世界風投關(guān)注的投資領(lǐng)域，虛擬現(xiàn)實（VR）、企業(yè)的“傳感器化”（Sensorification）和機器學習+大數(shù)據(jù)，本文主要講解虛擬現(xiàn)實（VR）、企業(yè)的“傳感器化”（Sensorification）和機器學習+大數(shù)據(jù)等詳細情況。

1.虛擬現(xiàn)實（VR）

在虛擬現(xiàn)實（VR）的世界里，“臨場感”是一種藝術(shù)。這是說，一旦VR達到了某種水平，你的大腦就被欺騙了——在原始層的層面——你就會認為你眼前看見的東西是真的。有研究表明，即使你的理性告訴你并沒有真的站著一個懸崖邊，你鼓起所有勇氣準備往下跳，你的原始的掌管動作的大腦部分也會阻止你那么做。

有了“臨場感”，你的大腦會讓你感覺自己不是帶了一個設(shè)備而是浸入了一個不同的世界。

計算機狂熱者和科幻小說作家已經(jīng)期待VR幾十年了。但是早期的嘗試，尤其是90年代，很讓人失望。因為那時候技術(shù)還沒有準備好。而由于摩爾定律、以及移動設(shè)備蓬勃催生的處理器、屏幕和加速儀等技術(shù)的發(fā)展——VR終于進入到主流世界了。

我們用一個專有名詞“終止懷疑”（suspension of disbelief）來形容我們看電視和電影的體驗。這也是說我們在看電影電視時的默認狀態(tài)是“不相信”。我們只有在足夠浸入的時候才能真的“相信”。

而VR技術(shù)，情況反了過來。大腦的默認狀態(tài)是“相信”，相信我們看到的東西是真的。一切從“太無聊”變成了“太強烈”。我們需要不斷提醒自己我們看到的不是真的。“終止懷疑”變成了“終止相信”。

這意味著有一些軟件在VR環(huán)境里可能難以成功。比如像《使命召喚》這類大型游戲如果做出VR的東西也許會更令人感到害怕和不安。

而更可能成功的是一些簡單的體驗。比如：穿越時間看看古羅馬是什么樣子；攀爬摩天大樓以客服恐高癥；為飛機降落進行訓練；迅速回到你上次度假的地方（因為你當時拍攝了“3D照片”）；和一個失聯(lián)很久的朋友吃個午餐；像如今在現(xiàn)實生活中與人合作一樣，在VR世界中和人建立聯(lián)系與信任。

未來幾十年的VR，會像開始幾十年的電影一樣。電影制作者一開始什么都不知道：如何編劇、如何拍攝、如何剪輯等等。他們花了幾十年的時間，建立了電影語言。在VR上我們也將進入這一時期。

VR上會出現(xiàn)很棒的游戲，并且它可能在很長時間里都會占據(jù)VR這個領(lǐng)域。但從長期來看，游戲只是媒體的一小部分。開始的電視節(jié)目就是新聞欄目和游戲類節(jié)目，但如今電視屏幕已經(jīng)被視為承載內(nèi)容的輸入/輸出工具了。

VR會是的輸入/輸出工具。有些人把VR稱作“的媒體”，因為之后任何媒體都可以在VR之內(nèi)，用軟件產(chǎn)生?；乜礆v史，如今我們在用的電影和電視屏幕可能是電的發(fā)明以及VR發(fā)明的一個中間狀態(tài)。孩子們會覺得，他們的祖先原來會盯著一個長方形的東西看并且希望自己相信里面發(fā)生的事。

2.企業(yè)的“傳感器化”（Sensorification）

幾年前，一群消費級（2C）的互聯(lián)網(wǎng)公司看到手機后說了一句“我靠”。他們都看到了，所有的流量以后都會來自于手機而不是PC。為了利用手機帶來的商機，以前做的一切都要重做。直到現(xiàn)在，還有公司仍在進行這個轉(zhuǎn)變（而有一些甚至還沒開始）。

而在今天的企業(yè)環(huán)境中，類似的事情也正在發(fā)生——企業(yè)服務(wù)也要迎來“我靠”的時刻了。但這并不是把企業(yè)服務(wù)帶到移動端這么簡單?？勺龅倪h不止如此。

想想如今智能手機所展示的無限可能性。智能手機的形式及其功能的復(fù)雜性都將商業(yè)形式引向了以前無法想象的境界（比如共享乘車服務(wù)等）。而其中重要的原因就是行業(yè)的“傳感器化”，加上移動端的浪潮以及友好UI的共同作用。

同樣的“傳感器化”也要進軍企業(yè)環(huán)境中。

企業(yè)UI嚴重落后。所有那些在智能手機上習以為常的操作動作——縮小，放大，滑動，點擊，語音，甚至單純用手指隨意移動——在企業(yè)環(huán)境中都沒有實現(xiàn)。用戶界面永遠是被考慮的，是建完數(shù)據(jù)庫后做的一件事。這種情況正在變化。

那么“傳感器們”從何而來？想想手機的特點。我們并沒有那么多屏幕或者功能可以使用。傳感器基本上是連接到信息和動作的“快捷方式”，用戶不需要什么操作。比如，我們不用每次都手動輸入地址，GPS只要簡單地告知手機“你在這兒”就可以自動處理下一步工作了。

在企業(yè)環(huán)境中，傳感器的價值在于成為用戶界面的快捷鍵，甚至有可能消滅打字，然后我們就可以把注意力放在簡單，有趣又有創(chuàng)意的事情上了。

3.機器學習+大數(shù)據(jù)

我們認為“大數(shù)據(jù)”和“機器學習”是相關(guān)的兩件事。一直以來，人們認為需要對各種數(shù)據(jù)進行更深入地分析和洞察，這點當然是重要的，因為直到現(xiàn)在我們一直都處在大數(shù)據(jù)的收集階段。但在大數(shù)據(jù)的世界里，令我們興奮的創(chuàng)新點是，我們來到了預(yù)測階段——處理收集到信息的能力、學習模式的能力以及基于已知預(yù)測未知的能力。

機器學習之于大數(shù)據(jù)就如同人類學習之于生活經(jīng)驗：人類歸納和總結(jié)過去的經(jīng)驗來處理陌生情況。而大數(shù)據(jù)中的機器學習會復(fù)制這種行為，并且是在一個巨大的量級上。

過去的商業(yè)智能 (Business Intelligence) 表現(xiàn)為對以往的關(guān)注（“在肯塔基州已經(jīng)賣掉了多少雙紅色鞋子？”），現(xiàn)在我們則需要預(yù)測性的觀點（“在肯塔基州將要賣掉多少雙紅色鞋子？”）。重要的是，機器學習并不是目的本身，它是每個應(yīng)用的一個“屬性”。它并不是一個獨立的功能，“Hey，讓我們用這個工具來預(yù)測吧。”

以Salesforce為例。目前它只能呈現(xiàn)數(shù)據(jù)，用戶要自己分析這些數(shù)據(jù)，產(chǎn)生自己的觀點。然而我們中的大部分人都被Google訓練過了，習慣了從成千上百的可能性中篩選要使用的信息來定制我們自己的用戶體驗。為什么機器做不到呢？企業(yè)應(yīng)用——在每一個能想象出來的案例里——也將更加智能，因為機器可以在海量的數(shù)據(jù)中不斷學習并發(fā)展出“觀點”。它就像是做任何事的時候都可以幫到你的一個聰明且經(jīng)驗豐富的助手。

在這里，關(guān)鍵的是要形成大數(shù)據(jù)本身就能帶動應(yīng)用程序來做出動作，而不需要人工干預(yù)。（我的同事Frank Chen稱它為程序建筑中的“內(nèi)部大數(shù)據(jù)”）。

但所有這些都會在基礎(chǔ)設(shè)施層面推動創(chuàng)新，同時也從中獲益。

大數(shù)據(jù)需要大計算：Hadoop和Spark在大數(shù)據(jù)技術(shù)版圖的什么位置

把大數(shù)據(jù)和機器學習看作三步：收集，分析，預(yù)測。目前為止，這些步驟彼此分離，因為我們一直以來都從底層建立生態(tài)系統(tǒng)——選擇各種工具——并進行針對性實踐。

早期的Hadoop堆棧就是收集和儲存大數(shù)據(jù)的例子。它允許其在一大群廉價的服務(wù)器上進行簡易的數(shù)據(jù)處理。但Hadoop MapReduce則是批量處理的系統(tǒng)，并不太適合交互式應(yīng)用；像數(shù)據(jù)流處理的實時操作；以及其他更復(fù)雜的估算。

對于預(yù)測性分析，需要一些基礎(chǔ)設(shè)施，能更快響應(yīng)人類級規(guī)模的交互：今天發(fā)生的哪些可能會影響明天？需要一直有大量持續(xù)的迭代，讓系統(tǒng)智能，讓機器“學習”——探索數(shù)據(jù)，將其形象化，建模，提問，得出答案，導入其他數(shù)據(jù)，然后重復(fù)該過程。

越實時，粒度越細，我們就可以更快響應(yīng)，更有競爭性。

舊世界中“小數(shù)據(jù)”的商業(yè)智能（BI），只在數(shù)據(jù)庫上放一個小型應(yīng)用驅(qū)動就足夠了。而現(xiàn)如今，我們要處理千倍于以前的數(shù)據(jù)，所以為了速度能跟上，我們需要平行的，以內(nèi)存為存儲機制的的的數(shù)據(jù)發(fā)動機（data engine）。為了大數(shù)據(jù)能解鎖機器學習的價值，為我們在應(yīng)用層面就展開部署。這也就意味著“大數(shù)據(jù)”需要“大計算”。

這就是 Apache Spark 的作用了。因為它是堆棧中內(nèi)存、大計算的部分，比Hadoop MapReduce 快上百倍。同時它還能提供交互性并不局限于批量模式。Spark 在哪兒都能運行（包括Hadoop），把大數(shù)據(jù)處理環(huán)境轉(zhuǎn)換成實時數(shù)據(jù)捕捉和分析環(huán)境。

在大數(shù)據(jù)/大計算生態(tài)系統(tǒng)中的每一層面我們都有投資，而這個領(lǐng)域仍有很多創(chuàng)新的余地。因為大數(shù)據(jù)計算已經(jīng)不再局限于單一的政府機構(gòu)和大公司了。即使早期的應(yīng)用更傾向于出現(xiàn)在數(shù)據(jù)科學家工作的行業(yè)，機器學習作為所有應(yīng)用的“屬性”——尤其是和一個友好的用戶界面相結(jié)合的時候——就能讓大數(shù)據(jù)進入到各個不同領(lǐng)域，而在這基礎(chǔ)之上有機會誕生出很多偉大的公司。

我相信每款應(yīng)用都將重構(gòu)來利用此趨勢。同時感謝大數(shù)據(jù)和大計算的革新，讓這一切成為可能。我們處在機器智能加速時期的起始階段，這會對商業(yè)體系和社會產(chǎn)生無限益處。

定義

-大數(shù)據(jù)：收集大量的信息，無論是結(jié)構(gòu)性的還是非結(jié)構(gòu)性的。

-大計算：從大數(shù)據(jù)中提取價值所需的大規(guī)模（一般來說是平行的）處理能力。

-機器學習：計算機科學的一個分支，不用別的算法來解決明顯的，命令式的邏輯問題，而是用低級別的算法來發(fā)現(xiàn)暗含在數(shù)據(jù)中的模式。（想想人類的大腦從生活經(jīng)驗中學習vs.從明確的指示中學習的區(qū)別）有越多的數(shù)據(jù)，學習就越有效，這也是機器學習和大數(shù)據(jù)會復(fù)雜地聯(lián)系在一起的原因。

-預(yù)測性分析：用機器學習來預(yù)測未來的產(chǎn)出效果（外推法），或者從已知中推斷未知數(shù)據(jù)點（內(nèi)推法）。

金程cfa小編溫馨提示：CFA考試的報名時間、考試動態(tài)，金程網(wǎng)校會在第一時間通知大家，敬請關(guān)注金程網(wǎng)校考試動態(tài)【提示：“Ctrl+D”收藏此頁面】。

金程網(wǎng)校推薦的熱門頻道內(nèi)容：CFA notes CFA考試科目 CFA考試經(jīng)驗 CFA歷年真題

金程勵志：有一個未來的目標，總能讓我們歡欣鼓舞，就像飛翔火光的飛蛾，甘愿做烈焰的俘虜，擺動著的是你不停地腳步，費懸著的是你美麗的流蘇，在一往情深的日子里，誰能說得清，什么是甜，什么是苦，只知道 確定了就義無反顧，要輸就輸給追求，要嫁就嫁給幸福。