【互聯網+】大數據會在30年徹底改變世界，未來偉大的公司都是數據公司？！

歡迎點擊標題下的 "辰智" 快捷關注!

講師名片：

吳軍, Google科學家、硅谷風險投資人、原騰訊副總裁、《浪潮之巔》作者，它開拓了Google的中日韓文搜索時代，他對互聯網時代的每一次變化洞若觀火。

一、從摩爾定律說起

50年前，英特爾（Intel）創始人之一戈登·摩爾提出了摩爾定律。50年來，世界科技產生的增量很多來源于摩爾定律，如果把摩爾定律產生的GDP拿掉，人們的生活水平會差得很遠的。50年來，摩爾定律已經改變了人們的很多生活方式，是一個浪潮，是持續的增長，它可以再走一段時間，但今年是轉折點，接下來的30年還有個新機會：大數據。

接下來是大數據的福利，這個機會就像50年前一波人踩上摩爾定律的船一樣。大數據是不是一個泡沫？雖然它今天沒有產生那么大的GDP，但為什么認為它如此重要？30年后，它也將徹底改變這個世界，還有思維方式，并帶來驚人的結果：機器智能。

首先回顧下摩爾定律：

1965年，摩爾提出一個定律：“半導體的集成度每年翻番。”正如當棋盤每次翻倍放麥子，10次后會翻1000倍。摩爾后來發現“每年”這個數據太樂觀了，是18個月翻一番。1968年的時候，諾伊斯相信摩爾，所以他們成立了公司“intel”，最初只想做更大容易的存貯器（當時，IBM小型機的時代，計算機公司自己做處理器）。日本有一家做計算器的公司，它想設計一款微處理器，找到Intel，于是intel陰錯陽差就設計出來了，它不僅能做處理器，還可以做很多。那時候他們兩個人還沒想到計算機可以家用，不知道計算可以在家里干嘛，就賣給了日本。很多探索，商業成功的運氣有很大因素。

50年前，沒人相信過“每個人都可以擁有一臺計算機”這個事情，但是今天計算機的市場這么大。摩爾定律帶來的結果是：所有半導體IT公司必須在18個月內完成下一代產品的開發。所以在美國，很多會在10月、11月會推出一款新產品，如果不能上，第二年基本沒什么生意，以前你不敢想象的很多事情，就不斷變成現實。

以前社會需求帶動科技發展，現在科技先被造出來，你甚至不知道它干么用的，但是一旦它產生出來，就會產生社會需求。如果一個企業家在摩爾定律時代，卻還是延續過去經濟學教科書說的來做，就落伍了。因為有了摩爾定律，你盡管去做一件事情，你只要引領摩爾時代的一件事，各個公司都要開發針對未來市場的產品。在你創業的時候，不用考慮會不會沒有市場，即使產品12個月后出來，但是如果你花很多時間去優化前期的代碼，你比別人多花了半年的時間，你會發現即使你后面生產出來了，還是會發生很多技術的問題。

摩爾定律給世界帶來了驚喜，因為產品18個月后價格會降一半，會給用戶帶來福利。在農業時代，種田后會留一些種子，第二年接著用，這是過去的方法，今天中國的農村已經不留種子了，可以直接從種子公司購買。為什么種子公司可以研發出更好的種子？因為他們運用了IT技術。

中國在過去的35年走過了英國300年的路，30年前，你去杭州萬象集團的前身，會看到工人都是純手工干活。今天，你去富士康，完全是制造王國，就是因為摩爾定律。過去，我們理解的服務業是旅游、家政等等，今天不是，今天IT作為服務業，光在美國就有1萬億市場，中國的第一、第二產業也正在向第三產業轉型，這個時候不是僅僅為它們簡單的法律等服務，而是用IT輸出。

不過，摩爾定律在經濟學上有一個很大的問題：通縮。在世界上比通貨膨脹更可怕的是“通縮”。歐洲今天經濟出這么大問題，包括日本過去出現那么久的問題，就是通縮，這是一件很可怕的事情。但問題出現的時候，常常就會出現一個解決方案。

那么，這個解決方案是：“安迪－比爾定律”（與摩爾定律、諾威格定律并稱的IT產業三大定律。），即“安迪給你的時候，比爾就會全部拿走（“Andy gives, Bill takes away.）”。安迪指英特爾前CEO安迪·格魯夫，比爾指微軟前任CEO比爾·蓋茨，這句話的意思是，硬件提高的性能，很快被軟件消耗掉了，這對IT產業中軟件和硬件升級換代關系的一個概括。這是微軟要和大家做對嗎？不是的。微軟在和英特爾一起打造了IT的產業鏈。

個人電腦出現后，分工就更清晰了，硬件和軟件分開做，硬件要提升，然后軟件升級，吃掉硬件的提升。當芯片處理速度越來越快的時候，可以實現更多的文字報表、照片視頻等處理，就帶來整個工業和社會的升級。

把摩爾定律反過來看，IT就和制造行業完全不一樣，它迫使IT從業人員非常辛苦，因為它如果18個月不能把性能翻一番，就會被行業淘汰，所以很多人要不斷提升。有的人就說我不玩了，于是出現了很多IT公司轉向服務業，把電腦賣出去，然后去做軟件，比如IBM，它把電腦業務賣給了聯想。在摩爾定律出來，也誕生了今天很多主流公司，如微軟和甲骨文計算機公司。IT行業容易出現壟斷，但是也迫使制造業升級。

未來30年是什么樣的？看看硅谷投資的三個趨勢：

1、云計算＋移動互聯網：在美國有上萬億的企業級IT服務市場，在云計算時代，成本可以比IT時代降低很多，但是，在中國很遺憾，在中國沒有幾家企業級軟件公司，在云計算時代，也許這里會有一個很大的市場；

2、大數據＋機器智能；

3、IT＋生物醫療：這個行業非常大。

三個趨勢的核心是大數據，那么，為什么大數據如此重要？

二、人們對機器智能認知的發展

很多人把大數據和大量的數據等同起來，這兩者有什么區別呢？大數據有三個很重要的特征，它不僅僅是數據表格，不是這么簡單，它的重要性是將帶來機器智能。

摩爾定律的結果是人類歷史上第一次同現指數增長，第一次用機器運算來代替人腦，在某一個時間點上，機器智能會超過人。目前，我們正處在機器將近超過人腦的時間節點上。

回顧下過去：

50年代圖靈測試，是計算機的模糊概念；60年人工智能；70年代出現了最早的數據驅動概念；96年出現了IBM電腦深藍戰勝了象棋大師，這臺電腦是當時世界上最聰明的機器之一，后來互聯網發展起來，帶來了一系列的結果，到了2010年，谷歌的無人駕駛汽車出現，它已經可以能夠主動控制一些東西，而不是和人類比頭腦，跟深藍時代的電腦已經完全不是一回事了。

想到機器智能的時候，大家會想到機器人：比如變形金剛等等。

那現實生活中的機器人是怎樣的呢？到底什么算是機器智能呢？1950年，阿蘭圖靈提出了一個測試：“當計算機回答問題的時候，當你分不清給出答案的是人還是機器，這臺機器就開始具備智能了。”圖靈測試是以結果判定。那么怎么做呢？拆分條件：要能聽懂，要會回答。

來看看機器智能的三個發展階段：

1、1970年：人工智能時代

之前還屬于人工智能時代，就是模擬人的思考方式，即，首先想到人是怎么做的，然后去模仿人，結果這條路走不通。人類之所以是人類，是能夠思考、推理，當時有個很有名的計算機科學家明斯基，他們最早提出人工智能機器的概念，他們提了一個概念：“鋼筆在盒子里和盒子在鋼筆里（the pen was in the box；the box was inthe pen）。”前面這句話比較好理解，后面這句話就費解了，但是如果把pen理解成圍欄，那么就可以理解成：盒子在圍欄里面。這句話如果讓計算機來模擬人，它就做不到這個理解的。因為判斷這件事需要世界的知識，從小從生活中知道的，不是分析得到的。明斯基在計算機界很有名，因為這句話，美國計算機基金會對人工智能的投入就減少了。到70年代，發生了一個變化，大家不做這個事情了：人工智能。

2、1972－2000年：數據驅動時代

人是怎么飛起來的？人類為之努力了幾千年，最早的認知就是看鳥怎么飛，模仿它。但是，最后人類做出飛機，不是學鳥，而是認知了空氣動力學，也就是學習什么不必非要模仿它。所以，如果要讓機器有智能，不是讓機器按照人怎么想，于是推出了空氣動力學派。

1972年發生一個事情：有一位教授從康奈爾大學離開，去IBM帶薪休假工作，他做的一件事就是怎么讓計算機聰明起來？于是他開始做了語音識別，語音識別和機器翻譯是用數據驅動解決智能問題的最早范例。這位教授不是搞計算機科學的，他是基于數學研究通訊的，他認為語音交流的過程可以分解為：當你用語言把大腦中的概念表達出來（編碼過程），然后通過空氣傳播（傳輸過程），然后你聽到后進行理解（解碼），這其實是一個通訊問題。

要解決這幾個問題，第一要數據（為什么IBM能夠做這件事情？因為它當時有超級計算機，有大量商業客戶和數據），于是產生了“數據驅動”概念。運動這些數據就可以加以識別，從而實現了語音識別系統，最初的錯誤率30%，且只能解決100多個字，后來，經過升級，到22000字，誤率從對30%降到10%，這就基本能看懂意思了。這給人們啟發，原來不需要非得模擬人，還有另一條路可以走：數據驅動。

如果把中文翻譯成英文，也是編碼、傳輸、解碼的過程。彼得·布朗受此啟發，寫了篇論文，作了一套翻譯系統，但他失敗了，因為它當時數據不足。雙語資料當時只有圣經。后來，有了數據以后，證明這個方法能夠做得很好。

3、云計算＋大數據時代

需要多大的數據量才夠支撐人工智能呢？當你的統計量大到足夠的時候，人工智能的統計模型程度會極大接近人的智能（真實模型）。

蓋洛普認為：“統計量大到一定程度就不用再大了。”蓋洛普是一個統計學博士，羅斯福第二次當總統的時候，他做總統的預測，蓋洛普發了2000份問卷，而文學文摘發放了20萬份的問卷調查。蓋洛普公布了統計結果：”我自己預測羅斯福會嬴，我可以肯定文學文摘預測羅斯福的競爭對手蘭登會嬴，但是我的預測會成功。”果然，最后是羅斯福嬴了，因為文獻文摘發問卷的時候偷懶，通過黃頁獲得電話，當時基本都是中產階級及以上階層的人擁有電話，因此采樣沒有代表性，而蓋洛普根據教育程度等數據發放問卷。

蓋洛普一直做預測，時準時不準，即使后來的樣本在增加，也總有誤差。概率的方法雖然好，但總是有些小概率覆蓋不了。

到了2000年以后，發生了一個變化，互聯網興起使得數據量劇增，使你一下子可以得到好多數據。凡是拿到美國政府經費的項目，每年就要參加政府的評測，比比誰做得好，誰做得不好。你即使沒拿這個錢，你也可以去挑戰。2015年， NIST當時對英語翻譯做了評測，然后用機器翻譯的結果和人翻譯的結果去比對，結果：谷歌排第一。第二名相差5%，都是同一個人寫的代碼，內核更新并不多，唯一差別在于谷歌的數據量多了一倍。當你增加一萬倍的數據，量變就產生質變了。

所以，人的思維方式也發生改變了，以前花很多時間研究方法，現在通過數據就會解決。摩爾定律不僅誕生了半導體行業，這是過去50年的事情，未來，你所有的思維方式都要沿著這個方向改變：大數據。

四、什么是大數據？

大數據三特征：數據量足夠大、多維度、數據的完備性。

大概兩年前，百度知道公布的一個數據：通過7700萬條與吃有關的問題里，挖掘出一些結論，反映中國不同地區的飲食習慣，比如香港叉燒、廈門蛋撻、福州佛跳墻、重慶麻辣等等，廣東人常問什么東西不能吃，西北地區問什么東西能吃，廣東云南問蟲子能不能吃，西北問螃蟹能不能吃。這些雜亂無章的信息，可以看出很多好的數據。

當然，還可以看出不同人用了不同的計算機、手機，而且上網時間、生活習慣都不一樣，所有問問題的時間也不一樣，從這里可以知道年齡段、收入等隱私。這些數據屬于歷史上不同時期產生的，疊加起來分析不同地區的GDP差距和時間上生活習慣的變化。數據維度非常多，維度一多，數據就相對非常稀疏，所以需要更大的數據量。

蓋洛普吃虧就吃虧在數據的完備性上面。Natesilver也做了一個總統精選的預測，它找遍了所有網絡上的數據，然后對美國50個洲的投票傾向性做了預測，美國競選不像法國，法國是一人一票，但是美國是只要一個洲里面的數據能夠勝出，就可以這個洲把所有票拿走。歷史上從來沒有一個預測可以同時做50個洲的預測，但是它獲得了100％準確性。為什么他能做到？因為數據的完備性。如果你有本事統計到每個人投票前一天的想法，你的預測就會更加精準，以前我們想象不到這個事情，但是現在你有可能做到，所以，今天，我們的整個思維都要改。

BIG DATA，WHY NOT LARGE DATA？用前者的“BIG”不僅僅是強調數據量大，而是強調思維方式。

數據的完備性很可怕，回顧1996年，卡斯帕羅夫大師第一盤棋戰勝IBM深藍計算機，但是后面幾盤計算機嬴了，因為它具備了數據的完備性，它把卡斯帕羅夫過去的棋局數據都收集起來了，包括全世界其它高手的歷史數據記錄都收集了。我們現在正在把很多智能的問題變成大數據的問題。

真正能夠取代人的機器人，不是像人的，而是成千上萬臺的機器在運行聰明的軟件。記住大數據三要素：數據量足夠大、多維度、數據的完備性

為什么今天的人類正處在一個拐點上？為什么大數據在這個節點上爆發？

首先要歸功于摩爾定律；其次，是移動互聯網的起來，它和PC非常大的差別在哪里？互聯網最早是機器和機器的聯網，你離開電腦之后，你就離開互聯網了，你坐在電腦前，才重新聯上互聯網，而移動互聯網時代是你時刻聯網，根本沒有整的時間，全部是碎片時間，因為這樣的特性，使得數據的完備性有可能獲得。

還有就是傳感器技術的發達，數據增長的速度已經超過互聯網，也就是說，大數據的增長快于摩爾定律帶來的增長。你如果今天創業，你不能做到移動是唯一的，也要做到移動優先。數據的收集不僅是傳感器，還有攝像頭，上海全市有幾萬個攝像頭，未來市政府還打算擴大到10倍，幾十萬個。過去你是用密碼認證，現在是用攝像頭認證，以前攝像頭是要花錢的，現在攝像頭是可以送給你的。大數據的完備性在于它的多緯度，除了傳感器、攝像頭，還有很多手段和技術。

從現有的公司中，怎樣比較能夠處于有利的位置呢？是擁有和分析大數據能力的公司。未來所有的公司都是大數據公司。這根本不是幾億、幾十億的市場，這是幾萬億的市場，孫正義說：所有的產業都要數字化。不同的時代一定由不同的公司來引領，PC是微軟和因特爾引領，互聯網時代是雅虎、谷哥、BAT等，大數據時代不是由傳統的互聯網公司引領的。在未來，大數據非常重要，未來，所有的公司都是數據公司，如果在50年前說計算機無所不在，沒有人信，但是今天就是這樣。

中國有一家做風能設備的公司，它的葉片和直升機的螺旋槳差不多，它的使用壽命是10－15年，在工業時代，最重要留一個余量，這個余量是從平均值得到的，所有10－15年的壽命測算就是余量和平均值，這是工業時代的概念，因為你沒辦法知道某一款產品具體的壽命點是什么時候。現在安裝了傳感器，就能夠監控每一片葉片，可以具體到每一片葉片知道什么時候可以換。以前利潤率也不高，被裝到哪里也不知道，但是現在有大數據之后，就可以無線聯網，每一臺風力發電機具體的運行情況、賣到了哪里、當地情況風力如何，等等，都可以知道，這樣做市場就特別好做了，能夠清楚準確地判斷哪個市場風力特別多。

在過去，很多想都不敢想的事情，今天都可以去實現。奢侈品牌他們怎么設計專賣店呢？它們對于怎么擺放產品都非常講究，比如在北京開一家專賣店，它們用1：1的模型做了4個，然后根據老板的經驗來考慮。產品擺完之后好與不好，沒人知道，完全憑經驗來，Prada做了什么事情呢？在店面和試衣間加了一個傳感器，就可以知道多少人試衣，如果很多人試完不買，那就是看上了，但衣服某些細節可能有問題。

Target，類似于沃爾瑪，它不要光知道賣了多少，也要知道誰在買，然后可以匯總出不同階段用戶的購買習慣，預計你處在什么階段，下一階段可能需要什么，針對性給購物建議。美國人每個月底信用卡都要賬單，所以購物后會留發票，然后對賬，但是發票多的時候還是麻煩，它就說我寄給你郵箱核對。用戶在不同的階段買不一樣的東西，比如孕婦測試是否懷孕，是否開始買嬰兒用品，然后出生后買奶粉等，再根據你的需要推送優惠券。后來有一個男客戶打電話來，很生氣，說你們怎么寄來嬰兒用品，后來商場就安慰他，一周后，商場打電話跟蹤咨詢后續情況，但是男客戶說，他女兒真的懷孕了。

五、大數據的關鍵技術

為什么未來所有的公司都是數據公司呢？在大數據公司，我們能做什么，或者需要做什么呢？

1、數據的收集（無目的性、非結構化）

谷歌去收購了NEST，后者是一款智能家居產品軟件，它采集了家庭行為數據等等，數據采集很重要，它一定要無目的性和非結構化，在不知不覺中采集下來。刻意收集的數據可能是不準的，比如問你喜吃什么，可能不好意思說你喜歡吃臭豆腐。一年前我和羅輯思維的羅振宇聊天，羅振宇說在機頂盒出來之前，央視是如何了解收視率的呢？就是發一些調查問卷，發現所謂很多主持人的收視率都被高估了，后來有了機頂盒的統計，就省力很多。

2、數據的存儲

3、數據的表示、檢索和隨機訪問

以前我們處理的數據：文本，很容易索引，數據量大了之后怎么檢索，如圖片、DNA片斷？

4、數據的使用和挖掘

當你從沙子里能夠挖出金子，這就是挑戰，所以數據的使用和挖掘非常重要，谷哥40％工程師的日常工作就是數據的挖掘，有了數據，你才知道產品怎么改進。比如醫療數據，怎么能夠把不知道的人的具體情況找出這個人，然后利用這個數據呢？

5、其它挑戰：安全、隱私

數據還有一個挑戰，就是泄露，數據的安全和隱私不能丟和損壞，這些都是挑戰，這不只是法律的問題。

六、機器智能的鼎足三立

計算機不是思考，它是算，所以它要有思維模型，機器智能未來是三足鼎立：摩爾定律、大數據和數學模型。谷歌大腦其實就是人工神經網絡，它做了一個熱門的概念：深度學習。以前人工智能要幾百個節點，但是人工神經網絡是幾萬個節點。

谷歌可以用計算機回答問題，這恰好解決了圖靈的問題。比如，你輸入：天為什么是藍色的？自然搜索前10條，可能只有2-3條有用，計算機的解決方案就是把互聯網上所有網頁拿來做語法分析，是每句話分析，這個數據處理量巨大），或者拼湊答案，東邊一句話，西邊幾個詞，將問題轉化成大數據問題。谷歌可以用大數據來彌補這個信息的鴻溝。大數據不是說讓它比人更聰明，而是按照機器自己的方式解決問題。

再來看自動駕駛汽車。2004年這個點為什么重要？麻省理工兩位教授說看看計算機有哪些事情是它替代不了人的呢？想來想去就想了“開車
”這件事情，因為要眼觀六路，耳聽八方，比如車手舒爾赫就是手腦協調能力特別好。自動駕駛汽車，它不是當作智能問題，而是當作大數據問題，它是谷歌街景的延伸，它能夠知道路況、紅綠燈、堵不堵車、街道寬度、車速如何，一下子機器顯得很聰明。后來，谷歌又做了一些改進，對突發性事件預測得更準確了，它沒有剎車、油門，現在已經跑了幾百萬英里了，一共出了十次事故，都是人撞它，沒有它撞別人的。

七、如何看待大數據將帶來的變化？

如果未來的世界，智能機器無所不在，大家可能會疑惑一個問題：這到底會是機器人的世界還是人的世界？

幾個月前，深圳說有一個完全的機器人工廠，那么原來的工人去哪里？富士康未來的工廠，很多工人也將被機器人替代。那么，人去哪？ 你以為，再就業就好。其實不是那么回事。你如果看英國整體工業發展，你會發現要消化這些人，讓社會重新穩定，這需要幾十年的時間（消滅這種變革帶來的動蕩是幾十年的事），所以有當年的《霧都孤兒》。 在美國也類似，美國上世紀20年代的激烈社會矛盾就在于此。

大家認為生產線工人比較容易被波及，那么也來看看放射科醫生，在美國，高中畢業后不能直接去讀醫學院，要先讀4年本科，然后還要做醫生訓練，最后才能行醫，年薪非常高，但是未來會怎樣呢？未來放射科醫生是機器，自動癌細胞識別，它的精確度比人還高，而且它不受情緒影響，它隨時都很準。

再看一個類似的粒子，谷歌在2012年搞青少年比賽，以大數據為題目，得第一名的是一位18歲女生，她有200萬份取樣數據，最終成功率98%，比任何有經驗的醫生的結果都好。

未來的社會，連高大上的職業都會受到影響。在美國寫一份好的專利報告，要收1萬多美元，有時候為了打嬴一個專利，要花1億美元，三星和蘋果也打過專利官司，當時有一個案子比較小就和解了，后來就要求對方付一小部分的律師費用，那這一小部分是多少呢？1600萬美元。蘋果和三星兩家光為打官司這幾年就花了幾億美元。后來有一個人做了一個用自然語言處理器，搜尋了所有類似的官司案例，最后只花了10萬美元解決了問題。可以想象，這個技術未來也會讓很多律師的職位受到威脅。

那么未來的世界是怎樣的世界？

機器人是不會控制人類的，但是制造智能機器的公司和人，其實是通過機器來控制人。就某種程度，你是不是在被騰訊給控制了？它們是這個機器時代的受益人，其它人怎么辦？要么加入他們，相信這個未來，成為2％的人，要么你淪為反對者，成為98％的人，被2％的人控制，還記得占領華爾街運動嗎？如果你是那98%，你的希望在哪里？反對有用嗎？因為你是不被這個社會需要的人。

從美國的工資變化趨勢看：在整個波瀾壯闊的互聯網時代，全社會總體上生活沒什么改進的，只是其中2%的人獲得了收益。中國未來不可能持續7%的增長，如果你不在前者，你只能拿著社會的平均工資水平。硅谷的房價一直在往上走，當然這和中國的土豪也有關系，他們用現金去買掉了30％的房子，然后其它的房子去了哪里？是給那些表現突出、財富優越的明星公司，整體房價都在拒絕平庸。

在大數據時代，你沒有選擇。互聯網時代，什么東西都很快，久而久之，你就習慣用數據得到結果。任何一個搜索引擎，沒什么差別，差別就在長尾效果，就是誰的數據量大以及數據模型，微軟的Bing在什么時候發生巨大的飛躍呢？是在搜索雅虎之后，因為有了大量的內容。

Big data（大數據）的Big，是思維方式的變化，如果你處在這個社會的2％，你的財富積累會被這個社會快非常多。

在美國，醫療費用占據GDP的16％左右，這已經是美國社會無法負擔的，所以美國要不斷賣掉債券，這就是在預支未來，隨著老齡化越來越逼近，醫療這個市場非常大。

在50年代的十年里，對疾病的診斷和治療沒有太大突破，所以大家準備換一個角度看這個問題；60年代，醫學界和生物界希望發明一些藥品，讓人活得好一些，經過十年努力，人均壽命提升0.8年；于是，到了70年再換一個思路，就是少吃油膩、多做運動，這個時候人均的壽命提升3－5年，這個還是很大的差異。所以，大家發現，依靠醫療不是壽命提升最根本的解決方法。

當時，抗癌藥的發明人想：“有沒有發明一個萬能藥，把癌殺死？”其實癌細胞是我們自己的細胞，會自己復制和轉移，錯一次就會錯第二次，不知道會復制成什么樣子，我們看到得癌癥的人，很經常一夜之間猝發，因為可能癌細胞在此發生變異，原來的藥品無效了，所以，試圖找萬能藥是做不到的。

如果有專門的醫療團隊專門針對病員研制藥品，這個倒是可以很好地治療疾病，但這個要求研制速度夠快，而且費用特別高，要10億美元左右，喬布斯可以做到這塊，但是他不信這個方法。

現在谷歌成立了一家公司，通過大數據來做醫療，可以使成本降低到每人10萬美元。大數據的關鍵技術之一是收集數據，但數據不能光靠一個人完成收集，是需要非常多人的數據，通過好基因和壞基因進行比對，就可以提前進行修復。

大數據給我們社會帶來的影響不僅僅是產業的變化和生意，對人類也是非常有幫助。大數據的思維就是未來細到每一個人、商品、交易，可以全面性擁有數據。一個酒吧老板發現，有24％的酒是被偷喝掉的，后來他在每一個酒瓶下貼3毛錢成本的傳感器，能夠接收“酒倒了多少”、“什么時候被拿”等信息，通過手機或者平板電腦都知道，每一筆交易業都清清楚楚，這就是大數據時代和思維的特點。

大數據，它也不只是電子商務，不僅僅是把商品放到網上去，它是整個生態鏈的改變。這個時代，你再去賣大件產品的時候，是看誰能拿到用戶信息，誰能把服務做好。當IBM發現利潤不斷下滑的時候，它從原來賣硬件改成賣服務。GE（通用）為什么能做成百年老店？它也意識到大數據的價值。

董明珠和雷軍的論戰，其實更多像兩個時代的對話，雷軍的想法叫做互聯網思維，董明珠是典型的工業時代思維，以嚴格管理的企業和別人打陣地戰，其實，不妨換一個思維，就像空調的過濾器是要更換的，實際上，空調用五年下來，只要市場做得好，用戶信息把握得好，然后教育客戶過濾器的更換使用，也許過濾器利潤要比空調高，正如小米的配件利潤比手機還高。

最后我們總結下：摩爾定律帶來IT的革命，互聯網和摩爾定律帶來大數據，大數據和摩爾定律導致機器智能，機器智能改變未來社會。要么成為這個時代的2％，要么成為這個時代的98％。

ps：轉自CIO四海一家