1704036240
1704036241
1704036242
1704036243
1704036244
图3-2 罗伯特·梅特卡夫获得美国国家科技奖（图片源于网络）
1704036245
1704036246
梅特卡夫定律提出30多年以来，学术界对其有不同的观点，但一直并没有特别好的实证。但到了今天，这条定律突然焕发出旺盛的生命力，最重要的原因是“抱上了互联网巨头们的大腿”。2014年，梅特卡夫教授自己发表了一篇文章，用Facebook的数据对梅特卡夫定律做验证，发现Facebook的收入和其用户数的平方成正比。随后，中国有学者亦采用相同的方法，验证了腾讯的收入和其用户数的平方成正比，图3-3展示了梅特卡夫定律的拟合结果。
1704036247
1704036248
1704036249
1704036250
1704036251
图3-3 Facebook数据和腾讯数据验证梅特卡夫定律
1704036252
1704036253
互联网是开放的，但并不平等。互联网经济的一个重要特征就是赢者通吃，这一特征进一步被今天的创业大众总结成一条互联网行业的铁律，叫作“数一数二，不三不四”。梅特卡夫定律告诉我们网络的价值与用户数的平方成正比，这意味着用户数相差不多会导致网络价值相差很多。进一步地，落后者未来获得新用户、新资源的机会都要比领先者小得多。梅特卡夫定律加剧了互联网的马太效应。因此，投资者往往会极为重视互联网企业的行业地位，他们会愿意付出高溢价来购买领先者的股权。
1704036254
1704036255
这也就是我们常挂在嘴边的“用户为王”。
1704036256
1704036257
多说一句，很多实体企业宣称转型互联网会特别容易获得资本的认可，这是因为，与互联网创业企业不同，实体企业已经积累了相当的客户资源。市场往往相信其在传统产业中的用户可以顺利地从线下导入到线上，因而愿意为这样的企业支付溢价。2015年的“O2O（Online-To-Offline）热”也由此而引发。当然，资本的认可并不完全等于市场的认可。热度过去之后，还是要看产品。
1704036258
1704036259
以上三条定律都指向了同一个结论——我们正处在并将长期处在一个万物互联的时代，接入网络的设备达到了史无前例的规模（图3-4）。据思科公司估计，2015年全球已经有超过150亿产品接入互联网；到2020年，这个数字至少达到300亿。我们现在确实是身处一个前所未有的时代：无处不在的设备，无时无刻的网络，产生着无可估量的数据，也蕴藏了无可比拟的价值。
1704036260
1704036261
1704036262
1704036263
1704036264
图3-4 互联设备增长
1704036265
1704036266
你看，光是将全球绝大部分设备都接入互联网，事情就很需要点想象力了。如果再将数据、服务等也作为联网对象考虑，事情恐怕就超乎想象了！
1704036267
1704036268
虽然超乎想象，但并非不切实际。物联网正在将这些想象转变为未来世界的现实。
1704036269
1704036270
从互联到新工业革命 [:1704035639]
1704036271
不是人工智能的智能
1704036272
1704036273
当我们谈论未来世界的模样时，特别是谈论未来工业的前景时，还是不能免俗地提到“智能”二字。不过不同语境下的智能使用的英文词是不一样的，谈到智能工业、智能电网，使用的往往是Smart这个词，而人工智能则使用Artificial Intelligence（简称AI）。为了大家理解方便，我们先来说说人工智能。
1704036274
1704036275
自从谷歌的阿尔法狗（AlphaGo）战胜了世界冠军李世石之后，“人工智能”这个词瞬间在全世界范围内掀起了轩然大波，随之而来的还有关于未来的各种讨论，似乎用不了几年人类就会被邪恶的科学家造出来的机器人灭族。
1704036276
1704036277
只能说，大家想多了。
1704036278
1704036279
其实人工智能突出的是机器的反应方式能够类似人的智能。而且近半个世纪以来，人工智能的发展历程很坎坷，机器能否有智能一直是一个有争议的课题。许多科学家并不认同目前机器的“智能”是真的智能，因为毕竟计算机所能完成的任务（即使是以远高于人类的效率完成）都是人类预先定义好的，并没有超出人类自身的认知范畴或者能力限制。
1704036280
1704036281
这是由于存在一些无法克服的基础性障碍。
1704036282
1704036283
障碍之一是计算机的运算能力。早年的计算机有限的内存和处理速度几乎没法解决任何实际的AI问题。例如，罗斯·奎廉（Ross Quillian）在自然语言方面的研究结果只能用一个含20个单词的词汇表进行演示，因为那个时候内存只能容纳这么多。
1704036284
1704036285
计算被一个称为计算复杂度（Complexity）的概念制约着。除了一些最简单的情况，要想解决很大一部分可以被称作“智能”的问题，都需要指数时间才能解决，就是我们常说的NP难，处理对象集合稍微大那么一点儿，需要的时间就近乎无限长了。这就类似棋盘上摆米粒的桥段，据说古时候一个下棋赢了国王的大臣要求的奖励是在棋盘第一个格子摆一粒米，以后每个格子米的数量翻倍，结果国王发现全国的米都用上也无法摆满那个区区64格的棋盘。简言之，大部分问题都算不过来。
1704036286
1704036287
其二是计算机对真实世界的感知能力。到目前为止，人类研究的人工智能在“智力”上已经很高，但却依然无法像人类一样感知世界。哪怕是当今“学霸”的人工智能系统，其感知现实世界的能力都很难和一位年迈老人相比。人们早期曾经有个错觉，以为如果人工智能解决了比较困难的问题（比如逻辑和代数运算），就可以轻松解决容易的问题（比如环境识别）。后来发现真相却颇有哲学意味，那些所谓的困难问题是对人类而言困难的问题，而对于人工智能来说，“困难的问题是简单的，简单的问题是困难的”。这个问题也被莫拉维克抽象为一个悖论（Moravec’s Paradox）：对计算机而言，实现逻辑推理等人类高级智慧只需要相对很少的计算能力，而实现感知、运动等人类低等级智慧却需要巨大的计算资源。
1704036288
1704036289
其三是推理和逻辑框架。一般性的智能系统其实是一种基于知识的系统，常识问题是其核心之一，比如如何进行清晰的常识表达以及如何运用这些常识进行推理。然而，即使拥有庞大的知识库，人工智能也无法像人类一样，在没有老师的情况下还能自行推理并进行联想学习。所以人工智能要模拟人的智能，其难点不在于人脑所进行的各种必然性推理（数学证明之类的东西），而是最能体现人的能动性和创造性的不确定性推理。而人类的这种常识推理往往具有非单调性、非协调性和容错性等。举个例子，知识库可能是不协调的、有矛盾的，但这种不协调对于人类进行合理的推理行为影响甚微，对计算机进行推理的影响却巨大。近年来逻辑学家和计算机科学家发展出一些非经典的逻辑，比如非单调逻辑（Non-monotonic Logic）和次协调逻辑（Paraconsistent Logic）等，就是试图解决这一问题。