上一篇我们聊了云计算和 5G 的话题. 今天, 我们继续来聊另外两个现在热议的技术趋势.
人工智能
人工智能实在是太火爆的话题了. 好像所有的问题, 只要采用了人工智能的手段都可以一劳永逸的解决.
当我们盲目跟风的时候, 我觉得还是需要审慎的思考一下. 任何的技术都是为了业务服务的, 所以当我们决定是否采用人工智能手段的时候, 首先要回到我们业务本身. 深入的了解我们想要解决的问题是什么, 而不是为了做而做.
同时, 还要深入的了解目前人工智能的适用范围. 我觉得可以从数据, 工程, 产品三个纬度来考虑.
首先, 我们看数据方面. 没有数据就没有人工智能. 目前人工智能的技术还非常依赖大量的数据, 尤其是高质量的数据. 所以, 我们在采用之前, 先得看一下我们的业务场景有没有充足的数据, 数据的质量情况怎么样. 如果我们自己没有数据, 那是否还有其他手段或者资源得到数据. 这几项事情需要提前去调研清楚.
然后看工程层面, 人工智能并没大家想象的智能, 应该叫机器学习更确切一些. 他只是采用了归纳法的方式, 先提出模型假设, 然后通过海量高质量的数据训练和验证, 最终得到事物可能的规律. 整个过程都需要人的参与.
从数据的采集, 清洗, 加工, 到模型选取, 训练和测试, 每个阶段都是一个工程化的过程. 机器学习是工程和科研的结合体. 很多模型和算法都很美, 小数据量下完全没问题, 但是在大数据量的实际情况下, 根本无法实施. 这需要工程的手段逐一优化, 才能真正应用起来.
同样, 一个更加合理的模型和算法, 也会大幅降低工程实施的难度, 达到意想不到的效果. 所以, 要应用好人工智能, 得有工程和科研两方面的能力.
最后看产品层面. 由归纳法所决定的, 机器学习得到的是一个概率性的判断, 并不能保证完全的正确. 这一点非常关键. 我们需要根据具体的应用场景来看是否能够采用, 以及如何采用.
举个例子, 如果我们的场景是为用户推荐感兴趣的内容. 那对用户来说, 一两个推荐错误也无伤大雅. 如果我们的场景是无人驾驶, 那一旦出错, 后果就无法挽回. 这种情况下, 我们就需要审慎的去考虑.
不同的场景和要求, 具体实施的时候, 就需要充分理解机器学习的边界, 从整个产品实施的纬度去考虑.
比如我们可以将应用场景加一些限制. 例如无人驾驶, 完全在开放环境下实施其实非常困难, 甚至面临着伦理的挑战. 那我们能不能对驾驶场景做一下限制, 比如高速公路的某些路段, 这种封闭的环境下来实施. 封闭的环境使得机器学习的边界变得可控, 达到真实可以采用的程度.
再比如机器人手术, 让他全程做完手术就是不现实的, 是目前无法完成的任务. 那让他成为人的辅助好不好. 医生无法稳定完成的, 适合他的部分, 让他来怎么样.
总结一下这部分, 机器学习就是一个工具, 也仅仅是一个工具, 我们要理解我们的问题本身, 再用合适的方式融入他.
区块链
区块链是比特币背后的支撑技术, 也是一个热得不能再热的话题. 简单讲, 他是为大家提供了一个非中心化的不可篡改的账本.
基本原理是这样, 每一个参与这个区块链的人都会在自己的本地存储一份完整的账本. 当一个新的交易产生的时候, 他需要周知到整个区块链上, 至少 50% 以上的人同意后, 才能生效. 这使得恶意篡改的难度极大.
如果只是这么理解, 区块链可能不会得到这么大的关注. 能被大家热捧, 主要是大家看到了他背后带来的价值.
区块链网络实际上忠实的记录了节点与节点之间真实的协作. 通过查看这些记录, 也就知道了你曾经跟谁做过什么, 结果又怎么样, 这些信息就定义了你的价值和信用. 这是一个带有网络效应的价值网络. 这就给我们带来了极大的想象空间.
举个例子, 比如你在经营一家刚起步的小公司, 银行可能很难直接贷款给你. 但是, 如果你正在跟一家信用很好的公司有业务往来, 且信誉不错. 那银行通过区块链网络就可以了解到这些信息, 考虑到这一点, 就可以给你更多的授信额度.
区块链没有缺点吗? 也不是. 因为每次交易记录都需要在所有节点中传播, 所以节点越多, 所需要的计算, 网络, 存储资源也越多, 耗时也越长. 这都需要在未来的技术中去解决.
我们到底如何利用好区块链技术呢? 我想还是要回到我们的业务中来. 从实际要解决的问题出发, 充分考虑到区块链所带来的优缺点, 审慎决策.
总结一下, 新技术的采用都要经历一个从质疑, 到热捧, 再到回归理性的过程. 技术仅仅是工具, 我们对业务本质的理解才是核心.
来源: http://www.jianshu.com/p/ba25078ed2c6