时间: 2021-08-03 10:18:05 人气: 12 评论: 0
本文作者Chris Dixon，知名风投A16Z合伙人。他梳理了技术产品周期的历史，并对未来做出预测，认为我们正处在多个新时代开始的边缘。想了解下一代计算平台，你需要读读这篇文章。内容如下：
计算行业有两个基本独立的发展周期：金融和产品周期。金融市场很容易受到关注，波动性大，难以预测。产品周期受到的关注较少，但正是它驱动计算行业的进步。通过研究过去并以此推测未来，我们可以理解并预测产品周期。
科技产品周期**让平台与应用的互动相辅相成。新平台**产生新应用，而新应用**让新平台更有价值，从而形成正循环。小型的科技周期时常都有，但每隔一段时间，约10到15年，大的周期**开始重塑整个行业。
PC让企业家开发文字处理器，电子表格和桌面应用；互联网则诞生了搜索引擎，电商，邮件，通讯，社交网络，SaaS；智能手机则带来了移动通讯，移动社交和按需服务。我们如今处在移动时代的中期，很可能**出现更多移动创新产品。
每个产品周期又分两个阶段：酝酿阶段，新平台刚诞生，价格昂贵且不完善，难以使用；增长阶段，这时**有新产品出现，解决上述问题，并开始一段指数增长。
Apple II在1977年发布，但直到IBM在1981年发布PC，市场才开始了增长阶段。
互联网的酝酿阶段是在80及90年代早期，当时它还是学术界和政府用的基于文本的工具。1993年发布的Mosaic浏览器让互联网开始了增长阶段。
90年代就有了功能手机，新世界初黑莓也出了智能手机，但智能手机的增长真正开始于2007和2008年，当时iPhone和Android手机相继发布。此后智能手机呈爆炸性增长，现在有约20亿用户，2020年全球80%的人口**用。
如果10-15年的模式不变，下一个计算时代应该**在接下来的几年进入增长阶段，而且现在已经处在酝酿阶段。硬件和软件上都出现了一些重要的趋势，让我们得以看清下一个计算时代**是怎么样。
在大型机时代，只有大型组织买得起计算机，然后是小型组织**购买微型计算机，家庭和办公室购买PC，现在是人手一部手机。现在的处理器和传感器都越来越小，越来越廉价，而且计算设备**比从人类还多。
出现这种情况有两种原因。一是过去半个世纪半导体行业的进步（摩尔定律）；二是智能手机之战的和平红利，即手机的流行让处理器和传感器获得了更多投资。如果你拆个无人机，VR设备或物联网设备看看，就能发现很多手机零件。
现代半导体时代，关注点已经从单独的CPU转移到专门化的芯**，即系统芯**SoC。典型的SoC有能耗低的ARM CPU加专用于图像处理，通讯，能源管理，视频处理的芯**。
这种新架构拉低了计算系统的价格，从100多美元降到10美元左右。树莓派Zero就只要5美元，同样的价格还能买到带wifi可运行Python的微控。再过不久，这类芯**可能只要不到1美元，任何东西内都能嵌入计算机。
同时，高端处理器也有很大的性能提供，最重要的可能是GPU。GPU不仅能用于传统的图像处理，还能用于机器学习算法和VR/AR类设备。主要厂商英伟达还预测，未来性能还**改善。
另一种不可忽视的技术是量子计算。它现在还只存在于实验室中，但如果用于商业，**为生物和人工智能领域的算法带来数量级的性能提升。
软件也有很多令人激动的事发生，分布式系统是个很好的例子。随着设备数量的增长，跨机器的并行任务处理及设备间的通信及协调越来越重要。有趣的分布式系统技术有Hadoop和Spark等处理并行大数据问题的系统，以及保护数据安全的比特币/blockchain。
但或许最大的突破是在人工智能（AI）上。AI的浪潮起起落落，图灵曾预测上世纪末就**出现能模仿人类的机器，虽然这一目标未实现，但现在AI很可能真的进入了**金时代。
很多AI方面的兴奋点都与深度学习有关，它是一种机器学习技术，因Google用它训练计算机学**识别视频中的猫而出名。深度学习是神经网络技术的衍生，后者可追溯到上世纪40年代，由于新算法，廉价的并行计算和大型数据集的普及而得以重生。
深度学习也是硅谷的热门词，这一点容易被忽略。对它的关注也有**和现实结果的支持，比如ImageNet挑战（一个机器视觉测试）的获胜者往往错误率在20-30%，但用了深度学习后，精确度不断提升，并在2015年**越了人类。
许多与深度学习有关的论文，数据集和软件工具都开源了，这也让更多个人和小型组织能构建功能强大的应用。Whatsapp的消息系统服务了9亿用户，但公司只有50名工程师，而以往的系统可能需要数千名工程师。WhatsApp效应在AI领域也有体现，Theano和TensorFlow等软件工具同用于训练的云数据中心，以及并不昂贵的GPU，让小工程师团队也能建立先进的AI系统。
下面就是一位程序员用TensorFlow做的业余项目，能给黑白照**上色：
还有初创公司做出实时物体归类项目：
这让人想起科幻电影中的场景：
深度学习一个知名的应用案例是Google Photos应用，十分智能。
过不多久，我们就能看到各类产品的智能升级，包括语音助手，搜索引擎，聊天机器人，3D扫描仪，语言翻译，汽车，无人机，医疗成像系统等。
开发AI产品的初创公司要关注于特定的应用场景，才能与科技巨头竞争，后者也给了AI很高的开发优先级。AI系统随着数据的增多而更聪明，这**产生数据网络效应的良性循环：更多用户—更多数据—更好的产品—更多用户。成功的AI公司可以遵循类似的策略。
现在有很多计算平台处于酝酿阶段，不久后很可能进入增长阶段，因为他们在整合最新的硬件和软件技术。虽然这些平台各异，但都有一个共同主题：在现实中增加一个智能的虚拟层，赋予并增强人类能力。以下是一些新平台介绍：
汽车：Google，苹果，Uber和特斯拉都有投资自动驾驶汽车。像Model S这种半自动汽车已经上路，而且在不断进化。全自动汽车很可能在5年内面世。现在已经有了完全自动化的汽车，它们的表现几乎和人类一样好，但出于文化和监管原因，在上路前还需要更多测试，要表现得比人类更好。
对自动驾驶的投资也**増多。除了科技巨头，汽车厂商也开始认真对待这一趋势，甚至初创公司也**推出一些有趣的产品。深度学习软件已经如此优秀，单独的程序员也能开发出半自动的汽车了：
无人机：消费级无人机有现代化的硬件，但软件相对简单。在近几年，无人机**加入先进的计算机视觉和其它AI技术，变得更安全，更易于操作，也更有用。无人机在娱乐影像领域**持续发酵，但也**有更多商用场景，很多涉及高空攀爬的危险工作都可由无人机来执行。
物联网：物联网设备最明显的功能应该是节能，安全和便利。Nest和Dropcam在前两项上做得不错，而在后一项上最有趣的产品应该是亚马逊的Echo。
很多人认为Echo只是个噱头，但使用过后**发现它确实有用。它展示了语音如何成为新交互方式。虽然能进行完整对话的智能系统还要一段时间才能出现，但语音已经能在限制性的场景中起到作用了。深度学习的突破**让语言理解得以提升，并形成可用的产品。
物联网还能用于商业情景，如拥有传感器的设备网络能帮助监控工业设备。
可穿戴：现在的可穿戴设备受限于电池，通讯和处理技术。成功的产品都专注于特定的应用场景，如健康监测。随着硬件的发展，可穿戴设备**像智能手机一样支持更多使用情况，并进一步扩展。与物联网一样，语音也**是主要的用户界面。
虚拟现实：众所周知，2016**是虚拟现实爆发的一年。Oculus，HTC和索尼的产品**相继问世，舒适且沉浸式的VR系统能触及更多用户。VR系统也要足够好，才能避免“恐怖谷”效应。优秀的VR还需要特别的屏幕（高分辨率，高**新率，低延时），性能强劲的显卡，以及能精确追踪用户的位置（一般的VR系统只能追踪头部旋转）。今年，更多人**第一次体验到什么叫“临场”，完全置身于虚拟世界之中。
VR设备**持续进化，主要的研究领域还包括：渲染及录制VR内容的新工具，直接从手机和头盔中追踪和扫描的机器视觉技术，承载大型虚拟环境的分布式后端系统。
增强现实：AR**紧随VR之后到来，因为其要求与VR类似，不过也需要额外的技术。AR需要先进的低延时机器视觉技术，在同一场景中以令人信服的方式将现实和虚拟结合起来。
AR可能来得比想像中的快，下面是Magic Leap的演示内容。
很可能10-15年的周期模式已经过时了，移动时代是最后的时代；也有可能下一个时代很久才**到来，或者上面提到的计算平台只有一部分得以实现。
我倾向于认为，我们正步入多个而非一个新时代。智能手机之战的和平红利让新设备呈现寒武纪大爆发，而软件的发展，特别是AI，**让这些设备更智能更有用。上面提到的很多未来技术已经存在，接下来**进一步扩展。
很多人认为新设备还处于笨拙的青春期，这是酝酿阶段的体现。正如70年代的PC，80年代的互联网和世纪初的智能手机一样，我们只是看到了未来的只身**影，但它毫无疑问已经在眼前了。市场起伏，狂热跌荡，只有技术在稳步前进。
via medium
本文来源于人人都是产品经理合作媒体@雷锋网，作者@张驰
