當設備在渠道中整合信息、數據是新的上帝的時候，科技巨頭將致力于商業模式和數據所有權的融合。

現在每個美國家庭都有一個共同點：兒童和成年人都在玩Amazon Echo或Google Home?！昂俟雀?，告訴我時間”，“嘿，Alexa，告訴我天氣”，或者“嘿，Siri，給我搖滾樂。”問題各式各樣，其奇妙之處是相同的——都是通過語音交互技術實現。

任何具有傳統商業思維的讀者都會認為這些設備在“浪費時間”。但仔細觀察，你會意識到重點不在于這些設備的新穎性，而是各大商家在消費者生活中所有溝通渠道的數據上的競爭。

很快，零售商、汽車公司、保險公司、銀行將與蘋果、亞馬遜等這些科技公司合作，將消費者變得單一化，談及創意商業模式和混合世界，這些家庭設備是基于語音的助手，它將會了解一個人的一生。他們將能夠從所有設備中提取信息，包括汽車，家庭設備，手機，CRM系統等等。他們會知道你每天做什么，因為你已經注冊并分享你的數據。

邊緣計算的力量

我們看到的很多信息是靜態信息。然而，隨著邊緣計算——通過從消費者設備端獲取數據來高速完成分析這一技術的興起，谷歌，亞馬遜，蘋果，Netflix和Facebook似乎將成為新革命的中心，他們擁有商業模式和數據所有權。

亞馬遜首席技術官Werner Vogels表示：“我們正在與合作伙伴合作使語音成為溝通的天然接口，因為我們已經看到了應用程序的疲勞?！?/p>

他補充說，他們希望開發者社區能夠使用AI和自然語言處理，并收集數據來創建新的業務服務。

在印度，我們可以清晰的看到這些正在發生?？偛课挥谟《劝嗉恿_爾的24 / 7.AI是一家擁有4億美元收入的業務流程外包公司，已經將自己重新打造成使用語音接口實現全自動化服務的公司。

IIIT-B主任S Sadagopan教授說：“也許這是我們第一次看到數據和接口在商業模式上融合“。

與云服務公司共享數據

在世界的另一邊，NASA已經與亞馬遜合作，為開發者社區和世界各地的學生提供開源地理空間數據。云計算公司（比如谷歌和亞馬遜）的零售商和制造商之間共享數據只是時間問題。

在這個新領域，新的宗教不再是關于云中的上帝，而是云中可以精準預測人類行為的技術公司，Homodeus的作者尤瓦·諾亞·哈拉里（Yuval Noah Harari）稱之為“數據主義”。

人類一直試圖預測行為 —— 股票市場的價格變動是人類決定買賣股票的參考標準之一。而未來，這些在家庭設備中收集到的消費者數據，將為亞馬遜和谷歌的云提供動力，進而作為預測未來的重要依據，比如買賣股票。

邊緣計算如何工作？

簡單來說，您的駕駛數據是由汽車收集的，它被存儲在云中。汽車是邊緣設備，分析是由人類訓練的人工智能平臺來執行，并通過模型不斷反復訓練學習。在車庫和家中的物聯網設備將起到連接點的作用。以下事情必因邊緣計算而發生：

1.物聯網設備捕獲數據

2.將這些設備連接到汽車和家庭

3.數據在云中被捕獲

4.數據在云端處理

5.語音助手在旅途中提出建議

6.與所有網絡和企業的共生關系。

“語音助理知道你什么時候回家。你可以告訴它保持燈亮或保持車庫打開，”維爾納說。他還補充道，所有這些重復的任務將被計算和分析大量數據的AI所取代。

這個論點不僅僅局限于技術公司。即使是大眾汽車公司，這家收入達到2500億美元的汽車制造商，也將自己定位為一家操作系統公司。

大眾汽車公司電動汽車部負責人Christian Senger表示：“汽車現在是一個操作系統。大眾汽車的操作系統將提供來自初創公司和合作伙伴的一系列服務?！蹦壳?，大眾正在考慮到2020年打造一個注重安全的數據平臺。

“這是一個人工智能的時代，汽車將產生大量的數據。在大眾汽車，我們不明白這一點，但我們需要加快這些服務。安全將是非常重要的。我們已經實現了交通安全，但信息竊取是我們所有人都擔心的，”克里斯蒂安說。

“我們可以在未來的汽車中做好幾件事—— 音樂，銀行業務等等。保護信息安全是汽車制造商的責任。我們必須跨過這道難關。人們現在看到了共享數據的好處，而且他們明白這讓他們能夠獲得服務，使自己的日常生活變得更好，”Christian說。

谷歌和亞馬遜新的“敵人”是數據邊界

在印度，i2E1，WizGo和Bezirk等幾家公司已經在做邊緣計算。

i2e1每月從超過2000萬臺設備收集數據。i2e1的創始人Satyam Darmora表示：“我們每天分析超過5000萬個數據點，估計全國各個實體市場的流量，這有助于我們的客戶高效地管理他們當前的商店并規劃新的商店。”

世界上最大的生物識別數據庫UIDAI就是一個很好的例子——大數據基礎設施被用來實現一種能夠支持每個印度人數字身份的產品。大數據項目面臨的挑戰對印度來說并不是技術本身，更多的是與較差的規劃和與實際業務問題的薄弱聯系有關。

勞斯萊斯（Rolls Royce）最近與印度IT巨頭TCS簽署了一項協議，收集所有機器和引擎的數據，并通過語音或聊天助手提供分析。

AWS首席執行官Andy Jassy表示：“來自印度的一些系統集成商正在使用亞馬遜的平臺來提供像AI和機器學習這樣的新時代服務。

難怪谷歌和亞馬遜這樣的大公司都在努力把握未來的脈搏。數據不再是企業在業務競爭中保持領先地位的專有技術，他們將與這些云和數據處理公司合作創建新的業務模式。現在，通過這些邊緣設備和平臺，數據更加社交化，但是用戶最終還是希望亞馬遜和谷歌能夠保護它，就像我們讓國家保護我們的邊境免受外來侵略一樣。

新的敵人是數字邊界，但這也是谷歌和亞馬遜付諸更多努力的方向。

目前看來，邊緣計算的時代已經到來。

延伸閱讀：邊緣計算、AI芯片、垂直應用……2018人工智能怎么投？

過去的三年，智能應用程序讓數據挖掘進入了新的階段，其中很大的功勞要歸于機器學習的飛速發展。在這種巨大的變化下，VC們在哪里尋找新的投資機會呢？

一個逐漸明顯的趨勢是——核心機器學習工具和模塊服務的構建正在成熟起來，基于此我們最感興趣的是那些瞄準邊緣計算以及垂直應用、專業硬件（比如AI芯片）公司。

以下是AI商業周刊認為值得關注和追蹤的四個產品方向，我們認為這些產品將在未來的智能應用領域占據一席之地：

1.邊緣計算——從數據走向場景

隨著機器學習的普及化，云服務商已經開始提供最新的GPU來訓練機器學習模型。Nvidia的財報顯示，GPU的需求一直在穩定增長，數據相關業務在近兩年間幾乎增長增長了三倍。不過，數據相關業務只是機器學習的其中一部分。

Nvidia財報

通常企業在GPU上訓練好機器學習模型之后，也希望能夠達到同樣效果的邊緣計算。例如，智能音箱需要在本地處理部分音頻錄制文件（如“Alexa”，“Hey Siri”或“OK Google”）以降低功耗、確保滿足隱私需求、降低延遲。

但高效可行的邊緣計算一直是個難以解決的話題，而它又是人工智能落地所必須的，因為我們目前的機器學習方法存在著以下三個硬傷：價格昂貴、需要在線計算、且受硬件開發影響。與其沿用陳舊，不如破而后立，幸運的是一一已經有創業公司圍繞現有痛點開始了嘗試。

2.AI芯片——從底層助力產業落地

使用專業級芯片可以更高效率的運行軟件，能夠支持邊緣計算的相關硬件也在機器學習領域愈發重要。

比特幣挖掘領域最引人矚目的就是這種趨勢，從最初的CPU到GPU再到FPGA，現在是專用芯片，現在則是只能進行單項操作的ASIC。這樣的硬件演進清楚地表明，專用芯片的性能比通用硬件（如CPU）將更有市場前景。

比特幣挖礦催生的芯片需求

值得欣慰的是，我們在機器學習領域看到了同樣的趨勢——Nvidia不斷優化GPU以進行深度學習，Azure和AWS發布了可針對特定工作負載而量身定制的FPGA、Google則發布針對機器學習優化的TPU。相對于傳統的通用芯片（比如CPU），AI芯片這個新領域的關鍵問題在于是否能夠為特定的需求以及前期投入足夠的時間和資金，這些因素對邊緣計算的平衡起到了決定作用。

基于低成本、高性能的AI芯片衍生的邊緣計算可以應用于大批量高價值的案例，例如自動駕駛的緊急防撞、工業設備的應急系統以及智能家居設備的語音識別。軟硬將相互結合將在性價比方面凸顯出極高的優勢，而對于初創公司來說，這是一個新的、值得切入的市場機遇，因為頭部科技公司的著力點將會更多的傾向于建立廣義的平臺或系統。

3.自然用戶界面——從人機交互層面突破

智能應用的關鍵組成部分是用戶界面的持續改進 ，這包括各種人機交互手段——文本，語音，視覺，手勢和其他形式的肢體語言。

科技的發展讓用戶越來越懶，人機交互相比于從前已經更加舒適、自然，今天已經有超過3500萬美國消費者使用語音控制他們的智能音箱。即使如此，目前這一代的數字助理仍然很難理解用戶的意思，比如Alexa和她的用戶之間就存在很多幽默的誤解。

在人機交互層面，初創公司可以從兩個角度提高用戶體驗和機器的理解能力：

1、減少人機溝通的環節，擴大機器響應的潛在范圍；

2、將人本身置于人機交互的循環中以增強機器學習系統。；

事實上，客服機器人已經在一些領域成為了最被廣泛使用的AI助手。這些機器人可以基于相應的文本輸出特定命令，比如：發送會議邀請、更新邀請、取消邀請或索要更多信息，這使他們能夠更好地預測用戶所要求的內容，并為其用戶創建更加人性化的交互模式。在這個循環中添加一個人來審計機器學習預測，既可以確保機器人的正確響應，又可以增強AI助手理解力，從而大大提高用戶體驗。

4.垂直領域的AI應用——焦點中的焦點

最后，能夠在垂直領域深耕和解決問題的AI應用將作為我們公司投資的主要焦點。

AI應用的制作成本越來越低，我們已經看到很多團隊切入垂直應用輸出解決方案來應對客戶痛點，金融、供應鏈、醫療保健。從某種意義上來說，底層技術在這里并不重要，最有價值的想法來自于對目標市場的了解，挖掘數據的工具已經足夠豐富，但能夠賦能現有行業的垂直AI應用卻處于開荒期。

人工智能和機器學習還有很多機會，未來十年的投資焦點則在于如何尋找那些著眼于瞄準邊緣計算、垂直應用、專業硬件的聰明創業者。