的產品服務類型，提供包括從數據採集、數據分析處理、機器學習等基礎技術能力的產品服務。比如，像Google、Facebook、等。

第二種產品服務類型，則是前面提到的，行業內的公司自己構建本行業或跨行業的數據採集、分析、處理的閉環。成為該行業數據服務以及信息服務的關鍵結點。在這點上，面向消費者，面向企業或是面向政府的應用本質上差異不大。

這意味著，傳統行業立足行業之本，依然大有可為。而且也與互聯網＋的大潮十分契合。

除了前面兩大海量市場外，絕大部分面向終端服務的產品類型會是怎樣一種場景呢？

其實，早在20年前，哈佛商業評論（HBR，1998）就提到了體驗經濟的趨勢及其價值模型，並提到：產品的體驗越好，越有差異性，就越能獲得更高的價值這一發展趨勢。

其實這個規律一直沒有變，且我們還有很多東西可做。

在2016年的哈佛商業評論（HBR.ORG 2016.9）中提到產品的需求金字塔模型（見下），在該模型中，產品的需求自下而上分為，功能，情感，自我實現以及社會影響力等。總體的趨勢是，如果能覆蓋到越高的層次，用戶的忠誠度越高，產品的價值敏感性也越高。

唯有創新，才有不同，唯有不同，才有高利。

我曾經在 《產品拆解：透析網易雲音樂背後的造物邏輯》 中提到網易雲音樂能在不到4年的時間發展3億用戶，能在BAT的布局的音樂紅海市場中殺出一條血路，能成為中國最有口碑的音樂產品的核心在於其構建了一套具有詩意交互的體驗框架。曾經也不止一位小夥伴告訴我，網易雲音樂是其唯一願意付費的音樂產品。事實證明，其也在4月初拿到A輪融資，估值80億。

當然，機器人最終也會擁有情感。

唐納德·A·諾曼在《情感化設計》中提到，機器也最終會有情感，雖然機器的情感與人的情感不一樣，但是我們需要機器有理解主人情感狀態的能力。同時機器具備積極的情感會不斷的改進，而具備消極的情感則可以適當的保護自己。甚至是挫敗感和自豪感都可以幫助更好地完成任務（情感化設計，P176）。不過距離這一天至少還有很長的一段距離。

本文回顧了吳軍智能時代下的奇妙場景，並嘗試通過兩個第一性原理（First Principle），即資訊理論第二定律以及底層技術（生產力）決定上層生產關系，來眺望互聯網浪潮的下一波紅利，及其真實的底層驅動力。

更進一步地，本文著重分析了智能時代下將誕生一種更加高緯度的產品思維模式，其創新性和效率遠超時下最流行的精益創業的思維模式。

這種高緯度的產品思維模式將推進整個2C以及2B產品形態的升級換代，2C的產品的競爭力在於數據洞察後的千人千面，更加個性化和場景化；而2B的產品競爭力在體現數據閉環所提升的效率。愈演愈烈的共享經濟（共享單車等）則是這種思維模式以及產品形態的一個縮影。

吳軍說，那麼成為那2%，那麼則被淘汰。而本文則認為，顯然機會和挑戰並存，尤其對於傳統行業，誰優先構建數據閉環，優先成為該行業數據服務以及信息服務的關鍵結點，誰就有可能在本行業搶佔先機。

當然體驗經濟依然是值得大家關注和突破的領域，做好極致體驗，你會讓你的產品由價格敏感提升為價值敏感。

丹尼爾·平克在《全新思維》中，他敏銳地察覺到，人類社會已經步入「右腦時代」，在這個時代，知識不再是力量。他開創性地指出：未來屬於那些擁有與眾不同思維的人，唯有擁有右腦時代的6大全新思維能力：設計感、娛樂感、意義感、故事力、交響力、共情力，即「三感三力」，才能於決勝於未來。

可以預測到，產品經理會至少分化成兩種角色，數據產品經理或演算法產品經理可能是一類崛起的崗位，他們更側重左腦思維，也會和當前的一些開發崗位形成融合。超過6位數年薪的數據科學家可見一斑。

而原先的產品經理，可能更多的偏向社會學，心理學，設計學等多學科綜合的崗位，他們更側重右腦思維。

著名未來學家彼得•伊利亞德說：「今天我們如果不生活在未來，那麼未來我們將生活在過去。」

未來已來，你會怎麼選擇呢？或許在數據和演算法面前，我們已別無選擇。

產品拆解：透析網易雲音樂背後的造物邏輯

設計思考：這可能是國內高校最早的產品經理課程

設計思考：拆產品也許是建立完整產品觀的最快實踐了，但你可能拆的是假產品

9. 機械思維、大數據思維與人的世界

吳軍博士的新書叫《智能時代》，副標題是「大數據與智能革命重新定義未來」，因為這個智能革命恰恰源於數據驅動，與此相對應的是機械思維驅動了工業革命。從歷史的角度來看，這似乎只是不同的發展階段，但如果從底層邏輯來看，我認為這只是不同數據尺度的體現。

機械思維到大數據思維既不對立互斥也並不彼此相鄰。如果籠統地總結，機械思維當隸屬小數世界，大數據則隸屬大數世界，而處於兩者中間的是我們的日常更常面對的中數世界。

一、機械思維與小數世界

在當今的我們看來，「機械思維」好像是滯後的、呆板的象徵，甚至「機械」本身也成為了對某個人的形容，然而絕非褒義。然而在17世紀，機械思維就像當今的所謂互聯網思維一樣時髦。

機械思維的方法論如果用八字箴言來概括我覺得沒有比「大膽假設、小裂燃心求證」更合適的了。大體上就是做出假設、建構模型、數據證實、優化模型肆臘虛、預測未來。這也是沿用至今的一套思路。成果也是顯然的，比如，牛頓——他用力學三定律和萬有引力定律幾個簡單明了的公式說明了大千世界宇宙萬物的運動規律。

這裡面有三個點， 一是公式的確定，二是公式的簡明，三是公式的普適 。這也是機械思維的三大特質。

先看確定性和普適性。牛頓的定律無論應用於什麼樣的場合，都可以用一樣的公式推出相應的確定的結論。這對於人們來說非常重要，因為根據種種確定的定律和原理，世界對於我們而言成為可知，我們也可以藉此預測系統中其他變數的反饋、預測未來。

簡明性一樣重要。牛頓所處的時代宇宙的復雜程度並不比現在弱，不一樣的只是思維方式決定的模型差異。太陽系中有成千上萬的天體，按照完全的計算，就復雜了去了。然而萬有引力定律非常簡潔優雅，將萬千天體的作用回歸到依次考慮兩兩天體的互相作用力中。甚至更進一步，由於太陽獨一無二的巨大質量，牛頓將每個行星和太陽看成一個獨立的二物系統，得到了更進一步簡化。回歸到兩物體系統自然是個「小數」，然而這個所謂的小數世界原本其實並不那麼小。比如，在一個僅考慮兩物體的系統中，涉及到兩物體各自的情況、彼此相互作用的情況和它們所在的系統的情況。如果借用數學和力學概念來描述，那麼兩物體系統涉及到孤立方程、相互作用方程和場方程共4個方程。此系統每增加一個物體，場方程數量保持1不變，孤立方程線性增長1個，但相互作用方程數就呈指數級增長了。所以，簡化也是其核心。

二、大數據與大數世界

與上述機械思維一脈相承，蘇聯在設計武器和航天器時依賴牛逼的數學家建立復雜而精準的數學模型，希望可以用之皆準。美國的科學家數學底子弱一些，所以走了不同的道路——建立簡單的數學模型，但依賴於計算機和大量數據。結果是美國的路子勝出了。

吳軍博士在《智能時代》中還舉了另一局槐個例子——德國擁有完美的光學儀器技術，所以做出了高難度的非球面透鏡，儀器小巧而完美；日本缺乏這樣的技術，所以用多個球面鏡組合來獲得同樣的效果，這樣的機器笨重然而容易大規模生產使用。二戰後，成為光學儀器第一大國的不是德國，而是日本。

在這兩個例子中，都通過 多個簡單模型來勝過單一的精確模型 。然而這樣的勝出是有前提的——基於大數據。如果說機械思維下的精美模型是純凈的晶體，那麼大數據絕對是散漫無章的氣體。氣體的分子們本身是無序而復雜的，但我們卻可以預測整體的擴散情況、確定其整體的物理性狀。這跟每一個分子的「隨機性」離不開，正是隨機性讓統計有了意義。如果某地有一場流感正在蔓延，我們很難判斷某個單一個體是否會感染，但谷歌甚至可以根據人們的搜索數據來計算出接下來將蔓延到哪裡，至於感染率有多少就更是一個簡單的統計計算數字了。

在上面這個流感的例子中不難發現，面對大數據，精確的數值其實反而沒有那麼重要了，我們關心的點也不必精確到個位數。比如運營一個app，用戶達到千萬量級的時候，每天關注的DAU肯定就是多少萬，甚至更簡略一些就只具體到十萬位、百萬位了，個位數是幾不再重要。但面對大數據，個體依然是獨一無二的，我只有感染、不被感染兩種結果。那麼對於這種情況，大數據的感染率就成為了個體是否會感染的背景概率，個體自己的健康情況、活動區域燈則成為其他的調整概率項。

由上也可見，概率性思維的價值更凸顯了。事實上，基於大數據的思維方式不做假設，只根據海量數據做出相關性分析；不care因果確定，只判斷概率大小、相關性強弱。

除了 混雜取代精確、相關取代因果、不確定性取代確定性 ，大數據思維最顯而易見的就是 全量取代樣本 ，這也就是大數據之為「大數」的原因。不用考慮怎麼抽選有質有量的隨機樣本，大數據的風格是全量數據納入計算。正因如此，從搜索引擎到語言識別到機器翻譯，演算法技術相當的前提下，谷歌卻能異軍突起——他家的數據量沉澱太可觀了。然而海量的數據只是燃氣，終究受制於燃灶的處理能力。正因為計算機的計算能力的增長趕不上數據的指數增長，伺服器的數量就更趕不上，所以，面對大數據，簡化的演算法尤顯重要。比如馬爾可夫鏈，比如維特比演算法。

三、復雜的生活與中數世界

管理上，我們或許會把一個個的個體抽象為單元，然後用機械思維統籌管理；決策上，我們又可能會根據大數據跑出的強相關性分析結果，決定下一步去打什麼市場。無論是小數世界的機械思維還是大數世界的大數據思維，都是基於過去可以預測未來的假設的，目的也都是為了預測。

然而，我們現實生活中遇到的大多數情況既不是小數也不是大數。如果說機械思維是晶體、大數據思維是氣體，那麼中間還隔著一個液體——中數的世界。某家上市公司有多少人？是個中數；一台計算機裡面有多少零部件？是個中數；這片森林裡有多少只鳥？是個中數……生活在其中的我們是尷尬的，就像高中數學老師的吐槽——你們做物理什麼沒有摩擦力，哪裡沒有摩擦力？還勻加速運動，你勻加速一個我看看！

小數、中數、大數本身並不是在量級上有一個數字清晰的劃分，事實上這種劃分是抽象的、概念式的。 對於身處其中的中數世界，我認為可以採取的應對方式之一是根據不同的情況，或者靠攏小數世界借鑒機械思維，或者靠近大數世界借鑒大數據思維。

先看靠近小數世界和機械思維。假設-求證-應用的方法論應用場景其實非常廣闊。比如，這兩年非常熱的精益創業，精益思維最核心的點就在於最小化可行性驗證。由於現實生活中我們的成本是有限的，不可能有個主意就全量鋪開，這也是不經濟的。我們需要用最小的成本先行測試驗證某一想法，就創業者而言就需要用最小的成本在真實場景中驗證用戶是否真的有此需求。但此時得出的歸納性結論並不是機械定律般確定性的、因果明晰的，事實上，歸納無法確立因果，只能提供強相關、弱相關或不相關的參考。

再看靠近大數世界。國人愛好讀史，歷史本身何嘗不是大數據。但我們閱讀的史書只能是寥闊史料中挑選過的非隨機樣本（中數），即便如此，依舊是「太陽底下沒有新鮮事」——基於過去預測未來一定程度上確實是有應用價值的。過去給我們對於未來的預測提供了一個外部視角，可以作為我們做具體預測的背景概率（曾看到有人戲稱經驗是人類的大數據，我覺得蠻有意思，但個人經驗遠達不到「大數據」的程度，充其量只是中數，然而已經可以為今後的預測和決策提供一個背景概率）。所以， 大數思維對於日常生活最大的借鑒價值我認為是提供一個外部視角的背景概率。當面對具體的情況的時候，在這個背景概率的基礎上，分析具體情況做各個獨立的概率修正 。

我們的知識要麼源於自身和他人（同時代或歷史上）的經驗，要麼源於前人已經提煉出來的原理。

對於自身和他人的經驗，有兩種借鑒方式——一是直接復制，二是追究因果（雖然大多時候只是相關關系）予以應用。 都會覺得第二種好，但現實中大多數情況我們都在不自覺地按照第一種思路應用，因為第二種不僅難，而且違背直覺——也就是說，大多人（包括我在內）大多時候是達不到機械思維的標準的。

對於前人已經提煉出來的原理，也有兩種應用方式——一是一元思維模型，二是多元思維模型。 查理·芒格說過，如果你只有錘子，那麼在你眼裡什麼都是釘子。因為如果一個人只有一兩個思維模型，那麼當他思考現實的時候就不得不扭曲現實來符合自己的思維模型。這個時候，模型越精確具象，對一個人的思維限制就越厲害。所以查理·芒格指出，我們必須有多元思維模型，且這些模型必須來源於各個不同的學科（在這個學科細分的世界，永遠別指望在一個院系中發現世間全部真理）。這種多元思維模型其實跟數據驅動下的多個簡單模型勝過單一精確模型是一樣的。即使我們面對的數據量很多時候達不到「大數」的層面，但一個人建立多元思維模型的前提就是比一元思維模型的人吸收了不同量級的底層數據。因為每一個模型都源於不少的經驗數據得出的原理，多個模型背後就是不同維度、不同量級的數據。這樣的多元模型容錯性高，面對具體問題的分析也真正可以從不同側面不同維度得出盡量貼近真實的結論和對未來的預測。

本文參考書籍：

1、吳軍《智能時代》

2、吳軍《數學之美》

3、維克托《大數據時代：生活、工作與思維的大變革》

4、溫伯格《系統化思維導論》

5、查理《窮查理寶典》

10. 吳軍博士認為未來二十年是什麼為王的時代

吳軍博士認為未來二十年是數據為王的時代。

出自吳軍博士的《大數據改變未來》原話是：

在今後二十年它又會往哪兒走呢？在未來的二十年裡，什麼決定世界經濟發展的方向？我認為，如果說過去五十年是摩爾定律的時代，未來二十年就是數據為王的時代。

大數據會帶來機器智能，也就是說讓我們的計算機變得非常聰明，以至於它超過我們人類的智能。

(10)根據吳軍先生所講大數據會代理機器智能擴展閱讀：

吳軍博士認為，大數據加上機器智能，它可以把我們以前所有的行業，全部的改造的一遍，或者換一句話說，就是說所有未來公司，都是某種程度上的大數據公司。大數據有一個特點是，可以非常精密地定位和確定世界發生的每一件小事。

從05、06年以後，搜索以前大量數據就不一樣了，比如搜到了三十多條信息，再過到07、08年的時候數據量更大，有時甚至不知道原因時就已經知道結果了，這時就有一個思維方式的改變，由於大數據多維度看問題，就從多個方面保障的了結果，這也是大數據的本質。