移动蚕食世界，AI 塑造未来

编者按：临近2016年，从规模来看，移动时代已经确立无疑。随着地球的智能手机数量从25亿朝着50亿进发，智能手机已经从S曲线的创造阶段进入到部署阶段，成为了主要的技术平台。而PC尽管上没有退出历史舞台但地位已经跟昔日不可同日而语。与此同时，VR/AR、AI等新的技术趋势又在开始酝酿自己的S曲线。目前的技术现状如何，未来又将怎么发展？请看 a16z 的Benedict Evans的解读。

移动的部署情况

连接每一个人的目标已经达成一半。在14岁以上的55亿人口当中，已有接近50亿人拥有手机，而且约一半为智能手机。其中发达国家和中国的智能手机渗透率最高。

移动的S曲线已经超过了PC，而且移动用户数已经逼近成人数量。移动已经从安装期进入到部署期，经过大幅扩张之后逐步走向成熟。安装期是群雄并起，平台混战，尽管用户规模只有几百万，但玩家都在设法推出最新的终端，不断进行技术增强。而用户关心的问题是这个行不行？谁可以获胜？但到了部署期，大赢家已经很显然，革新技术少了，变成稳定的渐进性改进，技术基本商品化。大家琢磨的问题是“我用这个可以做什么？”

这个问题的前提是智能手机所带来的25亿用户规模，以及一种新的计算机形态。这为改变其他行业提供了新的手段，比方说电子商务（Amazon、阿里巴巴）和汽车业（Uber）就是其中两个例子。

而随着移动慢慢走线更成熟，一条新的S曲线正在孕育，但会不会是AR呢？

新量级的规模

移动时代美国四大巨头Google、苹果、Facebook、Amazon（GAFA）的规模时PC时代微软、英特尔联盟（Wintel）的3倍。

1990到2000年代Wintel的年收入增长了14倍。

但同期GAFA的年收入规模是Wintel联盟的10倍。

当技术公司个个都惧怕微软的时候，论市值微软还只是前20大公司的中游；但现在包括微软在内前5大公司都是技术公司了。

规模越大意味着投资越多。5大巨头的年资本性支出已经从2000年的10亿美元增长到2015年的340亿美元。尤其值得注意的是苹果、Google和微软的占比特别大。

永久员工数也增长了10倍。Amazon的员工数之多与Facebook之少形成鲜明对比。

今天的技术巨头的规模跟当年Wintel或者IBM不可同日而语。它们不但是技术巨头，也是经济巨头。而且不是只有一个，而是至少有4个（中国的则是BAT）。

庞大的规模使得苹果成为全球十大零售商之一：苹果在线下有500家店铺，年收入月250亿美元（跻身全球20大）；如果把线上的收入算在一起，其商店的年收入可达530亿美元。

规模从另一个侧面也可见一斑。比方说，从内容制作的预算来看，Netflix和Amazon这两家新兴内容制作商的制作预算已经占到了美国电视内容制作预算的16%，但对于后者来说，内容这块只是战略杠杆而已，为的是撬动Prime会员费的收入。

但内容却是Netflix的核心。2010年时，当被问到Netflix是不是一个威胁时，时代华纳CEO Jeffery Bewkes反问到：“阿尔巴尼亚军队准备要接管全世界了吗？”从最近热门的美剧出品方来看，似乎是了。

面临阿尔巴尼亚军队威胁的传统巨头不止时代华纳。芯片巨头英特尔的整个产业似乎都准备成为给别人添砖加瓦的东西。Google研发自己的“TPU”机器学习FPGA芯片，Amazon开发了自己的网络ASIC芯片“Annapura”，且不用说苹果一直都只自己做核心芯片，目前A10是最快的手机系统芯片，此外还针对TouchID、AirPod定制了自己的芯片。

站在巨人的肩膀上：庞大的商品化组件供应链和平台支撑着50亿的移动用户规模；GAFA四大巨头的规模和可达性远非Wintel、IBM所能比；

正因为有了如此庞大的规模和全面的生态体系，使得小公司在技术巨头的围墙花园内几乎可以做一切事情。

与此同时，机器学习也在崛起

在一系列基础工作的铺垫下，经过50年的蛰伏，人工智能终于开始爆发。首先是图像识别正确率上面取得了突破，然后慢慢地在语音识别、自然语言处理等方面获得进展。在机器学习的帮助下，图像识别的错误率已经从28%减少到7%，语音识别的错误率已经从26%减少到4%。

过去的人工智能是靠规则穷尽特征。比如图像识别是开发系统来识别出眼睛、耳朵、手臂等器官，自然语言处理则要找语言学家编写语法规则，并且试图把人类智能的工作机制用程序写出来（虽然自己也不知道）。

现在机器学习则用数据来取代规则。比如说，拿出1万张标记为“狗”的图片和一万张标记为“没有狗”的图片，然后让神经网络把狗找出来。通过学习而不是规则来获得智能。由于我们现在的数据量和计算能力比过去强大了100万倍，所以机器学习变得可能了。现在数据已经碾压了规则，语音识别先驱Frederick Jelinek曾经说过：“我每解雇一名语言学家，语音识别器的表现及提高了一点。”而且由于我们分析的是数据而不是具体的狗，所以这种办法可以推广到许多的其他数据集。可以用来分析客户会不会流失？那辆车让不让我并道？网络有没有异样？等等。Google甚至还把击败围棋世界冠军李世石的AlphaGo用到了给数据中心节能降耗上，实现了节能15%。Google CEO Sundar Pichai说，未来10年“我们将从移动优先转到AI优先。”

机器学习对数据的这种通用的处理能力打开了众多用例的大门。比如几乎可以分析任何类型的数据集，比如可以为各种交互模式提供支持，比如读图就像读文字一样毫不费力，甚至可能还有很多我们想象不到的用例。

机器学习的训练需要大规模的数据集。但神经网络训练好之后，就可以部署到相对小型和廉价的设备上，比如智能手机，比如廉价DSP+摄像头，执行某件简单的任务。

而且机器学习+摄像头将可以提供无所不在的“眼睛”。虽然传统相机市场萎缩得很厉害，但整个图像传感的市场却在逐步扩大（尤其值得注意的是汽车的运用）。

机器学习还使得GAFA之间掀起了一场牵涉到科学、工程和产品的有关复杂性和抽象性的军备竞赛。针对任何问题，巨头都会想做这件事情合适的机器学习模型是什么？然后在此基础上进行工程开发。另一方面，Google、Amazon、微软、IBM等也在争相开发自己的机器学习平台，并把这种能力出租给别人。

虽然现在机器学习取得了不错的进展，但从S曲线的发展阶段来看，现在还处在非常早期的创造阶段，还有很多成果有待发掘。

一种新型的计算机

从时间消费来说，移动app无疑是移动的霸主，占据了美国60%的移动在线消费时间。

但是集中度却越来越高，单Facebook一款app就占到了15-20%，这使得Facebook成为最大的移动web浏览器。在中国微信也有类似的情况。

更重要的是，经过30年的发展之后，我们已经得到了一种新型的更加复杂的计算机（智能手机）。这种计算机更加个人化，有触摸屏、麦克风能感知位置，速度比以前快1000倍，可以随身携带，有应用商店、云计算和机器学习支持，以图像作为主要输入，忽略了电池和带宽限制，同时又更加易用。

新的计算机带来新的计算模式和创作模式。在新的传感器、输入、界面以及机器学习的支持下，这种计算机不仅更加复杂而且更加易用，在此基础上诞生了直播、广播、社交、触摸、图像等方面的新创作模式，把PC抛在了后面。

在过去，做视频直播需要满足很多假设：要有高质量的摄像头、编码和特效需要有高速的CPU/GPU，需要随时在线，随时可用；需要带宽和电池不受限制，需要有10亿部高端智能手机，然后把整部智能手机变成一部照相机。现在这些假设全部满足了。

计算使用的阻力变小了。没有按钮、没有app或者中间步骤，用户和服务之间没有“计算机”之类的东西，只需要使用即可。硬件传感器就是解绑的app——这些传感器已经深度链接到app之中。而app则凭借硬件化身进入到新的上下文环境里。所有的那些硬件都是利用智能手机供应链的商品还组件制造出来的。

软硬兼施开辟了一个新天地：智能手机供应链催生了一大批哑的传感器，但机器学习给这些传感器赋予了智能，两者结合意味打通了物理和虚拟世界，将产生无限可能。其主要的作用是减少了使用阻力和改变了选择。很多问题不需要问了，比如你有没有打印机？你的密码是什么？文件要保存在哪里？你想买什么样的肥皂？用哪个app买？同时提问的地方也变成了一种选择。大平台各个都想成为回答用户提问的人。用户体验模式创新开始遍地开花。

电子商务

零售业的发展准备像新闻报纸业一样。大家都是有着固定的成本结构，但是收入却在逐步下滑。商业模式正在从付费转向免费增值、拆分以及不同的技能。而新的媒介意味着不同的消费，这不仅仅是在不同的地方购买，而且购买的东西也不一样了。

互联网对媒体干过的事情一样会发生在零售业身上。旧的捆绑和聚合者被打破，新的聚合者将出现，然后从不同的方式塑造消费。

到目前为止，电子商务塑造的是你已经知道自己想要的东西的购买。电子商务在物流方面的表现要出色很多，但是在催生需求方面还不大行。

而大家如果知道自己想要什么的话，基本上都愿意在网上买，甚至连衣服都是（如果可以免费退货的话）。这使得Amazon成为了美国第四大的服装零售商。

Amazon就是搜产品的Google，但是产品的Facebook或者Buzzfeed还没有，也就是说推荐和发现机制还不完善。互联网可以让你购买（buy），但还不懂如何让你购物（shop）。

在引导购物方面，广告和营销发挥着很大的作用。目前全球广告市场规模达到了5000亿美元，营销又是一个5000亿美元的市场。虽然，电视广告仍然占大头，但是数字化广告和营销正在逐步蚕食这个1万亿美元的市场。针对传统零售商，贝索斯曾经说过“你的利润就是我的机会。”那么广告业是否也如此呢？

渠道就是产品。比如按月订购就可以锁定用户。新的购物之旅意味着一种新的决定。而一旦你改变了东西的购买方式，就会改变用户购买什么东西。

这样的话，如果把引导购买策划跟机器学习结合起来的话会发生什么呢？比如让机器学习10年的《Elle》杂志了解时装潮流、学习《Dwell》了解家居走势、学习《纽约时报》的食谱了解大家喜欢吃什么之后，当用户再把自己衣服、客厅、厨房拍张照片上传过去，然后让机器推荐一样自己没见过的东西时，在不掌握其购物历史和没有销售人员在旁边的情况下，AI能否提供大规模的个性化推荐呢？

数据正在改造零售业。1990年代通过ERP系统颠覆了供应链和物流，2000年代通过指标数据化颠覆了广告，但是零售的最后一个堡垒——需求还没有彻底解决。究竟是通过数据还是社交或者机器学习来解决需求问题呢？

过去沃尔玛利用新技术改变了零售业，现在Amazon正在做同样的事情。

到目前为止，电视制作、在线广告、付费电视、移动手机、消费者媒体等行业已经被软件颠覆。

未来零售业和汽车销售也将被软件颠覆。

汽车

明天的汽车就像今天的手机：很多关键的汽车部件已经商品化，汽车企业的技术护城河已经消失。硬件的网络效应已经消失，汽车的价值已经向软件迁移。“手机”的意义已经不一样了。

颠覆汽车有两条路径。一条是电动化，目前正在发生。引擎和变速器不需要了，动摇了汽车产业和供应商。但是这条路径对汽车的使用方式并没有太多的影响。另一条路径是自动化无人驾驶。实现真正的无人驾驶可能还需要5到10年的时间。在技术、管制等方面仍然面临着很多挑战。但无人驾驶将改变价值定位。加速按需服务的发展。改变汽车的定义。就像汽车改变城市一样也会对城市产生很大影响。

电动车的发展与锂电池的价格和能源密度变化息息相关。经过7年的发展锂电池每千瓦时的价格已经从2008年的1000美元降到了50美元，规模经济效应准备开始显现。

电动化还会对汽车进行解绑。没有了引擎和变速器，汽车变得简单了很多，很多部件都可以商品化了，活动件变成了过去的1/10都不到。把竞争的基础都改变了。对于能够驾驭变化的车企来说，规模、设计和渠道仍然重要，但是汽车的价值已经转移到软件上面了，这是全新的一种技能。然后自动化又会在此基础上叠加一个价值层。

手机的发展就是解绑的先例。2001年诺基亚做手机的时候，制造本身是一项核心竞争力和竞争优势。诺基亚 75%的手机都是由8家诺基亚工厂生产的。2016年到了苹果的时候，iPhone有189家供应商，分布在789个地方，这些供应商没有一个时候苹果自己的。

领先的技术公司的资本性支出已经赶上了汽车企业。苹果手上有2370亿美元的现金，Google也有730亿美元。这不公平，但很重要。

与此同时，无人驾驶正在稳步取得进展。从1958年开始，逐步解决了老式的定速巡航（L1级）、智能定速巡航以及车道保持（L2级），再到需要有人随时接管的无人驾驶（L3级，比如Tesla的Autopilot），以及人类司机只在意外情况（如恶劣天气）下接管的L4级，也许未来5到10年就能实现全自动驾驶的L5级。

在新形势下，汽车的护城河是什么呢？一旦电池和传感器被商品化，战略杠杆又是什么呢？汽车规模还是优势吗？虽然电动化改变了进入门槛，但是车身制造这些还是要规模的。数据网络效应会构成优势吗？毕竟机器学习需要提供大量的驾驶行为数据，此外高清3D地图也不是谁都能做的。按需服务的网络效应会不会也能加固原有优势——就像Uber和Lyft一样，吸引的司机越多，乘客就会越多，而乘客越多反过来又会吸引更多的司机。

要想展望无人车的走向，再次地可以以史为鉴。当年的汽车是以无马马车的身份出现的。一开始它是让技术适应旧模式（车的样子跟马车类似，只是没有马了）。然后再慢慢改变来利用自身优势。现在取消司机之后，无人车的颠覆还会更大。

电动化和自动化最明显的两个影响是石油和安全。汽车采用电动之后，全球的石油生产将减少一半。而无人驾驶将可以大幅减少每年的交通事故死亡人数（125万）。

但是其二阶效应甚至更大。电动化将改变整个汽车生态体系。因为活动件大为减少，做汽车保养维修的公司生意会惨淡很多。相应地，对机床的需求也会大幅减少。而美国的15万加油站到时候不知道应该卖什么呢？税收会不会也要调整？电的需求上升之后，发电和蓄电的需求自然也会水涨船高。

自动化的二阶效应甚至更大，会改变整个城市的形态。首先停车和拥堵问题有望解决或者至少大为缓解。跟汽车息息相关的房地产、物流、零售、保险等也会发生变革。到时候大家是否按愿意拥有汽车也是个问题。而最大的那些变化可能是我们现在都还没有办法想到的。