九合创投：这里有一份关于未来的智能互联网Mapping

发表评论

A+

雷锋网(公众号：雷锋网)「新智造」按：当技术发展到今天，互联网已经演进到智能互联网。本文摘自九合创投的研究报告，包括智能互联网的核心特征、智能互联网的技术成熟周期以及智能互联网带来的革新与机会，首发于九合创投微信公众号，新智造已获取授权。新智造作为雷锋网旗下栏目，关注智能时代的创新与创造，目标是找到哪个领域还有值得创业和投资的机会。

智能互联网是互联网「连接」作用发展到一定成熟阶段的演进形态，其建立在互联的基础上，以连接产生的「数据」为核心，通过数据处理输出「智能」价值，指导人与机器的高效决策和资源利用。

智能互联网的五个核心特征

（1）智能互联网是互联网的演进形态，其首要表征是互联网的核心价值驱动力由「连接」到「数据」的发展。「连接」是智能互联网的基础，「数据」是智能互联网创造价值的核心。

（2）传统互联网的载体相对统一且载体迁移对原有商业格局影响较大 VS.智能互联网载体分散并将呈现越来越离散的特征。

（3）智能互联网的核心价值驱动力 — 「数据」，既包括作用于产业与行业的横向数据，也包括以某一具体指向为单位的纵向数据；其实质都是超出人脑可处理范围、需要算法发挥智能价值的数据。

（4）智能互联网价值链条的主要表现为：数据输出决策，决策提高效率，效率作用于资源利用和时间成本。智能互联网的「智能价值」包含对个体生活的智能价值和社会生产力的智能价值。

（5）凡是“通过连接与数据产生价值”的形式皆属于智能互联网的范畴。

智能互联网的技术成熟周期

下图分别为Gartner最新的2016年新兴技术成熟曲线与2016年物联网成熟曲线。

九合创投：这里有一份关于未来的智能互联网Mapping

其中，九合重点整理了 2-5 年内能够到达成熟生产阶段的技术如下图：

物联网超过 8 项技术有望在 2 - 5 年内到达生产成熟期，未来 5 年内物联网技术将快速发展，为智能互联网联打下坚实的「连接」基础，采集到更多之前不可触达的线下数据和产业数据，辅助机器学习的突破。
正在走向泡沫破灭低谷期的物联网集成技术，能促进企业认识到物联网集成不只是简单的 M2M（Machine to Machine）一体化，在此之前要做好底层互操作性和硬件集成工作。
IT / OT 集成撩拨着供应链和生产链实时打通的巨大想象，但回望更底层的物联网集成正经历低谷期，IT / OT 的集成仍必先实现物联充足的数据采集布点。
预测性分析与 IT/OT 集成技术正处于同一阶段，事实上，IT/OT 集成的想象力直接能转化为丰富实时的数据源，喂养预测模型，两者呈正相关。
与智能制造、工业大数据造密切相关的物联网集成、IT/OT集成、预测性分析、机器学习等多项技术同时处于 2 - 5 年内到达成熟区的临界点，可以预期未来五年内工业领域将快速发展突破。
自然语言问答技术行走于泡沫低谷期，此前 bots 疯狂的投资热将逐渐恢复理性，企业开始思考将技术应用于实际产生价值的场景而非想象场景里试错。也就是说，近两年内，个人虚拟助手等 C 端 bots 创业将逐渐冷却或转向 B 端应用场景。

智能互联网时代的行业革新

智能互联网时代的效率经济渗透各行各业，体现出显性的、可直接转换成经济价值的成本降低和效率提升。高盛曾从统计经济学的角度分析，移动互联网时期的美国并没有在经济数据上体现明显的社会生产率提升，但人工智能所带来的社会生产率促进作用却呈现为可量化的巨大经济效益。

九合将从工业、农业、医疗、金融和零售五大基础行业分析智能互联网带来的革新与机会。

工业

工业占大部分国家 GDP 的核心比重，历次工业革命同时也推进了人类社会经济和组织形态的向前演进，而智能互联网时代的工业正经历着人类历史上的第四次工业革命 — 工业 4.0。国务院于 2015 年 5 月印发《中国制造 2025》，从国家层面制定了中国于 2025 年实现工业 4.0 的转型目标。

李杰教授在《工业大数据》一书中，将“工业4.0”定义为：“第四次工业革命是以智能化为核心的工业价值创造革命，其最终目的是实现生产活动的高度整合，使系统像人一样思考和协同工作”。

智能互联网对工业的改造主要体现在以下两方面：

1）智能生产实现基于柔性供应链的、从下游到上游的生产链条

智能生产，指通过工业机器人、3D 工业打印、无人物流、物联网等先进技术和硬件产品打造智能化工厂，能够实现满足工业 4.0 特性的、反向定制化的生产链条。

工业 4.0 区分于其他三次工业革命的核心特点之一便是其基于用户端的生产力需求，打破了传统的刚性供应链和计划生产模式，能够实现下游推动上游的生产链条。

2）工业大数据发挥大脑价值，机器决策人类大脑无法处理的大规模数据

工业领域的数据来源丰富，量级巨大，超出人脑可处理的范围。传统互联网时期，工业领域的数据大部分都只实现了可视化和基于人控制设计的 PLC（可编程逻辑控制器），并且反应相对滞后。而智能互联网让彼此关联的数据拥有了实时决策能力。

从宏观角度来看，工业大数据包括资产/设备数据、产品数据、用户数据、供应链数据；工业大数据可用于资产可靠性和设备故障监测、能源效率的管理、产品质量管控、生产流程优化管理、上下游和产品周期预测-管控-追踪、生产流程重塑、定制化生产等。每个环节 1% 的效率提升作用到整体经济收益上都是一个可观的数字。但从现阶段来看，狭义的工业大数据主要集中在机器数据和生产流水线产品数据上；工业大数据的应用也主要集中在设备监测、能效管理和质量把控上，贯穿上下游和产品生命周期的价值大数据还有赖于产业的整体成熟和打通。

就目前国内而言，作为工业大数据底层基础的物联网普及、传感器的分布仍处于较为粗燥的阶段，万物互联基础下的工业 4.0 理想状态仍需时间。

农业

农业是关系到国家安全级别的战略产业，并且面临着全球人口增长和耕地减少的严峻挑战。智能互联网的应用和普及能显著提高农作物产值，推进智慧农业形态的演进。智能互联网给农业行业带来的机会与革新主要体现在以下三方面：

1）农业生产各个环节的效率提升

智能互联网发挥数据的智能价值，能够实现农业“种植（机器选种，自动播种 etc.） - 施肥（基于环境和植物数据状态的精细化施肥 etc.） - 灌溉（精细化自动化灌溉 etc.） - 病虫害防治（疾病识别 etc.）- 收割（自动化收割 etc.） ”各个环节的效率提升与成本控制（资源节约），促成单位面值农作物产值的提高。高盛在一项研究中指出，智能互联网能够对美国农业生产各个环节实现 7% - 30% 不等的效率提升，预计至 2050 年，美国每英亩耕地的产值能够达到 281 蒲式耳（对比 2016 年的 165 蒲式耳）

2）生产预测与动态调配

不少算法公司利用卫星云图、气候数据、土壤特征等综合数据以及农作物品种特征、实践参数等搭建预测模型，对农业的产值实时进行预测，推荐适宜的调控措施(如改变播种期、播种量或肥料运筹等)、动态调配农业市场和对应的金融期货，同时帮助政府合理分配资源（比如当收到极端天气或灾难影响国家农业时，政府和银行可以获取足够的数据来支持哪些农民需要贷款和救助的决策）。

但用于综合预测的作物模拟模型的建立，通常要求输入作物特征、历史农业实践数据、气候地理实时特征等多个维度的数据。这类模拟模型必须引入专家知识，使系统形成以模型为基础(定量)，以专家知识为准(定性)的“专家曲线”。

3）农产品溯源与食品安全

智能互联网理想状态下的农业，有望实现作物都有其对应数字参数所形成的“digital twin”，流转到市场里的每个农作物都能查询到完整的质量检测数据以及回溯作物生产成长过程中的各项数据，实现真正全数字化的食品体系。

目前，国内农业传感器的布局、农业整体解决方案的采纳都有待进一步突破；不同于国外农场为主的商业化形式，中国的农业大部分分散在普通农民手中，农业的智能互联网升级有赖于地方政府的推进。

医疗

医疗是公民生活的基本保障，传统互联网促进了医院的信息化管理、医生资源的整合、病患与医生资源的连接；智能互联网则在诊断、药物研发等环节都带来了较大的效率提升和成本节约，基因研究的不断进步甚至有可能推动医疗健康的革命性颠覆。智能互联网给医疗行业带来的机会与革新主要体现在以下四方面：

1）辅助诊疗

计算机辅助诊疗（computer aided diagnosis，CAD）在诊断中的应用已经有40年的历史，但近年来随着神经网络的出现，机器学习给 CDA 带来了突破性的进步，尤其体现在医疗影像诊断方面；建立在自然语言处理技术基础上的机器问诊也处于快速发展期。IBM Watson可以在 17 秒内阅读 3469 本医学专著，248000 篇论文，69 种治疗方案，61540 次试验数据，106000 份临床报告。

机器辅助诊疗从一定程度上解决了医生经验资源的不对等，在特殊病例和罕见病例的甄别上尤为表现突出。但深度神经网络存在着“黑箱效应”，即输入数据很细微的改变都会误导机器学习的结果，而医疗诊断的准确性关系着个人的生命身体健康。另一方面，机器学习准确度的提高需要大量的数据喂养，有赖于电子病历的普及、医院之间的数据关联和国家层面的医疗资料共享。

2）智能健康管理与疾病预防

智能互联网也可很好的实现个体健康和生活习惯数据的循环利用，辅助健康管理与疾病预防。通过智能可穿戴设备实时监测病人的重要健康指标，进行用药提醒、危险警报，如基于传感器精确到分秒的糖尿病人用药提醒；也有初创公司基于个体健康数据的实时动态，提供每日营养学方案，监测身体不良信号。

3）药物研发

传统药物研发周期长、成本昂贵、成功率回报率低。但智能互联网从一定程度上打通了新药研发各个环节的壁垒：在试验前期新药筛选时，可以通过综合算法获得安全性较高的几种备选物，提高成功率；在进入动物和人体试验阶段前，可以综合成分分析和既有已知药物的副作用数据库，选择生副作用几率最小的药物进入动物实验和人体试验，节约成本、提高安全性；此外，还可智能模拟和检测药物进入体内后的身体指标与剂量、浓度等用药指标之间的关系，推荐试验中的最佳用药方案；进入试药后期，可综合前期数据推算研制成功率，选择放弃成功率较低的药品种类，减少成本浪费。高盛一项研究指出，通过算法对后期试药的成功概率推算能够帮助美国每年至少减少 10 亿美元的试验支出。

4）基因革命

基因测序是一项极其复合摩尔定律的技术，随着基因测序技术的更新换代，基因测序的成本不断下降。2001 年平均每兆数据量基因测序成本是 5292.4 美元，单人类基因组测序成本是9526.3 万美元；2006 年新一代测序技术推出，平均每兆数据量基因测序成本下降至 581.9美元，单人类基因组测序成本下降至 1047.5 万美元，而 2014 年 1 月Illumina 推出 HiSeq X Ten 更是将单人类基因组测序成本降至 1000 美元以下。随着基因测序成本的不断降低，基因有可能成为新的“健康代码”，通过基因检测、基因编辑等技术不断革新健康检测与治疗方式。

金融

由于金融数据较高的数字化基础与可触达性，金融产业是算法经济应用较早发展相对成熟的领域。智能互联网给金融行业带来的冲击与革新主要体现在以下三方面：

1）大数据征信与风控

大数据征信与风控直接体现在收入数字上的风险控制和损失避免，此外，专业化的数据服务，消解了传统征信高昂的人力与时间成本，稳定的风控模型也能够有效扩大信用经济的范围和方式。目前国内基于算法模型的大数据征信公司层出不穷，核心数据源则主要由八家持有国家个人征信牌照的企业掌握。

2）交易自动化

开年的一则新闻引起了金融圈一片哗然：由于工作都被自动交易程序接管，高盛在纽约总部的美国股票交易柜台雇佣的 600 名交易员已被削减至 2 名。根据《金融时报》，在 2000 年，纽约证券交易所的场内交易者超过 5500 名，而现在则不 400 名。麦肯锡全球研究院在 1 月推出的报告中称，金融和保险领域的工作，有 43% 的可能性会被自动化替代。

目前机器在金融交易领域可承担的角色主要有：自动化生成报告；海量数据库精准搜索；预测模型。自动化报告生成和精准搜索解放了大部分初级分析师的工作。而基于卫星数据、人流分布热力图等多维数据角度的算法模型，突破了人脑能处理的知识和数据边界，多数情况下能够精准指导市场交易，减少人为误差。

但深度学习的“黑箱效应”是典型墨菲定律的践行者，机器微小的认知误差造成可能带来连锁多米诺骨牌效应；此外机器只能基于已有数据给出结论，但机器很难理解一家尚未盈利的公司该如何估值或一种新商业模式的价值在哪里。

3）智能投顾

早在 1952 年， Markowitz 就提出了“投资组合理论”（Portfolio Theory）并因此获得了 1990 年诺贝尔经济学奖。智能互联网时代，通过机器进行投资组合的搭配，又称为智能投顾（Robo-advisor）。智能投顾相较传统的理财顾问或个人投资理财，质量稳定、收费低，并且能计算超过人脑可处理范围内的丰富金融产品和收益影响因子，关联和平均做得足够好的智能投顾应用一般能够实现不错的收益，有望逐步发展为中产阶级理财的重要方式。

零售

传统互联网时期，互联网的「连接」特性打破时间和空间的限制，电商和物流迅速发展；智能互联网时期零售行业的变革则围绕供应链和购物体验的创新展开。智能互联网为零售行业带来的革新主要体现在以下两方面：

1）智能化购物场景

以 Amazon Go 为代表的无人商店成为今年创投圈又一热词，但“无人商店”从字面意义上仅体现了智能化购物场景的自动化和人力成本降低，智能互联网给零售带来的想象力还包括：智能化购物导购机器人、手势操作和 AR 结合的智能试衣镜、基于视觉系统的特定人群识别与营销、智能购物车；你可能在线下完成网上下单，可能在线下试穿线上挑选好的衣物，可能填完定制化的数据传输给工厂…智能互联网时代智能化购物场景的核心特点是：用户动作由「消费」转移为「体验」；用户消费逐渐模糊线上线下的边际。

2）以动态零库存为目标的供应链与物流

7-Eleven 便利店创始人铃木敏文曾在《零售的哲学》一书中提到 7-Eleven 垄断日本便利店过程中采用的方式：从社会环境变化预估消费者行为；创造出“单品管理”概念解决滞销品问题…上述手段所面向的都是传统零售行业决定成败的核心点 — 库存，而智能互联网的推动目标，则是通过用户导向的供应链体系和实时反馈的物流仓储，实现动态零库存的理想状态。

在工业部分我们提到，工业 4.0 理想状态能够实现从下游到上游的定制化生产，而位于制造上游的零售行业，以此对应的是以动态零库存为目标的供应链和物流革命。这里的“动态零库存“指的是基于大数据的实时特征、能够满足预测数量并随时调配的库存状态，而非时刻空仓的绝对零库存。实现动态零库存需要基于销售预测、客户偏好预测与精准营销、快速响应定成本的智能物流、动态定价等技术组合。