我们正处于信息时代和智能时代的叠加态。
信息时代还没有完全过去，智能时代却呼啸而来。
虽然人工智能是可预见的未来，也正向各行各业不断渗透，但是目前人工智能前沿的发展遇到了瓶颈，人工智能炒作的风口已经过了。
由于信息传播的延迟效应，反而越来越多的人接触到了“人工智能”这个名词，也越来越多的人想冲进人工智能行业。
因为人人都想在快速发展的时代分一杯羹，不想被时代抛下。
但是行业外的大多数人，可能是通过科幻电影或者科幻小说接触到的“人工智能”，因此对“人工智能”充满了不切实际的想象和误解。
而且大多数人冲进这个行业时，首先想到的是学技术、学Python，这也是为什么各种人工智能培训班和Python课程依旧火爆。
这真的是进入一个新行业的正确途径吗？
首先要明确一个事实：
每一次技术革命，首先受益的是掌握新技术的人，但这部分人是极少数的，大多数受益者是从事相关行业的人，也就是应用新技术的人。
不要一提起计算机、互联网、人工智能，就只觉得只有程序员这种职业，其实还有设计、产品、运营、市场、销售等等和商业直接相关的从业人员。
因此，不要做研究技术的少数人，毕竟大多数人也做不了，而要做能将技术与商业结合起来的人，为新技术找到新的应用场景，这个不仅门槛低，而且有大量的人才需求。
所以丢掉Python教程吧，去学习能够适应新时代的思维方式，并应用这种思维改变自己的行为和决策，最终借势不断向前。
吴军的《智能时代》就是一本非常好、可以深入了解人工智能来龙去脉的书。
这本书没有过多介绍人工智能的技术，而是将重点放在一个更大的格局和更宽的维度中，重新理解人工智能。
其中最有价值的就是信息论的引入、大数据思维与传统机械思维的对比，以及对几次技术革命规律的归纳总结。
本文梳理了吴军《智能时代》一书中的核心观点，并结合自己的思考重新组织了其论述的脉络。
01 什么是大数据
人工智能的本质是统计学，核心三要素是：数据、算力、算法。
算法几十年前早就有了，而且在不断完善，但之前几十年人工智能为什么没有发展起来呢？
核心的瓶颈有两点：一是没有足够的算力，二是没有海量的数据。
在信息时代，摩尔定律以及互联网，解决了这两个问题：
摩尔定律是指硬件性能每18个月翻一番，这种指数增长的方式，保证了足够的算力；
而互联网的普及，使得我们在网上每一个行为的数据都被保留了下来，这就是大数据。
聊大数据之前，先了解一下什么是数据。
有三个概念容易被混淆：数据、信息和知识。
数字、文字、图像、语音，其实都是数据。
但数据不能与信息等同，信息是关于世界、人和事的描述，它比数据更抽象。
数据的最大作用在于承载信息，但是并非所有数据都承载了有意义的信息。
对数据和信息进行处理后，人类就可以获得知识。
知识比信息更高一个层次，更加抽象，具有系统性的特征。
比如通过测量星球的位置和对应的时间，就得到了数据；通过这些数据得到星球运动的轨迹，就是信息；通过信息总结出开普勒三定律，就是知识。
从数据、到信息、再到知识，本质就是使用数据的过程。
人类其实已经建立了一套标准流程：获取数据、分析数据、建立模型、预测未知。
比如中国古代的八卦，古人用八卦来推演未来的吉凶，就是将未来的吉凶根据不同的条件（输入数据），归纳成8种或64种可能的结果（输出数据）。
这个过程完全符合使用数据的标准流程。
在过去，无论在理论上还是工程上，大家都把主要的精力放在寻找模型上。
其实只要数据量足够，就可以用若干个简单的模型取代一个复杂的模型。
这种方法被称为数据驱动方法，因为它是先有大量的数据，而不是预设的模型，然后用很多简单的模型去契合数据。
具体讲，就是当我们对一个问题暂时不能用简单而准确的方法解决时，我们可以根据以往的历史数据，构造很多近似的模型来逼近真实情况。
这实际上是用计算量和数据量来换取研究时间。
开始时，数据驱动方法因为数据量不足、计算能力不够，而显得有些粗糙，但是随着时间推移，摩尔定律保证了计算能力和数据量以指数级增长的速度递增，数据驱动方法可以非常准确。
相比之下，很多其他方法的改进需要靠理论的突破，因而改进起来周期非常长。
在过去的40年，并非因为对计算机的认识有了多大的提高，而是因为在很大程度上我们靠的是数据量的增加。
再聊一下大数据本身。
关于大数据，经常提到的就是3V特征：
Volume(海量)，数据容量越来越大；
Velocity(速度)，数据量增长越来越快，需要处理的速度和响应越来越快；
Variety(多样性)，指各种各样类型的数据出现，类型多样。
但是3V的总结并不准确也不完善。
吴军重新归纳了大数据的特征：
（1）体量大，这也是最明显的特征，所以Volume(海量)是没有问题的；
（2）多维度，比“Variety(多样性)”更简明而准确；
（3）全面性或完备性，典型如美国大选，通过收集社交网络的数据，能够获得对选民想法的全面了解，因此预测也就更准确；
（4）时效性，典型如城市的智能交通管理，通过获取用户手机的实时位置信息，有可能实时得到交通情况；
（5）思维方式的转变，思维方式的转变也是大数据的核心。
大数据的英文是“big data”，英文中有许多表达大小的词，那为什么是“big”呢？为什么不是“large”或者“vast”？
首先看big、large、vast的区别，vast可以看成是very large的意思，vast和large两者都是形容体量的大小，而big更强调相对小的大，是抽象意义上的大。
所以big data这种说法非常准确，它最重要的是传递了一种信息：大数据是一种思维方式的改变。
现在的数据量相比过去大了很多，量变带来质变，思维方式、做事方法就应该和以往有所不同。
02 大数据思维
智能时代的思维方式，本质上就是大数据思维。
要聊大数据思维，自然要先了解我们传统的思维方式，需要将两者放一起进行对比分析。
我们传统的思维方式叫“机械思维”，这个词乍看起来，似乎意思是“死板、循规蹈矩”，但这里的“机械”是和工业革命紧密相关的，也就是工业时代的思维方式。
关于工业革命，则要追溯到希腊时代。
欧洲之所以能够在科学上领先世界其他地方，很大程度上是依靠从古希腊建立起来的思辨思想和逻辑推理能力。
依靠它们可以从实践中总结出最基本的公理，然后通过因果逻辑构建起整个科学的大厦。
思维方式远不如方法论对科学的发展至关重要，东方的文明长期以来在技术上领先于西方，但在科学体系的建立上远远落后于西方，关键是输在方法论上。
文艺复兴“复兴”的就是古希腊、古罗马的文化艺术。
在文艺复兴之后，启蒙运动之前，科学领域最伟大的莫过于牛顿了。
牛顿最直接的贡献，在于他用简单而优美的数学公式破解了自然之谜。
牛顿作为思想家的贡献还在于他指出了任何正确的理论在形式上讲都是简单的，同时又有非常好的通用性，这和东方哲学中的大道至简思想不谋而合。
人们将牛顿的方法论概括为机械思维，核心思想包括：
（1）世界变化的规律是确定的。
（2）因为有确定性做保障，因此规律不仅是可以被认识的，而且是可以用简单的公式或者语言描述清楚。
（3）这些规律可以应用到各种未知领域指导实践。
瓦特发明了万用蒸汽机，即一种通用的机器用于解决所有的问题，这也是机械思维的重要特征，所有问题都有一个通用的解决方法。
牛顿找到了开启工业革命大门的钥匙，而瓦特拿着这把钥匙开启了工业革命的大门。
机械的广泛使用和机械的思维方式直接导致了人类迄今为止最伟大的事件：工业革命。
机械思维更广泛的影响力是作为一种准则指导人们的行为，其核心思想可以概括为确定性（或者可预测性）和因果关系。
牛顿的物理学理论是建立在确定性基础，即所谓的绝对时空上的，他发现万有引力定律则是寻找因果关系的结果。
但是机械思维也是有局限性的，主要来源于它否认了不确定性和不可知性。
这就是机械思维的两面性：善于把握确定性，而难以解决不确定性问题。
可以看下机械思维在现代医学中的应用：
青霉素真正得以从偶然的发现变成一种万灵药，在很大程度上是科学家们自觉应用因果逻辑的结果。
在制药行业，至今核心的方法都遵循：研究病理找到真正治病的原因，然后针对这个原因找到解决方案。
相反，传统医学常常不遵循因果关系，是不知所以然，因此治病效果也是时好时坏，然后医生们用一些似是而非的语言解释他们其实并没有搞清楚的原因。
很多中国人迷信的“中医”就是传统医学。
又为什么很多人会迷信“中医”呢？
因为很多人的思维还停留在农耕文明，而“中医”正是农耕文明的产物。
中国几千年来一直延续着农耕文明，全面工业化也不过近半个世纪的事，最近10多年又迅速进入了信息时代，旧的、落后思维还未被完全替代掉，新的思维方式又不断出现，最终导致了如今几种思维方式并存的局面。
很多人是拿着农耕文明的思维在现代商业社会中思考和做事。
那么很多人死抱着“中医”不放也就不难理解了。
虽然文明终究是向前发展的，但中间是否会出现反复，甚至倒退，就没人知道了。
再说回机械思维，其实到了信息时代，机械思维的局限性也越来越明显了。
首先，并非所有的规律都可以用简单的原理描述；
其次，像过去那样找到因果关系已经变得非常困难，因为简单的因果关系规律性都被发现了。
世界的不确定性来自两方面，
一是影响世界的变量非常多，无法通过简单的办法或公式算出结果；
二是来自客观世界本身，它是宇宙的一个特性。
在量子力学中有一个测不准原理，因为我们测量活动本身会影响被测量的结果。
类似于股市，当有人按照某个理论买或卖股票时，其实给股市带来了一个相反的推动力，这导致股市在微观上的走向和理论预测的方向相反。
世界上存在不确定性，但是并非没有规律可循，通常可以用概率模型来描述。
在概率论基础上，香农博士建立起一套完整的理论，将世界的不确定性和信息联系了起来，这就是信息论。
先要了解一个概念“熵”：在一个封闭的系统中，熵永远是朝着不断增加的方向发展的，也就是说从微观上讲，这个系统越来越无序，从宏观上看，它趋于恒温。
信息量和不确定性有关，我们要弄清楚一件事，需要了解大量的信息，相反，我们对一件事已经有了比较多的了解，那么不需要太多的信息就可以搞清楚。
也就是说，信息量的度量就等于不确定性的多少，熵和信息量就联系起来了。
机械思维是建立在确定性的基础上，信息论完全是建立在不确定性基础上，而要想消除这种不确定性，就要引入信息。
谁掌握了信息，谁就能获取财富，这就如同在工业时代，谁掌握了资本谁就能获取财富一样。
大数据的科学基础是信息论，它的本质就是利用信息消除不确定性。
从机械思维到大数据思维，就是从因果关系到强相关关系：
能通过因果关系找到答案或原因固然好，但对于复杂问题，难度非常大，除了物质条件、努力，常常还需要运气。
在大数据时代，我们能够受益于一种新的思维方法：从大量的数据直接找到答案，即使不知道原因。
Google和很多互联网公司之所以能够取得成功，不仅仅是靠技术、靠数据，更是靠采用了大数据时代的方法论，或者说大数据思维。
落后最可怕的地方是思维方式的落后。
要注意的是，大数据思维和原有机械思维并非完全对立，它更多是对后者的补充。
03 历次技术革命的规律
在历史上，一项技术时常会带动整个社会的变革，通常遵循一个模式：新技术+原有产业＝新产业。
第一次工业革命：现有产业+蒸汽机＝新产业
第二次工业革命：现有产业+电＝新产业
信息革命：现有产业+摩尔定律＝新产业
智能革命：现有产业+大数据＝新产业（现有产业+机器智能＝新产业）
在信息时代，商业模式的变化更加明显，它突出地表现在两方面，一是产业链从一种产品扩展到整个IT行业，二是服务业的重要性突显出来。
整个IT产业整合成一条大的产业链，可以概括为安迪-比尔定律：比尔要拿走安迪所给的。（What Andy gives, Billtakes away.）
安迪就是英特尔CEO安迪·格罗夫，比尔就是微软CEO比尔·盖茨。
这句话的含义是，在计算机领域，软件功能的增加和改进要不断地吃掉硬件性能的提升。
在日常生活中，我们会看到软件在不断更新，硬件的性能就跟不上了，所以我们才会不断更换电子设备。
如果没有软件公司提供新的功能或不断改进现有的功能，整个计算机产业就会缺乏发展的动力。
安迪-比尔定律反映出计算机工业的整个生态链：以微软为代表的软件开发商吃掉硬件提升带来的全部好处，使得用户更新机器，让惠普、戴尔和联想公司受益，而这些PC整机厂商再向英特尔这样的半导体公司订购新的芯片，同时向希捷等外设厂商购买新的外设。
到了智能手机时代，这条定律同样适用。
根据历次技术革命中商业模式变迁的分析，可以得到三个结论：
（1）技术革命导致商业模式的变化，尤其是新的商业模式的诞生。
（2）生产越来越过剩，需求拉动经济增长的模式变得不可逆转。同时，单纯制造业的利润越来越低，那些行业越来越没有出路，相反，人们对服务的需求越来越强烈，因此很多公司转型为提供服务的公司。
（3）商业模式的变化既有继承性，又有创新性。作为创新的一方面，第二次工业革命导致了商业链的出现；到了信息时代，商业链得到了发展，这是继承性的一面；而服务业的重要性突显，这是其创新性的一面。
有了大数据之后，如果制造业厂商能够把思维方式变成“+大数据”，那么其产业就能得到全面的升级。
当那些厂商能够把控每一个用户、每一个产品和每一次交易细节，它们就能绕过很多经销的中间环节，直接和顾客做生意。
比如智能冰箱，这个原本只是家庭贮藏柜的大件电器，一下子成了连接顾客和商家的渠道。
典型的例子就是小米和格力。
小米从一开始就以一家互联网公司的方式来经营它的手机业务。
本质上讲手机只是小米获得用户的手段，在获得用户后，它需要通过其他方式挣钱。
小米还开发了其他智能家居产品，从某种程度上讲，小米更像是一个以家电为主的垂直电商，而不是家电生产厂商。
与传统电商所不同的是，小米从一开始就注重对用户行为的分析和数据的作用，因此它有可能在一些垂直领域做得比传统电商更有效。
每个大件电器本身就是收集用户数据的采集器，因此家电公司可以完全了解用户的很多生活细节，比如他们在哪里，每天使用电器的情况，使用其他电器的情况，甚至什么时候回家，什么时候吃饭等。
从宏观的角度看，商家可以了解它的商品是通过什么渠道卖给了具体的消费者，从而优化它的销售网络；从微观的角度看，它可以了解每一位顾客的生活，知道接下来每一个人需要什么。
而像格力这样的传统企业必须做出一个选择：是否愿意利用大数据转型。
原有的产业加上新技术就成为新产业，否则将被淘汰。
在今天的大数据和机器智能时代，这条规律依然成立。
总结一下，几次主要的技术革命都遵循相似的规律：
首先，是大部分现有产业加上新技术等于新产业，或者说原有产业需要以新的形态出现；
其次，并非每一家公司都要从事新技术产品本身的制造，更多时候它们是利用新技术改造原有产业。
这也是为什么在开头时就说，不要做研发新技术的少数人，而要做应用新技术的多数人。
04 技术革命的弊端：失业
关于过去几次的技术革命，我们能接触到的大多数信息中都是在歌颂技术革命的伟大，但是很少会去分析其弊端以及对当时旧产业工人的影响。
新技术在出现的初期，受益者其实是非常少的，他们通常只是那些掌握新技术或者使用新技术、从事新行业的人。
新技术替代旧技术必然会提高效率，那么也就不需要那么多劳动力了，而从旧产业转移到新产业的工人也是少数，大多数直接就淘汰了，也就是失业了。
那过去两次工业革命的副作用是怎样被解决的呢？
简单讲就是资本输出，开拓全球殖民地，推行自由贸易。
我们可以把工业革命对社会的影响分为三个阶段：
第一阶段只有发明家和工厂主们受益，普通英国民众并没有受益；
第二阶段是全体英国民众普遍受益，但是在世界范围内大家未必受益，这两个阶段之间相差半个多世纪；
第三个阶段才是整个世界受益，这和第二个阶段又相差很长时间。
第二次工业革命给人类带来的福祉也是先从少数精英开始，经过长达半个世纪的时间，才开始造福技术革命的中心地区。
而世界上大部分地区享受到第二次工业革命的成果，是第二次世界大战之后的事情。
为什么每一次重大的技术革命都需要很长的时间来消除它所带来的负面影响呢？
因为技术革命会使得很多产业消失，或者产业从业人口大量减少，释放出来的劳动力需要寻找出路，这个时间至少要一代以上。
我们必须要承认一个并不愿意承认的事实：那就是被淘汰的产业的从业人员能够进入新行业中的其实非常少。
消化这些劳动力主要靠的是等待他们逐渐退出劳务市场，而并非他们真正有了新的出路，能够和以前一样称心如意地工作。
也就是说，解决问题的途径都是一个“耗”字，耗上两代，社会问题就解决了。
对那些曾经为人类的文明做出过贡献，但已经被技术革命所淘汰的员工，唯一的希望就是他们的后代能够进入一个新的行业，这实际上是靠时间慢慢地消化技术革命带来的负面影响。
如今，信息革命本身带来的影响还没有消化完，智能革命又开始了，因此这次的冲击力度将是双重叠加的结果。
但今天的世界和200年前已经不同了，消化掉技术革命的影响要比工业革命时难得多。
因为工业革命的时候，全球没有开发的空白市场非常多，而且产业工人的人数也不过几百万，因此解决起来比今天容易得多。
最重要的是，智能革命所要替代的是人类最值得自豪的部分，也就是大脑。
当全社会各行各业的从业人数都因为机器智能而减少时，全世界几十亿劳动力怎么办？
劳动力的再分配，一来需要非常长的时间，二来依赖于产生新产业。
第一次工业革命，农民变成了工人，虽然时间长，但是基本实现了一比一转化。
在过去几十年里，人类就业的希望从从工厂里做工人变成从事服务业。
大量淘汰下来的劳动力怎么办？新毕业的学生如何就业？
答案是要么去从事一份工资足够低的服务性工作，要么没有工作靠领取救济过活。
即便没有好的解决方法我们也要在观念上接受这样一个事实，即越来越多的事情人类将做不过机器。
在历次技术革命中，一个人、一家企业，甚至一个国家，可以选择的道路只有两条：要么进入前2%的行列，要么被淘汰。
在销售商品的时代我们认为越便宜越合算，到了提供服务的时代，我们发现忽然有了很多免费的服务，我们为此欢呼，但是不久我们会发现，看似免费的东西才是最贵的，因为我们在获得这些服务的同时交出了自己的自由。
在每一个重大的技术革命开始的时候，真正勇敢地投身到技术革命大潮中的人毕竟是少数，受益者更少，大部分人则会犹豫和观望。
任何一次技术革命，最初受益的都是发展它、使用它的人，而远离它、拒绝接受它的人，在很长的时间里将是迷茫的一代。
05 总结
本文由四部分构成，我们可以清晰地看到其脉络：
第一部分先追本溯源，从最本质的概念聊起，这些也是我们最容易忽视的，什么是数据、信息和知识，又讲到了大数据的核心特征，这里对大数据传统的3V定义重新剖析理解。
第二部分承接第一部分，讲了智能时代最关键的部分，也就是大数据思维，这里和传统的机械思维进行了对比分析：机械思维解决的是确定性问题、寻找因果关系，而大数据思维解决的是不确定性问题、寻找强相关关系。
第三部分则站在更高的角度理解技术革命，结合过往的几次技术革命，归纳总结其中的规律和特征，通用模式是：新技术+原有产业＝新产业。
第四部分向外进行了延伸思考，反思技术革命的弊端和影响，最核心的就是失业问题。
我们如今正处于信息革命和智能革命的叠加时代，所以未来的就业形势只会越来越严峻，唯一的出路就是参与其中，发展它、使用它，并成为前2%的人。
那我们到底该如何做呢？
以下给出三个建议：
1.学习新的思维方式
做事前要先有更符合时代发展的思维方式。
就像工业革命前需要先有文艺复兴运动和启蒙运动，以开启人们的心智。
想学习新的思维方式，可以读一下吴军的《智能时代》。
通过这本书可以大致了解什么是大数据思维，即从大量的数据直接找到答案。
然后需要将这个思维方式应用到我们日常的做事方式中：做决策前要充分获取多维度的信息。
再说回要学习新的思维方式这件事，自然也不能只读《智能时代》这一本书，不能只听一家之言，需要横向对比同一主题的不同人的不同类型论述，然后批判性吸收。
2.进入快速发展的行业
这里并不是说直接就跳到人工智能行业，而是要努力进入朝阳行业，有发展前景的行业。
目前发展最迅速的行业毫无疑问就是互联网行业了，有句戏谈叫：三百六十行，行行通互联网。
要知道，在汽车厂造轮子要远强于在马厂修马鞍，因为前者是未来，后者只会被淘汰。
3.职业+互联网
对于其他行业的从业人员，怎么才能进入互联网行业呢？
大体有两种：
（1）转行
抛弃过往的经验和技能，直接进互联网公司，推荐的职位莫过于“互联网运营”了，门槛低但上限又极高。
但要意识到，这种方式风险极大，可能自己真的转行了，没有遇到一个合适的公司和优秀的领导，做了很久也难以进步。
因为运营的工作内容是非常不标准的。
不但互联网运营根据工作内容细分为内容运营、用户运营、活动运营等等，不同公司的同一个类型的运营做的工作甚至都不相同。
（2）跳槽
这一种则是跳槽到与自己领域相关的互联网公司。
比如学习会计专业的，可以去互联网金融公司做会计，甚至能直接转行为互联网运营、产品策划等，毕竟和自己的领域相关，更有优势。
职业+互联网的这种方式可操作性更强，可以充分利用自己过往积累的经验和技能，不至于从0开始，因此成功率是极高的。
以上建议只针对未从事互联网行业的人，若已经身处互联网行业，那接下来要做的就是精进自己的业务能力，努力成为行业中前2%的人了。
（更多思考，欢迎关注微信公众号，搜索：岳小鱼）
网友评论