Google科学家、硅谷风险投资人、原腾讯副总裁、《浪潮之巅》作者，它开拓了Google的中日韩文搜索时代，他对互联网时代的每一次变化洞若观火。

 

        一、从摩尔定律说起

 

        50年前，英特尔（Intel）创始人之一戈登·摩尔提出了摩尔定律。50年来，世界科技产生的增量很多来源于摩尔定律，如果把摩尔定律产生的GDP拿掉，人们的生活水平会差得很远的。50年来，摩尔定律已经改变了人们的很多生活方式，是一个浪潮，是持续的增长，它可以再走一段时间，但今年是转折点，接下来的30年还有个新机会：大数据。

 

        接下来是大数据的福利，这个机会就像50年前一波人踩上摩尔定律的船一样。大数据是不是一个泡沫？虽然它今天没有产生那么大的GDP，但为什么认为它如此重要？30年后，它也将彻底改变这个世界，还有思维方式，并带来惊人的结果：机器智能。

 

        首先回顾下摩尔定律：

 

        1965年，摩尔提出一个定律：“半导体的集成度每年翻番。”正如当棋盘每次翻倍放麦子，10次后会翻1000倍。摩尔后来发现“每年”这个数据太乐观了，是18个月翻一番。1968年的时候，诺伊斯相信摩尔，所以他们成立了公司“intel”，最初只想做更大容易的存贮器（当时，IBM小型机的时代，计算机公司自己做处理器）。日本有一家做计算器的公司，它想设计一款微处理器，找到Intel，于是intel阴错阳差就设计出来了，它不仅能做处理器，还可以做很多。那时候他们两个人还没想到计算机可以家用，不知道计算可以在家里干嘛，就卖给了日本。很多探索，商业成功的运气有很大因素。

 

        50年前，没人相信过“每个人都可以拥有一台计算机”这个事情，但是今天计算机的市场这么大。摩尔定律带来的结果是：所有半导体IT公司必须在18个月内完成下一代产品的开发。所以在美国，很多会在10月、11月会推出一款新产品，如果不能上，第二年基本没什么生意，以前你不敢想象的很多事情，就不断变成现实。

 

        以前社会需求带动科技发展，现在科技先被造出来，你甚至不知道它干么用的，但是一旦它产生出来，就会产生社会需求。如果一个企业家在摩尔定律时代，却还是延续过去经济学教科书说的来做，就落伍了。因为有了摩尔定律，你尽管去做一件事情，你只要引领摩尔时代的一件事，各个公司都要开发针对未来市场的产品。在你创业的时候，不用考虑会不会没有市场，即使产品12个月后出来，但是如果你花很多时间去优化前期的代码，你比别人多花了半年的时间，你会发现即使你后面生产出来了，还是会发生很多技术的问题。

 

        摩尔定律给世界带来了惊喜，因为产品18个月后价格会降一半，会给用户带来福利。在农业时代，种田后会留一些种子，第二年接着用，这是过去的方法，今天中国的农村已经不留种子了，可以直接从种子公司购买。为什么种子公司可以研发出更好的种子？因为他们运用了IT技术。

 

        中国在过去的35年走过了英国300年的路，30年前，你去杭州万象集团的前身，会看到工人都是纯手工干活。今天，你去富士康，完全是制造王国，就是因为摩尔定律。过去，我们理解的服务业是旅游、家政等等，今天不是，今天IT作为服务业，光在美国就有1万亿市场，中国的第一、第二产业也正在向第三产业转型，这个时候不是仅仅为它们简单的法律等服务，而是用IT输出。

 

        不过，摩尔定律在经济学上有一个很大的问题：通缩。在世界上比通货膨胀更可怕的是“通缩”。欧洲今天经济出这么大问题，包括日本过去出现那么久的问题，就是通缩，这是一件很可怕的事情。但问题出现的时候，常常就会出现一个解决方案。

 

        那么，这个解决方案是：“安迪－比尔定律”（与摩尔定律、诺威格定律并称的IT产业三大定律。），即“安迪给你的时候，比尔就会全部拿走（“Andy gives, Bill takes away.）”。安迪指英特尔前CEO安迪·格鲁夫，比尔指微软前任CEO比尔·盖茨，这句话的意思是，硬件提高的性能，很快被软件消耗掉了，这对IT产业中软件和硬件升级换代关系的一个概括。这是微软要和大家做对吗？不是的。微软在和英特尔一起打造了IT的产业链。

 

        个人电脑出现后，分工就更清晰了，硬件和软件分开做，硬件要提升，然后软件升级，吃掉硬件的提升。当芯片处理速度越来越快的时候，可以实现更多的文字报表、照片视频等处理，就带来整个工业和社会的升级。

 

        把摩尔定律反过来看，IT就和制造行业完全不一样，它迫使IT从业人员非常辛苦，因为它如果18个月不能把性能翻一番，就会被行业淘汰，所以很多人要不断提升。有的人就说我不玩了，于是出现了很多IT公司转向服务业，把电脑卖出去，然后去做软件，比如IBM，它把电脑业务卖给了联想。在摩尔定律出来，也诞生了今天很多主流公司，如微软和甲骨文计算机公司。IT行业容易出现垄断，但是也迫使制造业升级。

 

        未来30年是什么样的？看看硅谷投资的三个趋势：

 

        1、云计算＋移动互联网：在美国有上万亿的企业级IT服务市场，在云计算时代，成本可以比IT时代降低很多，但是，在中国很遗憾，在中国没有几家企业级软件公司，在云计算时代，也许这里会有一个很大的市场；

 

        2、大数据＋机器智能；

 

        3、IT＋生物医疗：这个行业非常大。

 

        三个趋势的核心是大数据，那么，为什么大数据如此重要？

 

        二、人们对机器智能认知的发展

 

        很多人把大数据和大量的数据等同起来，这两者有什么区别呢？大数据有三个很重要的特征，它不仅仅是数据表格，不是这么简单，它的重要性是将带来机器智能。

 

        摩尔定律的结果是人类历史上第一次同现指数增长，第一次用机器运算来代替人脑，在某一个时间点上，机器智能会超过人。目前，我们正处在机器将近超过人脑的时间节点上。

 

        回顾下过去：

 

        50年代图灵测试，是计算机的模糊概念；60年人工智能；70年代出现了最早的数据驱动概念；96年出现了IBM电脑深蓝战胜了象棋大师，这台电脑是当时世界上最聪明的机器之一，后来互联网发展起来，带来了一系列的结果，到了2010年，谷歌的无人驾驶汽车出现，它已经可以能够主动控制一些东西，而不是和人类比头脑，跟深蓝时代的电脑已经完全不是一回事了。

 

        想到机器智能的时候，大家会想到机器人：比如变形金刚等等。

 

        那现实生活中的机器人是怎样的呢？到底什么算是机器智能呢？1950年，阿兰图灵提出了一个测试：“当计算机回答问题的时候，当你分不清给出答案的是人还是机器，这台机器就开始具备智能了。”图灵测试是以结果判定。那么怎么做呢？拆分条件：要能听懂，要会回答。

 

        来看看机器智能的三个发展阶段：

 

        1、1970年：人工智能时代

 

        之前还属于人工智能时代，就是模拟人的思考方式，即，首先想到人是怎么做的，然后去模仿人，结果这条路走不通。人类之所以是人类，是能够思考、推理，当时有个很有名的计算机科学家明斯基，他们最早提出人工智能机器的概念，他们提了一个概念：“钢笔在盒子里和盒子在钢笔里（the pen was in the box；the box was inthe pen）。”前面这句话比较好理解，后面这句话就费解了，但是如果把pen理解成围栏，那么就可以理解成：盒子在围栏里面。这句话如果让计算机来模拟人，它就做不到这个理解的。因为判断这件事需要世界的知识，从小从生活中知道的，不是分析得到的。明斯基在计算机界很有名，因为这句话，美国计算机基金会对人工智能的投入就减少了。到70年代，发生了一个变化，大家不做这个事情了：人工智能。

 

        2、1972－2000年：数据驱动时代

 

        人是怎么飞起来的？人类为之努力了几千年，最早的认知就是看鸟怎么飞，模仿它。但是，最后人类做出飞机，不是学鸟，而是认知了空气动力学，也就是学习什么不必非要模仿它。所以，如果要让机器有智能，不是让机器按照人怎么想，于是推出了空气动力学派。

 

        1972年发生一个事情：有一位教授从康奈尔大学离开，去IBM带薪休假工作，他做的一件事就是怎么让计算机聪明起来？于是他开始做了语音识别，语音识别和机器翻译是用数据驱动解决智能问题的最早范例。这位教授不是搞计算机科学的，他是基于数学研究通讯的，他认为语音交流的过程可以分解为：当你用语言把大脑中的概念表达出来（编码过程），然后通过空气传播（传输过程），然后你听到后进行理解（解码），这其实是一个通讯问题。

 

        要解决这几个问题，第一要数据（为什么IBM能够做这件事情？因为它当时有超级计算机，有大量商业客户和数据），于是产生了“数据驱动”概念。运动这些数据就可以加以识别，从而实现了语音识别系统，最初的错误率30%，且只能解决100多个字，后来，经过升级，到22000字，误率从对30%降到10%，这就基本能看懂意思了。这给人们启发，原来不需要非得模拟人，还有另一条路可以走：数据驱动。

 

        如果把中文翻译成英文，也是编码、传输、解码的过程。彼得·布朗受此启发，写了篇论文，作了一套翻译系统，但他失败了，因为它当时数据不足。双语资料当时只有圣经。后来，有了数据以后，证明这个方法能够做得很好。

 

        3、云计算＋大数据时代

 

        需要多大的数据量才够支撑人工智能呢？当你的统计量大到足够的时候，人工智能的统计模型程度会极大接近人的智能（真实模型）。

 

        盖洛普认为：“统计量大到一定程度就不用再大了。”盖洛普是一个统计学博士，罗斯福第二次当总统的时候，他做总统的预测，盖洛普发了2000份问卷，而文学文摘发放了20万份的问卷调查。盖洛普公布了统计结果：”我自己预测罗斯福会嬴，我可以肯定文学文摘预测罗斯福的竞争对手兰登会嬴，但是我的预测会成功。”果然，最后是罗斯福嬴了，因为文献文摘发问卷的时候偷懒，通过黄页获得电话，当时基本都是中产阶级及以上阶层的人拥有电话，因此采样没有代表性，而盖洛普根据教育程度等数据发放问卷。

 

        盖洛普一直做预测，时准时不准，即使后来的样本在增加，也总有误差。概率的方法虽然好，但总是有些小概率覆盖不了。

 

        到了2000年以后，发生了一个变化，互联网兴起使得数据量剧增，使你一下子可以得到好多数据。凡是拿到美国政府经费的项目，每年就要参加政府的评测，比比谁做得好，谁做得不好。你即使没拿这个钱，你也可以去挑战。2015年， NIST当时对英语翻译做了评测，然后用机器翻译的结果和人翻译的结果去比对，结果：谷歌排第一。第二名相差5%，都是同一个人写的代码，内核更新并不多，唯一差别在于谷歌的数据量多了一倍。当你增加一万倍的数据，量变就产生质变了。

 

        所以，人的思维方式也发生改变了，以前花很多时间研究方法，现在通过数据就会解决。摩尔定律不仅诞生了半导体行业，这是过去50年的事情，未来，你所有的思维方式都要沿着这个方向改变：大数据。