人工智能時代，數(shù)據(jù)是關(guān)鍵。但是，擁有大量數(shù)據(jù)的公司會在人工智能時代變得更加強大嗎？近日，A16Z合伙人Benedict Evans近日在其博客上發(fā)表了一篇文章，對這個問題進行了回答。他認為，普遍情況下，人工智能只會讓大公司更適合成為大公司。人工智能是否具備贏家通吃效應(yīng)，還要看情況。原題為“Does AI make strong tech companies stronger?”希望能夠為你帶來啟發(fā)。

機器學習，可能是當今所有的技術(shù)中最重要的。

由于機器學習的基礎(chǔ)是數(shù)據(jù)——大量的數(shù)據(jù)——所以人們經(jīng)常聽到這樣的說法，即已經(jīng)擁有大量數(shù)據(jù)的公司會變得更加強大。

這有一定道理，但只是在小范圍內(nèi)可以這樣說。與此同時，我們也能看到，機器學習會帶來能力擴散，整個過程中，它帶來的去中心化和集中化一樣多。

首先，機器學習是關(guān)于數(shù)據(jù)的。這意味著什么？

由于機器學習的學術(shù)氛圍，幾乎所有的基礎(chǔ)技術(shù)突破，在發(fā)現(xiàn)之后都會立即發(fā)表出版。每個人都能讀到關(guān)于這些突破的論文，甚至有代碼，可以復(fù)現(xiàn)這一突破。

在過去，軟件工程師想要創(chuàng)建一個系統(tǒng)來識別某些東西，他們要寫邏輯步驟(“規(guī)則”)。

為了識別圖片中的貓，你需要寫一些規(guī)則來識別貓的輪廓、皮毛、腿、眼睛、尖耳朵等等，然后把它們打包在一起，希望它能起作用。

問題在于，盡管這在理論上可行，但在實踐中，就相當于試圖制造一匹機械馬，它所需要的復(fù)雜性邏輯是不切實際的。我們無法描述我們識別貓的所有邏輯步驟。

使用機器學習，你只需要給統(tǒng)計引擎提供例子(很多例子)，這個引擎會生成一個模型來區(qū)分這些例子中的不同之處。

你給它100000張貼有“貓”標簽的照片和100000張貼有“不是貓”標簽的照片，機器就能找出區(qū)別。

機器學習，用從數(shù)據(jù)中自動確定的模式代替了手寫的邏輯步驟。對于一些非常廣泛的問題，它的效果更好。一些簡單的應(yīng)用是在計算機視覺、語言和語音方面，但它的用例要廣泛得多。

你需要多少數(shù)據(jù)是不斷變化的：有一些研究路徑，可以讓機器學習處理小得多的數(shù)據(jù)集。但現(xiàn)在，還是數(shù)據(jù)越多越好。

因此，問題是：如果用機器學習讓做新的重要的事情，而且機器學習需要越多數(shù)據(jù)越好，這是否意味著那些已經(jīng)很大并且擁有大量數(shù)據(jù)的公司會變得更強大？贏家通吃效應(yīng)有多嚴重？

不難想象，會有一個良性循環(huán)，來強化贏家的主導(dǎo)地位：

更多數(shù)據(jù)=更精確的模型=更好的產(chǎn)品=更多用戶=更多數(shù)據(jù)。

基于此，得出像“谷歌/ Facebook /亞馬遜擁有大量數(shù)據(jù)”或者“中國擁有大量數(shù)據(jù)”，將會在人工智能領(lǐng)域占據(jù)上風的觀點，會變得很容易。

好吧，也可以這樣說。

首先，雖然機器學習需要大量的數(shù)據(jù)，但是你使用的數(shù)據(jù)要非常適合你試圖解決的問題。

通用電氣有大量來自燃氣渦輪機的遙測數(shù)據(jù)，谷歌有大量搜索數(shù)據(jù)，美國運通有大量信用卡欺詐數(shù)據(jù)。

但你不能用渦輪機數(shù)據(jù)來訓(xùn)練模型，去發(fā)現(xiàn)欺詐交易，也不能用網(wǎng)絡(luò)搜索數(shù)據(jù)訓(xùn)練模型去發(fā)現(xiàn)即將失效的燃氣渦輪機。

也就是說，機器學習是一種可推廣的技術(shù)——你可以將其用于欺詐檢測或面部識別——但是你用它構(gòu)建的應(yīng)用程序并不具備可推廣性。

你訓(xùn)練的每一個模型只能做一件事。

這與之前的自動化浪潮非常相似：就像洗衣機只能洗衣服，不能洗碗做飯，象棋程序不能交稅一樣，機器學習翻譯系統(tǒng)也不能識別貓。

你構(gòu)建的應(yīng)用程序和你需要的數(shù)據(jù)集，都與你試圖解決的任務(wù)強相關(guān)(盡管這也是一個不斷變化的目標，有研究試圖讓機器學習模型在不同的數(shù)據(jù)集之間更容易遷移)。

這意味著機器學習的實現(xiàn)的分布將會非常廣泛。

谷歌不會“擁有所有的數(shù)據(jù)”——谷歌會擁有所有的谷歌數(shù)據(jù)。谷歌給出更相關(guān)的搜索結(jié)果，通用電氣將會有更好的渦輪機遙測技術(shù)，沃達豐將會有更好的呼叫模式分析和網(wǎng)絡(luò)規(guī)劃，這些都是不同公司建立的不同東西。

谷歌會越來越擅長成為谷歌，但這并不意味著它在其他方面也做得越來越好。

接下來，人們可能會爭辯說，這只是意味著每個行業(yè)中的大公司變得更加強大——沃達豐、通用電氣和美國運通都擁有它們做的任何事情的“所有數(shù)據(jù)”，從而形成了抵御競爭對手的護城河。

但是在這個方面，情況又變得更加復(fù)雜，會有各種有趣的問題涌現(xiàn)。比如誰擁有數(shù)據(jù)，數(shù)據(jù)有多獨特，數(shù)據(jù)在什么層面上是獨一無二的，以及聚合和分析數(shù)據(jù)的正確位置在哪里。

所以：作為一家工業(yè)公司，你會保留自己的數(shù)據(jù)并建立機器學習系統(tǒng)來分析它嗎(或者付錢給承包商來幫你這樣做)？

你會從供應(yīng)商那里購買用其他人的數(shù)據(jù)訓(xùn)練的成品嗎？你是將你的數(shù)據(jù)融入其中，還是用你的數(shù)據(jù)進行訓(xùn)練？供應(yīng)商是否需要你的數(shù)據(jù)，或者它們已經(jīng)有足夠的數(shù)據(jù)了？

對于不同的業(yè)務(wù)部門、不同的行業(yè)和不同的用例，答案會有所不同。

從另一個角度來說，如果你正在創(chuàng)建一家公司來用機器學習解決現(xiàn)實世界的問題，那么有兩個基本的數(shù)據(jù)問題：

你如何獲得第一批數(shù)據(jù)來訓(xùn)練你的模型去獲得第一個客戶？你需要多少數(shù)據(jù)？

當然，第二個問題可以分解成許多問題：

是用相對較少且相當容易獲得的的數(shù)據(jù)來解決問題？(但許多競爭對手可以獲得) 。

還是你需要更多的、難以獲得的數(shù)據(jù)去解決問題？

如果是這樣的話，是否存在一種網(wǎng)絡(luò)效應(yīng)可以從中受益？一個贏家將獲得所有的數(shù)據(jù)？

產(chǎn)品是隨著更多的數(shù)據(jù)無限期地變得更好，還是存在一個S曲線？

這要看情況。

有些數(shù)據(jù)，是企業(yè)或產(chǎn)品所獨有的，或者具有很強的專有優(yōu)勢。 通用電氣公司的渦輪機遙測技術(shù)在分析勞斯萊斯的渦輪機方面，可能沒有多大用處。當然，如果有用的話，他們也不會分享。

這可能是一個創(chuàng)辦公司的機會，也是許多大公司的技術(shù)部門和承包商設(shè)計項目的地方。

一些數(shù)據(jù)，可以應(yīng)用于許多公司甚至許多行業(yè)中的用例。

比如，“這個電話有些奇怪”，可能在所有信用卡公司中都有用?！邦櫩吐犉饋砗苌鷼狻?，可能適用于任何設(shè)立有呼叫中心的企業(yè)。

基于此，誕生了許多創(chuàng)業(yè)公司，以解決許多公司或不同行業(yè)的共性問題，并且這里的數(shù)據(jù)具有網(wǎng)絡(luò)效應(yīng)。

但是也有這樣的情況，即在某個時間點之后，供應(yīng)商甚至不需要每個更多的數(shù)據(jù)了，因為產(chǎn)品已經(jīng)開始工作了。

實際上，隨著機器學習擴散到幾乎所有領(lǐng)域，可以從很多創(chuàng)業(yè)公司種看到這些情況。我們（A16Z）的投資的公司Everlaw開發(fā)了一個法律發(fā)現(xiàn)軟件：如果你起訴某人，他們給你一卡車的文件，這對你有幫助。

使用機器學習，他們能夠?qū)σ话偃f封電子郵件進行情感分析，但不需要根據(jù)你的案件數(shù)據(jù)對模型進行訓(xùn)練，因為情感識別模型的訓(xùn)練數(shù)據(jù)，不需要來自這個特定的訴訟(或任何訴訟)。

另一家公司Drishti使用計算機視覺技術(shù)來檢測和分析生產(chǎn)線，其中一些模型是根據(jù)你的數(shù)據(jù)訓(xùn)練出來的，另一些根本不是針對于你的業(yè)務(wù)，而是跨行業(yè)工作的。

還有一些極端情況。最近，我與一家大型車輛制造商的內(nèi)部人士進行了交談，這家制造商正在利用機器學習技術(shù)來開發(fā)更精確的爆胎檢測器。

這是基于大量輪胎的數(shù)據(jù)訓(xùn)練出來的模型。但很明顯，獲得這些數(shù)據(jù)并不難。所以，這只能是一個功能，而不是算是護城河。

我早些時候說過，機器學習創(chuàng)業(yè)公司需要回答兩個問題：

你是如何獲得數(shù)據(jù)的？你需要多少數(shù)據(jù)？

但是這些只是技術(shù)層面的問題，你還需要問自己：

如何進入市場？你的目標市場是什么？你正在解決的問題對你的客戶有多有價值？等等。

也就是說，很快將不會有任何“人工智能”創(chuàng)業(yè)公司，它們將是工業(yè)流程分析公司、法律平臺公司或銷售優(yōu)化公司。

事實上，機器學習的普及并不意味著谷歌變得更強大，而是意味著各種各樣的創(chuàng)業(yè)公司，能夠比以前更快地利用這一前沿技術(shù)來構(gòu)建一個應(yīng)用，解決一個問題。

這讓我想到了我在其他地方用過的一個比喻：我們應(yīng)該將機器學習與SQL進行比較。

它是構(gòu)建新的重要的事情的基石，在未來將成為一切的一部分。如果你不使用它，而你的競爭對手會使用它，你就會落后。

一些人將基于此創(chuàng)建全新的公司，沃爾瑪?shù)囊徊糠殖晒σ蛩兀褪鞘褂脭?shù)據(jù)庫更有效地管理庫存和物流。

但是今天，如果你創(chuàng)辦了一家零售公司，并說“……我們將使用數(shù)據(jù)庫”，這不會讓你變得不同或有趣，因為SQL成為了一切的一部分，然后它就在話語體系中消失了。

機器學習也會如此。