文章图片
最早人们做信息系统时没有数据库 ， 每个信息系统都要单独基于文件系统去研发 ， 后来有人发现不同的信息系统里面有些结构化数据是通用的 ， 增删查改有固定的套路 ， 用关系代数就能描述 ， 关系型数据库就出来了 。
如果垂直行业的每家公司都自己去做一套数据库 ， 都要付出很大的研发成本 ， 而且每一家企业都可能做得不太好 ， 就逐渐地出现了专门做数据库的企业 。
我们会发现 ， 在每个垂直的行业场景里面有类似的业务需求 ， 需要搭建各种信息系统 。 这个信息系统从哪采购？有两个渠道 ， 一个是专门做数据库的企业 ， 一个是做数据库和用户特定需求结合的信息系统集成 ， 比如财务、人力、供应链等 ， 这样的中间企业出现了很多 。
专做数据库的出现了一些大企业 ， 比如Oracle、IBM、微软 ， 现在数据库开始往云原生的数据仓库发展 ， 中间的集成商也出现了标准化的机会 ， 原来一套软件都是用授权的方式到各个企业去卖 ， 可能涉及到一些定制化 ， 用户的粘性也不够强 。 现在 ， 如果所有客户业务都上云 ， 它可以在云上提供标准化的产品和服务 ， 这个时候出现了做垂直应用集成的比较大的SaaS企业 。
按照数据库产业的发展历程 ， 实际上分了三层 ， AI会不会也分这么三层？我们可以看到 ， 前几年最活跃的是AI算法供应商层 ， 非常像数据库领域 ， SaaS出现之前的系统信息的集成商 ， 壁垒较低 ， 也不够标准化 ， 有朝一日 ， 是不是也能实现标准化 ， 实现AI as a service的模式 。
文章图片
以前整个行业忽视的是最底层的标准化基础设施 ， 但随着中间算法供应商模式受阻 ， 以及标准化行程的演进 ， 最近一年越来越受到关注 ， 人工智能产业格局的趋势越来越明朗 。
观点总结最后 ， 总结一下我的观点：
1、 深度学习的本质是提供了一种黑盒建模的方式 。 正是因为黑盒特性 ， 才可以标准化 ， 才能在任何地方都能用；如果它是可解释的白盒 ， 也就意味着它和每个领域相关 ， 标准化程度可能就降低了 。
2、相对于传统机器学习 ，深度学习最大的进步就是标准化 ， 标准化带来了产业化的机会 。 它的局限性是什么？需要预先给定合适的假设空间 ， 否则就可能出现像钥匙掉在黑暗处 ， 却在路灯下寻找的尴尬 。
3、站在数据编程软件2.0的角度 ，AI是一个技术革命 ， 不是一个泡沫 。
4、 未来的AI产业格局 ， 很可能向数据库这种分层的专业化分工趋势发展 。 所以 ， 我们相信会出现标准化的基础设施的市场机会 ， 这种机会在前几年算法集成大红大紫的背景下被人们忽略掉了 。
推荐阅读
- 产品|泰晶科技与紫光展锐联合实验室揭牌
- 空间|（科技）科普：詹姆斯·韦布空间望远镜——探索宇宙历史的“深空巨镜”
- 相关|科思科技：无人机地面控制站相关设备产品开始逐步发力
- 机身重量|黑科技眼控对焦23年后回归，升级！ 江一白解读EOS R3
- 公司|科思科技：正在加速推进智能无线电基带处理芯片的研发
- 项目|常德市二中2021青少年科技创新大赛再获佳绩
- 视点·观察|科技巨头纷纷发力元宇宙：这是否是所有人的未来？
- 技术|聚光科技旗下临床质谱仪获批医疗器械注册证
- 视点·观察|科技股连年上涨势头难以持续：或已透支未来涨幅
- 视点·观察|科技行业都在谈论“元宇宙”，可是它还不存在