从ICO乱象看当下互联网金融的ABCD(人工智能(AI)、区块链(Blockchain)、云计算(Cloud computing)、大数据(Big Data))四大产业

96
LeiLv
0.4 2017.09.08 21:23* 字数 16371

ico持续火爆,浑水摸鱼者各种圈钱项目应接不暇,韭菜都不够割了。有的项目完全不靠谱,跟区块链半毛钱关系都没有,还拿来做ico,诸如此类的乱象很多。稍有常识的人都能分辨出来。但,可怕的是哪些跟区块链还有点关系,项目概念不错,团队背景也强大的项目,这些项目往往追随者众,大家挤破头去抢ico。因为有的ico上线后能涨几倍、几十倍,所以即使大家都清楚现在泡沫很严重,还是会前仆后继进来。

如果你熟悉虚拟货币、ICO,那么你肯定对 The DAO 并不陌生。The DAO 建立在以太坊区块链的基础上,是一个去中心化的风险投资基金。所有的投资者通过发送以太币获得 DAO 代币,然后可以使用 DAO 代币来处理资金,以此获得的利润全部被持股人收入囊中。然而去年5月,一份合约利用 The  DAO 的漏洞,劫持了高达 360 多万以太币,价值高达上千万美元。今年7月25日,在经过了对 The DAO 项目的考察后,美国证券交易委员会 SEC 发布了一份针对虚拟货币的官方声明:DAO 代币有着去中心化风险投资基金的特性,属于证券发行的范畴。这就意味着:代币若被认证为证券,那就需要遵循证券发行的流程,并接受 SEC 的监管。这份声明发出不久,一家名叫 Harbour 的 ICO 平台就自动关闭了。

继传统金融企业把业务搬到互联网平台上的“互联网金融”模式创新之后,近些年来,以人工智能(AI)、区块链(Blockchain)、云计算(Cloud computing)、大数据(Big Data)这“ABCD”四项核心技术驱动的金融科技产业迅速发展起来,很多人将此解读为“科技创新“替代“金融模式”创新,是互联网金融走向金融科技的核心转变,一时间,关于新技术的进步和如何落地应用的讨论,在金融圈里引起了巨大的动静。

以区块链技术为例,比特币系统 2009 年开始运行,短短几年的发展,全球各大金融机构迅速探知到其令人惊喜的网络健壮性,并在第一时间投入到其底层技术区块链的探索、研究之中。花旗银行、瑞银、纽约梅隆、加拿大皇家银行、苏格兰皇家银行、法国兴业银行、德意志银行等纷纷成立区块链实验室,高盛、西班牙对外银行、澳大利亚西太平洋银行重点投资区块链金融科技初创企业,巴克莱、澳大利亚联邦银行、美国CBW银行、三菱东京日联银行则直接与区块链初创企业合作共同开发金融创新产品。显然,金融机构毅然扮演着将区块链技术推向全世界的主导力量。究其原因,首先是因为区块链技术本身具有经济权利重新划分的天然的金融属性,对于改造金融交易体系、构建新一代以支付清结算为核心的金融基础设施有重大意义;而更关键的是,现代金融行业里,每天有无数人正在做着各种各样创新产品的尝试,“不创新则死”已成为金融行业的核心特点之一,我们对于“keep moving”这件事有强烈的渴望,从而也就对各种可能带来好的改变的新工具、新模式抱以极其热情的态度。

在过去近十年中,ABCD等一系列技术全面应用于支付清结算、借贷融资、财富管理、零售银行、保险各大金融领域,新技术正在重塑金融产品、金融活动流程,甚至金融组织架构。总结起来,其中以“数据的获取挖掘”以及“人与数据的互动方式改变为最核心的突破。粗线条的划分,我们可以把人工智能和大数据划分到数据的获取和挖掘这个方向,核心在解决金融模型搭建的问题,在我们所熟悉的消费金融的场景里,它们被用来描绘用户画像,预测用户消费行为;而区块链及云计算则可以划归到人与数据的互动方式,核心在解决金融模型运转效率的问题,云计算是包括互联网金融行为在内的一切数据计算行为能够大提速的新基础,它将个人所需进行的巨量的数据计算拆分为无数个子程序交由多个服务器所组成的庞大系统处理后回传用户,这种分布式数据处理的方式能够在数秒之内达成数以千计甚至亿计的信息;区块链则构建了一种自信任、自治的交易约束环境,能够极大的降低人们对于数据信任和追溯的成本。

那么,接下来,在这些新技术已经搭建起来的“数据获取挖掘”和“数据交互”的新一代的基础上,金融科技将如何最大化的应用在金融产品和金融模式的创新中,则是金融科技下半场的核心问题。

基于我曾在美林多年的金融模型分析和金融交易策略研究的经验,并且在细心观察当今的金融市场的发展变化情形后,我惊喜的发现,量化和自动化正在成为整个金融行业发展的新特点,也是新趋势,尤其是结合了量化和自动化特点的投资领域,将会有巨大的发展空间。

量化资产配置的核心思想是,通过定量分析,制定优化的资产配置方案,分散投资到多个相互关联较弱,具有正的预期回报的投资产品中。这样既可以降低风险,又可以增加投资容量。广义地说,凡是用定量方法来分析投资项目,帮助投资决策和管理都可以称为量化投资。量化投资就是使用定量分析方法建立模型,获取市场信息和数据,进行投资决策与管理。

拿一个简单的模型举例,上海市区最佳的500套住宅怎么定价?因为已经没有空地建新楼,豪华住宅的价位主要由市场供求关系决定,至于土地多少钱一平方米、建筑成本、租金率等皆为次要因素。为了建模,我们需要有一个基本上符合实情的假设,即富人们都希望在市中心有自己的住宅,且愿意付出所拥有财富的10%来购买。于是,我们把住上海的前500位富豪的资产排列出来,乘以10%,就得到了答案。这些房产的价位应该在5千万至8亿元之间,与市场情况基本符合。

故而,量化投资的核心即是数据模型。要得出正确有用的结论,首先需要获得准确完善的数据,以避免“垃圾进去、垃圾出来”。而金融科技发展所推动的新一代数据挖掘、分析能力则为量化投资的进一步发展提供了必要的基础,让“量化”的金融行为具备了更加广阔的实施空间。

自动化在这里的意义当然并不是我们所熟知的机械自动化,而是指一种无需人工过多参与,能够以极低的信任成本进行自运转、接近于自洽状态的交易体系。熟悉金融科技的朋友,这个时候一定会浮现出两个词:分布式、共识。

事实上,金融成本的主要组成部分是它的信任成本,而中心机构作为信任成本的主要制造者和承担者,往往首先为建立一套规范秩序的规则付出成本,之后再为管束所有参与者遵照规则付出成本,并且为了加强管束的有效性,它们通常采用提高众多参与者参与成本的做法,这也是为什么对于广大的金融参与者而言,跨中心主体交易长久以来都难以跳过低效率、高昂成本的巨大阻碍,其中非常典型的一个场景则是跨境支付。

传统的跨境支付清算需要借助多个机构,前后需要经过开户行、央行、境外银行等多道手续,且不同机构有自己独立的账务系统,系统间并不相通,因此需要多方建立代理关系、在不同系统进行记录、与交易对手进行对账和清算等,执行效率低下且费用昂贵。而基于区块链则可以构建一个由多个跨境支付需求方构成的联盟链,省去任何第三方中介环节,做到交易即结算。

可以说,区块链技术是云计算技术内核“分布”“共享”在经济学领域的延展和强化。以分布式、共识为核心理念的区块链技术最关键的突破性意义则在于,构建了一个用遵守共识规则的随机第三方替代中心化组织进行系统管理的运转体系,从根本上用技术背书替代中心化的信任创造方式,使得任意两个节点可以在不依赖任何中心平台的情况下进行点对点交易。在我最新创建的BIT168数字资产对冲基金中,正力求最大限度的实现当下金融科技在“量化”和“自动化”领域所能达到的最优水平。

还记得,我曾与我的好友阿吉力斯共同写了一篇论文《圣杯》,研究如何系统的在全球各国债券中进行套利的办法,之后我们放大胆子试试身手,选择了两个最低风险的德国债券组合交易和一个美国债券交易,第一次投入了3700万美元﹐第二次又投入近2亿美元。那次我正坐在他的办公桌旁和他闲聊,我们边啃着花生米一边谈论着这笔交易。忽而,他看了看计算机屏幕说:“我们亏了一万八千。”他吃了一颗花生米,又瞥了一眼屏幕说:“现在我们已赚进了一万。这好像不值得我们俩花时间去看。”

金融创新似乎永远是件大胆刺激的事情,然而,我们现在所追求的金融科技的魅力则在于,让金融行为的结果尽可能的朝着我们预期的方向发展。“量化”和“自动化”投资市场的建设,将是金融科技下半场的重要里程碑之一。

很多时候,人工智能被当做解决现有业务问题的权宜之计,并以此为卖点。不过,企业应该警惕:人工智能并不是“快餐”,营销人员不应该未经审视地迷信。另一方面,从定义上讲,权宜之计也就意味着非个性化。最重要的是,企业需要的解决方案恰恰是根据他们的具体需要身量身定制的,而不仅仅套用符合所有人的需求的解决方案。

在进军人工智能领域之前,决策者应该先问问自己,公司是否需要人工智能这一解决方案。如果一家公司没有人工智能适用的问题,例如处理海量的数据及运算,那么他们就会明智地越过报刊上吹捧的这一科技,找到适合他们业务的个性化解决方案。

此外还要要明白,输入垃圾等于输出垃圾。当接触到一个以内部、外部数据为基础的新科技时,公司的决策者需要做到循序渐进。在探索基于数据的进行运算的技术之前,他们必须先学会将数据整理、分类。

人工智能为B2B销售商在供应链提供了更具操作性的见解

通过利用人工智能优化B2B数据,电子商务工作者可以极大地提高效率,并在自动化库存管理的同时获取宝贵的消费者观点。

Ray Grady,CloudCraze——唯一一家在Salesforce上创立的B2B商务平台——的总裁及首席文化官:

虽然B2B还处于起步阶段,但人工智能有潜力从运营和购买体验方面彻底改变电子商务。人工智能将大量可操作数据交给企业,使他们能够分析消费者需求和全方位数据,从而改变他们与客户的业务往来,并改善内部运营。将消费者的浏览和购买习惯与天气预报、区域趋势和作物产量等外部数据结合起来,以便为供应商提供产品定价、库存补充、产品促销等方面的决策信息。

另一方面,人工智能让B2B买家更容易管理库存和自动化订单,以确保库存水平保持平衡。人工智能帮助买家和卖家做出更多的战略决策,从而节省时间、增加销售量,获取更多利润。”

人工智能正在创造一种更加个性化的数字体验

零售商可以通过创造或改进前端个性化来改善客户体验,而人工智能和机器学习都将是其后的驱动力。

ED Kennedy,Episerver——一家管理云端数字内容,商业和市场营销的单平台供应商——的高级商务总监:

商业中的人工智能常常被误解和过度炒作。零售商应该将人工智能视为另一种提升和改善客户体验的工具。人工智能提高了客户体验的一个关键领域是个性化。毫无疑问,消费者对高度个性化商务体验的需求将逐渐增加。根据Episerver《重构商业》的报告,超过三分之一的消费者认为品牌在个性化客户体验方面做得很糟糕——这意味着零售商最终会错过一大笔的收入。

机器学习,人工智能的一个分支,能够利用消费者实时行为和历史订单数据来自动为消费者推荐个性化的产品、促销和内容。令人兴奋的是,我们现在看到了技术创新的零售商使用基于人工智能的个性化体验,不仅仅是在网页和移动设备上,还将之扩展到了实体商店,比如可选购的镜子,或者用于展示顾客的产品分类。”

人工智能正在帮助零售商解决三个历史上购买过程中发生的棘手问题

搜索、现实库存管理和实时价格管理都能得到积极的影响。零售商需要仔细权衡,以便考虑如何优化。

Michael Fauscette,G2集团——一个商业软件和服务评论平台——的首席研究官:

在零售/电子商务领域,人工智能的实际用途主要是解决3个基本问题:帮助客户在线上线下找到他们心仪的产品;将“合适”的库存量以“合适”的产品组合形式置放在“合适”的地方;实时价格调整以保持竞争力。

第一个问题是通过基于人工智能的搜索引擎——有时也被称为“insight”引擎——以及使用聊天机器人管理交互来解决的。第二个问题是通过使用人工智能来提供动态的库存预测或订单频率预测,从而确定最佳库存量和位置,以及优化产品销售计划的动态产品分类来解决的。第三个问题是通过动态定价引擎来管理的,它会持续监控定价,动态调整以保持产品价格的优化。

在所有这三种情况下,人工智能可以为海量动态的数据集和产品提供输出,同时这一引擎可以根据动态反馈进行实时学习和调整,以进行自我优化。

人工智能乐于倾听客户的声音

现在,消费者们可以接触到动态人工智能化的机器学习、自然语言处理(NLP)和语音分析反馈场景。这一点,加上深度的社会化倾听和“情绪分析”,是另一个收集可信的消费者需求的机会。

Spencer Morris,InMoment——一家旨在为企业提供倾听客户和员工方式,从而优化客户体验的知名在线平台——的副总裁兼大数据科学主管:

人工智能已经被以非常实际的方式运用在工作中,这有助于简化任务,将相关性和个性化融入到人机对话中,并促进人类的决策和执行。我们合作的一些品牌已经在反馈场景中运用了各种人工智能元素(机器学习、自然语言处理、预测、语音分析等)。允许该技术基于消费者的反馈动态调整后续问题将会产生带来更好的数据类人型对话。

人工智能还被广泛地应用到实时实地了解消费者在社交媒体上、视频和电话对话中所表达的心声,并针对各个方面的问题——从供应链问题到法律安全紧急事件,自动向企业的多个领域发出信息传递。当前人工智能的另一项商业应用是实时持续地挖掘大量现存的数据类型。

人工智能“监视”人类对话中的模式,并针对潜在异常的事件作出预警。通过这种方式,业务用户可以轻松地了解到异常发生的形式、地点以及原因,并据此采取明智的行动。这类人工智能可以更准确地称为SAI——超级人工智能——因为它可以在几秒钟和几分钟内处理大量复杂、不同的数据——就连最聪明、最敏锐的人类分析师也无法做到这一点。通过将复杂事件和日常琐事的自动化,并促进人类作出更理智判断(在这一点上机器远不及人类),人工智能可以让企业变得更聪明、发展更迅速,甚至更人性化。”

人工智能正在彻底改变我们为客户提供服务的方式

聊天机器人不再仅仅是一种风潮——它们被整合到各种各样的,包括零售商在内的互动当中。有了机器学习和将消息“集群化”的能力,企业能够更智能、更准确地理解、评估和解决客户的需求。

Greg Reda,社交媒体管理软件Sprout Social的大数据科学主管:

聊天机器人的出现及发展对企业人工智能应用的意义重大,但不像杂志上炒作的那样,科技界离真正的人工智能聊天机器人还很远。对于品牌来说,首先要关注的是解决问题方面,而不是人工智能方面,最终目标是优化人机循环以提高效率。我们从社交客服团队那里了解到,他们每天都要处理大量的咨询电话时,却并不知道在开发聊天机器人时应该优先考虑哪些客户问题。

这便提供了一个机会,即通过机器学习将类似的信息整合集聚,最终筛选出常见的咨询电话内容及主题。当客服团队看到这些信息群,便可以通过直觉了解到开发聊天机器人应该优先考虑哪些问题。在我看来,这种分类、分析以及将机器学习与人类决策相结合的方式是企业所面临的最大的机遇。”

人工智能将改变游戏规则,帮助我们更智能地实现目标

结合人工智能的定向广告,可以更为精确地将目标客户锁定。

Jason Nesbitt,Strike Social——一家社交广告软件和管理公司——的媒体和代理业务副总裁:

Strike Social报告和The Big Picture:2017 YouTube广告基准报告显示,YouTube广告零售行业的观看率比全行业平均水平低76%。18岁至34岁的人群受YouTube影响最大,零售部门需要弄清楚如何更好地吸引这一群体来推动销售。这时就要靠人工智能了。

通过使用机器学习算法,广告商可以在18到34岁的范围内找到新的细分领域——包括人口统计(例如性别)和与平台目标的(如不同的亲合受众)相关程度——并优化针对他们的活动。这种方法能够为公司解决困难环节问题提供多种的途径,从而取得更好的业绩。”

人工智能对实体店的影响深远

实体零售商正在利用店内的聊天机器人,增加客户参与度和购物体验。只要机器人能提供相关的购物导航,消费者对这一概念的意愿可能就会变得更有粘性,逐渐变得厌倦。

Matt Fleckenstein,Nintex——一个工作流和内容自动化(WCA)软件和平台——的首席营销官:

越来越多的零售商将人工智能技术应用于店内体验,通过使用机器人和店内聊天机器人来增加用户的参与度,帮助消费者在店内找到他们需要的东西。如今,这些体验主要集中在使用机器人接受和理解消费者的语音指令,帮助消费者找到合适的产品,从而帮助消费者找到感兴趣的产品。零售商甚至开始测试机器人为客户挑选和包装客户订单。

此外,根据麦肯锡的数据,电子商务长期以来一直在利用人工智能来获得产品推荐——亚马逊35%的采购来自基于算法的推荐,这些算法会将过去的顾客购买、搜索产品和其他人的购买行为与消费者的购买行为联系起来。对于像亚马逊的Alexa这样的语音控制助手,从简单的命令执行发展到开始独立制作产品推荐只是一个时间问题(可能是在几天或几周内)。

人工智能正在优化在线购物体验

Barry Pellas,数字转换机构PointSource——Globant子公司——的首席技术官和首席商务专家:

人工智能真正的价值在于其促进运营、优化购物途径的作用——零售商需要在“确定最实际的用途”这一点上投入时间,以确保他们不会在没有战略价值的情况下部署解决方案。

将人工智能应用于零售业的关键是将实际技术与运营良好的店面相结合。零售商每天通过分析了解顾客的更多信息,另一方面,兑换渠道正影响着他们的成功指标。这两个成功的关键因素与人工智能结合的实际应用可以帮助终端用户实现更个性化的体验,并帮助用户进行兑换。

零售商可以利用人工智能来预测可能的兑换渠道,并让它无缝地跳转到下一个步骤。如果购物者的兑换需要四个步骤,他们能以一定的准确度来预测该客户将会在每一步中实现这一目标的可能性,并将其进一步推向兑换目标。这种类型的练习将形成一个循环,在这个循环中,分析会进一步推动预测,机器将学习最优的方式来帮助用户缩短兑换途径。

人工智能成功整合到零售系统的关键在于,它将永远与系统用户保持联系。如果你没有改善各类用户的生活,那么利用人工智能这一新技术可能是另一途径。”

随着机会的扩大,人工智能的门槛将会降低

随着越来越多的玩家加入到人工智能游戏中,它不仅可以提供更多机遇,还能降低发展人工智能所带来的风险——因为道路已经被铺平了。

Erik Brown,West Monroe Partners——一家商业和技术咨询公司——的技术总监:

现有数据的庞大数量,以及像谷歌的TensorFlow和Spark MLLib这样的可访问机器学习库的普及,让开发者有了更多的选择来开发可以真正学习和互动的软件。人工智能技术壁垒的降低将为那些通常没有足够研发预算的零售商和其他组织打开大门。

例如,现在的产品推荐可以由更智能的模型驱动,这些模型将时实根据消费者情况得出最优选产品。也许从最近的交易历史中学习可以预测一个日常事件并提供相关的建议,或者分析最近的发货延迟可以触发实时交互或请求,以降低消耗、取消支持请求。正如Netflix旨在预测用户打开应用时想观看的内容一样,零售商需要找到机会,从个人行为和其他相关数据中学习,通过合适的渠道提供有意义的活动。”

人工智能将带来前所未有的个性化程度

个性化服务预计将达到新的高度,而在整个端对端电子商务运营中,零售和客户体验都将产生显著提高的产出和交付。

Ken Yontz,1 WorldSync——全球领先产品信息网络——的全球转型管理副总裁:

人工智能有潜力从供应链的深度到面向客户的内容改变整个电子商务生态系统的产品数据。随着时间的推移,这项技术将让制造商对消费者最重要的产品和标准有更加深入的了解,他们可以利用这些技术来优化采购和战略产品开发。在消费者方面,我们将看到针对每个人的个性化信息,而不是“适用所有模式”的信息模板。对于消费者和生产者,产品数据都将提供信息、个性化和可执行的信息。”


1. 什么是区块链(Blockchain)?

要说近期得到各行各业关注和讨论的热点,区块链必须算一个:迄今为止,2016年全球最大的投资项目都与区块链相关,投资金额分别在5500万 美元和6000万美元,国内最大的一笔区块链项目也在9月底以超过2000万美元的投资规模宣布。 区块链的魅力在哪里?若说今天的互联网是信息通过TCP/IP协议进行点对点的传递,是信息互联网,那么,价值(比如电子货币、电子资产等) 怎样才能脱离第三方进行点对点的转移?区块链技术就提供了一种可能。 区块链是去中心的分布式记账系统。系统中的节点无需互相信任,通过统一的共识机制共同维护一份账本,每个节点都有一份完整的数据记录。 区块链 Blockchain, 成块(block)的交易通过密码学算法连接在一起,使得整个账本公开透明、可追踪、不可篡改。 比特币作为全球通用的加密互联网货币,就是基于区块链技术发展起来的,而区块链上智能合约的支持,使更广泛的、比特币以外的数字资产的 点对点转移变成现实,这就不难理解,为什么区块链技术会作为价值互联网的基石而变得引人注目了。

2. 什么是以太坊(Ethereum)及其开发者大会(Devcon)?

以太坊(Ethereum)作为全球最为知名的区块链项目之一,同时拥有全球最大的区块链开源社区。 简单说,以太坊是一个有智能合约(SmartContract)功能的公共区块链平台。用智能手机打个比方,如果说以太坊是智能手机的操作系统,那 么智能合约就是上面搭载的应用(app)。有了以太坊,用户可以直接开发自己的区块链应用,而无须担心底层的区块链系统。 此次是第二届以太坊开发者大会,不仅以太坊核心团队成员悉数到场,还汇聚了来自世界各地的以太坊行业代表、开发者和社区成员。微软是大 会顶级赞助商,将与以太坊继续合作打造Microsoft Azure云端“区块链即服务”(BaaS: Blockchain-as-a-Service)。

以太坊紫色革命

在今年的大会上,以太坊创始人Vitalik Buterin 发布了描述下一代以太坊(以太坊2.0)关键改进的紫皮书(Mauve Paper),直指以太坊存在的两大问题:以工作量证明(proof-of-work)为基础的共识机制低效、耗能、不绿色环保,以及以太坊公链系统吞吐量 (throughput)和容量均不足以支撑全球大范围高频次使用。

针对第一个问题,紫皮书提出一个新的基于权益证明(proof-of-stake)的共识机制,命名为Capser,能让参于“挖矿”的方式,从原来重金购入大量通用计算机或专门定制“矿机”并消耗电力能源进行大量“无用”计算来争夺区块的构造和收益权,转变成直接将资金兑换为以太币注入以太坊区块链,“挖矿”相关的智能合约(Smart Contract)自动根据资金的注入量成比例随机分配区块的构造和收益权。配合一套设计精巧、赏罚分明的经济学激励措施,这一新的共识机制有望使以太坊公链变得更安全、更高效和更绿色。

不过,基于权益证明的新共识机制的复杂度显著高于基于工作量证明的现有共识机制,部分社区成员对新机制的可靠性和正确性还存有疑虑,仍有待投入大量精力和时间以共同完善和验证。

针对第二个问题,关于吞吐量和容量的局限,紫皮书提出了缩短区块产生间隔时间(blocktime)和分区(sharding)这两个解决方案。

在保证安全的前提下,新的算法把区块产生间隔时间从12秒降低为4秒,使吞吐量提升为现在的三倍。新的分区机制将区块链分为80个相对独立的分区(sharding),以太坊的每个节点无需处理全网所有事务(transaction)和储存全网所有的数据,只要关注其中一个或几个分区的事务和数据即可,所有节点通过分工配合来完成覆盖所有分区的目标。这么做能使以太坊的容量增大为现有的80倍。同时,由于各分区的事务可以并发处理,吞吐量再获提升,变为现有水平的240倍(3x80)。

但这么做也是有代价的:分区之前,一个事务无论涉及到多少个智能合约,对所有这些智能合约状态的修改都能原子化地完成,这个性质极大简化了智能合约的编程和推理。分区之后,一个事务如果涉及到跨区的智能合约调用,由于跨区调用只能通过异步的方式完成,一个事务会被分段执行而失去原子性,这在本质上改变了智能合约的执行模型,增加了推理和编程的复杂度。这就是扩容的代价。

尽管如此,作为价值互联网的核心基础设施,由以太坊代表的支持智能合约的区块链技术平台正以激动人心的速度不断突破技术难题向前发展,值得进一步跟踪、研究与参与。

智能合约的安全

简而言之,智能合约就是一段用来直接控制电子资产交易的计算机代码。智能合约与区块链的关系可以类比为手机应用与智能手机,智能手机为手机应用提供计算平台,而多样化的手机应用极大地丰富了智能手机的应用场景。与此相类似,智能合约可以和区块链技术无缝对接,使区块链可编程化、可定制化,智能合约因此赋予了区块链智能,使区块链可以突破汇款这一传统的应用,让区块链可以应用在更复杂的逻辑中。

智能合约区别于普通程序代码的强大之处,在于它被公开而不可更改地储存在区块链之上,在定义好的内外部条件下得到区块链全网节点的忠实执行。任何人都不可能单方面篡改和阻止智能合约的执行。这是智能合约值得信赖的根本原因,却也是智能合约的“天生缺陷”,因为这个性质使智能合约的漏洞不能得到及时修复,利用漏洞的攻击行为也难以被及时阻止,从而造成实实在在的危胁。

这方面已经有了实际的例子,最有代表性的就是The DAO攻击。The DAO项目作为区块链业界最大的众筹项目,目的是给基于以太坊的创业团队和项目提供重要的资源,但是其编写的智能合约存在“递归调用漏洞”的问题。不幸的是,在程序员修复这一漏洞及其他问题期间,一个不知名的黑客开始利用这一漏洞收集The DAO代币销售中所得的以太币,导致The DAO损失了接近5000万美元。为挽回巨大损失,以太坊社区采取了充满争议和极具道德风险的硬分叉(hardfork),回滚到攻击发生前的区块,重新生长出一条不包含攻击结果的区块链。新生成的链虽然符合社区的主流民意,但由于违背了区块链不可篡改的原则,至今仍然受到社区一部分成员的抵制。

值得特别强调的是,这不是以太坊平台的本身漏洞,而是以太坊上某些智能合约出现了漏洞。新加坡国立大学的博士研究生Loi Luu在此次大会介绍了他关于智能合约安全性的论文[1],分析了以太坊区块链上19366个智能合约,发现大约44%的智能合约存在安全风险。

有效防范这些风险是智能合约得到广泛应用的前提,因此,开源社区和学术界一样都在抓紧解决智能合约的安全问题。由来自康奈尔、加州大学伯克利分校、伊利诺伊大学厄巴纳-香槟分校和以色列理工学院等学术机构的研究人员组成的IC3研究组在会上提出了解决智能合约安全问题的三板斧:对智能合约进行形式化验证,在智能合约中内建危机应对机制,建立发现和修补智能合约漏洞的激励机制。微软研究院、法国国家信息与自动化研究所和哈佛大学三个研究机构的研究人员也在近期共同发表文章,阐述在对以太坊智能合约平台本身(以太坊虚拟机)和智能合约的形式化验证方面进行的前沿探索[2]。

Web 3:去中心化的下一代Web基础设施

以太坊生态系统中的重要成员,去中心化储存系统Swarm,其核心开发者Viktor Trón在会上通过一系列演讲,描绘了一个以以太坊为核心的去中心化的Web愿景:Web 3。

在这个宏大的愿景中,以太坊作为一个去中心化的计算平台,辅以Swarm和IPFS(InterPlanetary File System)作为去中心化的加密储存平台,以及以Whisper为代表的去中心化的消息传递平台,构成一整套以P2P网络为核心的下一代Web基础设施。基于这种基础设施开发的去中化应用(Dapps),直接使用由分布于全球的P2P网络提供的存储、计算和消息服务,具有高容错、抗攻击、高可用、反审查等特点。这使得去中化的应用开发者不再需要架设和维护专门的服务器,而是通过应用的使用者直接向P2P网络购买所需的计算和加密存储服务来使用这些应用,天然就获得了自己数据的拥有权和控制权。这跟现有的Web架构下,所有用户数据天然集中于由应用或网站的开发者架设和控制的服务器的情况,有着革命性的区别。让这一切成为可能的,正是以区块链技术为基础的全球性去中心化的电子货币系统。

Web 3作为一种去中心化的云计算平台,是对现有的集中式云计算平台的有益补充。现有的集中式云计算平台有着去中心化平台所不具有的低成本、高效率、高性能、功能丰富等特点,而去中心化的云计算平台由于不被单一实体控制,更适合构建中立性要求极高、跨机构的信任基础设施。这两者不是互相取代的关系,而是共存共生、相互借鉴而共同发展的关系。展望这两种云计算平台在未来的碰撞和交融,一定异常精彩,必将促进云计算技术和云计算生态系统的进一步发展,推动云计算技术更为深刻和广泛地影响人类生产与生活的方方面面。


随着互联网的普及化以及物联网的快速发展,人们产生的数据也越来越多。早几年前,马云就突出了当前是“DT”时代的说法。但数据的多并不代表着就是好事,只有被利用起来的数据才是好事。有人将数据称为是“新石油”,这个比喻是非常恰当的。因为石油本身没有任何价值,它必须被提炼成汽油或塑料才有价值。同样地,我们都被大量的数据淹没了,但为了获得真正的价值,这些数据必须被提炼成商业见解。文章发表在ZDNet,由36氪编译。

我们生活在一个越来越依赖数据的社会,信息正变得和金钱一样。例如,许多消费者使用谷歌、Facebook、亚马逊、微软和苹果等互联网巨头提供的免费服务。作为服务的回报,这些公司可以追踪他们的在线行为,并进行商业化变现。

当前,这种交易的最大的问题之一就是开放性,人们的个人信息(有时是无意的)会泄露给为他们提供网络服务的企业。近期在大西洋两岸的投票都表明,有些数据管理机构能够利用大量的用户数据(包括人口统计数据、消费者行为和互联网中的活动),来对广告、新闻报道和服务进行微观定位,以完成特定的目的。

显然,数据闸门现在正在向各种规模和类型的企业开放。通过及时的分析,能够给企业带来很多的竞争优势。虽然说目前大部分企业都把目光偏向到客户行为上,但数据可以在产品或服务供应链的多个环节中获得,而且有多种形式——传统的(结构化的)、临时的(非结构化的)、实时的、物联网——或者是M2M(译者注:M2M全称Machine to Machine,是指数据从一台终端传送到另一台终端,也就是机器与机器的对话)生成的,等等。

成功利用大数据的公司可以节约成本,并提高运营效率,从数据驱动的创新中获得丰厚的回报。同时,大数据也可以帮助企业实现数字化转型,让它们能够在面对任何颠覆性的创业公司时保持竞争力。

然而,有用的商业见解不会自动从各种各样的信息中浮现出来。企业必须识别、组织和分析可操作的数据,并将数据分析的结果与业务相关部分结合起来。这需要规划、预算以及合适的工具和专业知识等支持。

数据量到底有多少?

人们会定期估算每年全球产生的数据量,以及以何种形式产生数据。早在2014年IDC和EMC发布的报告中,2013年的数据量有4.4 ZB,即4.4万亿GB,并预测2020年这一数字将增长至44 ZB,每两年翻一番。根据IDC和Seagate的数据,估计2025年的数据量为163 ZB,比2016年的16.1 ZB增加10倍。

IDC 和Seagate报告还预测,全球范围内的大部分数据来源将从消费者转向企业,后者产生的数据在2025年将占到整体的60%。根据这份报告,推动这种转变的趋势包括:数据从作为商业背景到决策关键的转变;嵌入式系统和物联网的发展;改变现状的认知/人工智能系统的发展;移动和实时数据的产生;以及安全正在逐渐成为一个关键的基础等等。

所有这些数据都需要一个“家”,要么是永久的,要么是暂时的,这就解释了Seagate这样的存储公司是怎么挣钱的。

在发布这份报告的声明中,Seagate首席执行官Steve Luczo表示:

虽然我们可以从研究报告中看出大数据时代已经到来,但数据的价值并不是‘已知的’,而是‘未知的’,我们严重低估了这一潜力。真正令人兴奋的是分析‘新业务、新思维和新生态系统,从机器人和机器到机器学习等行业’,以及它们带给我们社会和经济的影响。数据能够给今天和未来的企业家带来巨大的价值,我们的全球商业领袖将在未来几十年里探索这些机会。”

都有哪些数据?

当然,并不是所有数据都能够用于分析。例如,在2025年的数据时代报告中,IDC估计到2025年,全球数据中大约20%的数据对我们的日常生活至关重要,其中10%的数据将会是“超级关键”的。

该报告指出:“超级关键数据的出现,迫使企业必须开发和部署数据采集、分析和基础设施;保证数据存储的可靠性、可用性以及更安全的系统;并进行新的业务实践,甚至制定新的政策与规定,来减轻、转移和削弱潜在的负债风险。”

人工智能和机器学习将越来越多地参与到大数据分析中,这进一步限制了可用的数据量。在报告中,IDC估计,到2025年底,全球数据中被标记的只有15%,所以才适合人工智能/机器学习分析。

大数据趋势和预测

每年,各种技术领域的专家都会对当前的趋势进行总结,并对未来12个月做出预测。大数据也不例外,我们整理了多个专家在2017年做出的预测,并对这些预测进行了分类。以下是一些分析结果:

数据主要来自:Acodez,Big Data Made Simple,Datafloq,Datameer,Enterra解决方案,Gartner,惠普,IBM,Infogix,MapR,甲骨文,Ovum,Pentaho,Quantzig,RTInsights,Sysmech,Tableau软件

对于大数据行业观察者来说,2017年最有影响力的领域是人工智能、机器学习、自动化和认知系统。例如,分析公司Ovum认为,“机器学习是一个巨大的颠覆者”、“嵌入式机器学习的分析应用正成为常态”。

如果企业要避免被数据淹没,提高自动化水平几乎是不可避免的——或者,正如Enterra Systems所言:“随着数据量的增加,人工智能将变得越来越重要。”

另外一个重要的话题是“数据驱动的商业决策”的出现。甲骨文简洁地指出,“应用,而不仅仅是分析,推动了大数据的进程”,而Gartner预测“数据和分析将推动现代商业运营,而不仅仅是反映他们的业绩”。

此外,在2017年的预测中被广泛关注的还涉及信息、数据科学与数据工程、大数据扩散与治理以及基于云的分析与集成数据服务。

一些调查报告

自2012年以来,管理咨询公司NewVantage Partners(NVP)一直在调查财富1000强企业的大数据部署情况,并于2017年4月发布了第五份报告(调查对象是这些公司的管理者)。

NVP的大数据调查显示,80.7%的受访者认为他们的大数据投资是成功的,有48.4%的受访者表示“结果是可以测量的”。后者被细分为“极致成功”(颠覆性/创新/变革型,21%)和“非常成功”(进化型,27.4%)。

正在进行的各种大数据相关项目中,排名第一的是“通过运营来降低成本,提高效益”,占比72.6%。68.7%的受访者认为这是一个“为创新和颠覆创造新的途径”。

尽管有很多公司都启动了相关项目,并取得了不小的成果。但根据NewVantage Partners的报告。在《财富》1000强的企业中,似乎仍难以建立数据驱动的企业文化:69.4%的公司已经开始采取行动,但只有27.9%的公司表示有效果。

在为什么难以建立一个数据驱动的企业文化问题中,NVP的调查发现,“组织协调不足”的比例在42.6%左右,排在“缺乏中层管理人员接受和理解”(41%)和“商业阻力或缺乏理解”(41%)之前。

上面的图表显示,难以建立一个数据驱动的企业文化的阻碍是业务部门,而不是IT部门。因为数据整理、技术理解和数据分析方法等问题基本上没有多少应答者提及(小于30%)。

首席数据官(CDO),是企业具有数据驱动型的文化,或正在实现这一目标的关键指标。调查显示,财富1000强的企业近年来在这方面取得了进步。

虽然说,拥有CDO的公司的数量已经从2012年的12%提升到了2016年的60%。但是大多数(56%)受访者认为他们目前的角色是“防御性”的——主要是对监管和合规要求做出反应。

展望未来,受访者认为CDO应该变得更具“攻击性”——带头推动创新,打造数据文化,并将数据管理转变为企业资产。

这大概就是为什么大多数人(53.4%)认为,CDO应该向首席执行官(35.6%)或首席运营官(17.8%)汇报,而不是首席信息官(15.6%)。

NVP的调查还询问了受访者,除了大数据之外,还有什么会在未来10年里对自己的企业产生影响。人工智能和机器学习的排名靠前,这一点也不奇怪——无论是单选还是多选。

从欧洲的角度来看,我们研究了荷兰数据咨询公司GoDataDriven的大数据调查,调查对象来自2016年荷兰的大数据博览会参会人员。共有315人,包括168名高管和147名经理。

当被问及成功推进大数据为企业的主要驱动力有哪些因素时,71.4%的受访者表示是“清晰的愿景”,其次是“管理层的支持”(51.2%)和“系统支持和流程支持”(40.1%)。

与上面的NewVantage调查一样,当涉及到大数据战略推进的阻碍时,“业务”因素似乎比“IT”问题更突出。

当然,这并不是说IT问题不重要。当被问及建立大型数据基础设施的挑战时,排名靠前的两种回答涉及数据质量和数据可用性:

一旦有了足够多的高质量数据时,在企业以数据为驱动力的流程建立好之后,受访者将“大数据知识和数据科学的训练”列为最大的挑战,占比47.4%。

与NewVantage Partners一样,GoDataDriven也向受访者询问了人工智能的情况。尽管目前只有14.3%的人实际运用了深度学习和人工智能,但52%的人要么正在开发,要么计划在三年内运用深度学习和人工智能。

人工智能肯定是在公司的议程上,但显然是在早期阶段:在这一领域中,只有五分之一(21.5%)的受访者表示没有计划。

专家怎么看?

为了解大数据的运行状况,我们采访了Sumit Nijhawan。他是提供数据治理解决方案企业Infogix的首席执行官和总裁,他们对2017年数据趋势进行了前瞻性分析,以下是采访中的一些关键观点。

“几乎所有的客户都有一个大数据计划,许多项目都进行了大量的投资。但他们所取得的进步,他们从投资中获得的价值,往往无法达到预期效果。”Nijhawan一开始就这样说道。

他补充说:“我们正在与客户合作的一些事情,我们认为是可以带来变革的。主要是数据治理、数据准备、自助服务和更小的数据湖(译者注:数据湖泊是包含下面两个特征的信息系统:a.可以保存大数据的并行系统;b.能够在数据不移动的情况下进行计算的系统)部署的结合。”

问:所以你会说,从大数据中获取商业洞察的主要瓶颈是“发现公司所拥有的有价值数据,并使其可供分析”?

“是的,大部分的关注点都是提供存储环境——Hadoop,并让每个人都能将任何数据转储到其中。”这里要注意两件事情:首先,向Hadoop存储数据的目标是什么?其次,即使数据存在,但是无法管理,无法搜索,也无法挖掘,而且也没有办法使用数据去吸引消费者,来帮助企业获得价值。它非常依赖于技术,仍然需要技术人员来处理它。这并不是从这些投资中获取价值的最佳方式。”

问:这是否意味着“业务”与科技之间存在脱节——组织需要培养“数据文化”,让业务部门知道如何正确地分析数据,并产生商业洞察力?

“我们当然需要以数据驱动的企业文化。这并不是IT人员不想分享的东西。只是他们有这些工具,他们觉得自己做得很好,但他们并不知道分析数据最终的目标是什么。这就是为什么需要业务驱动了,否则很难实现任何有意义的事情。”

问:在许多组织中是否存在缺失的一环——首席数据官(CDO),谁能将业务部门连接到IT部门?

“这绝对是一个缺失的环节,但我不会说这只是一个人的问题。刚刚提到的“数据文化”指的是人、流程和技术,以及数据本身。这实际上是一个关于端到端的流程:这是如何从数据中获取所需数据的方式,也是如何处理数据的方式,更是如何交付数据的方式。这个端对端流程需要由业务负责人来发起,当然也可以是CDO。如今,首席数据官这个职位的问题在于,在许多企业中,它几乎都是一种官僚主义的立场:该CDO据称具有影响力,但最终却成为了供应商用来推销技术的人,而不是那些为了实现商业目标而在那里工作的人。”

问:当你与客户交谈时,目前哪些数据相关的技能最火?一些分析人士发现,企业对数据科学家的需求有所减弱。

“我认为需求正在减弱,但这并不是因为数据科学家的数量太多了。而是因为现有的数据科学家无法实现企业想要的价值。因此,问题就变成了:如果企业没有获得价值,那么招募更多的数据科学家有什么意义?为什么企业的运营人员、数据分析师不能更好的处理这些数据呢?

老实说,他们可以做到,因为数据科学家所解决的80%的问题都可以通过20%的算法来解决——而且这些算法都以易于使用的方式公开了,数据分析师和业务分析师可以将这些数据整合到运营和业务流程中。我认为这种情况正在发生,结果是对数据科学家的需求减少了。”

问:我们经常听到“自助式”分析,让更少的专家参与进来。你认为这个技术发展到什么程度了呢?

“我们对客户的做法是,我们首先会看到他们的数据湖项目在什么地方,然后告诉他们:也许你不需要花几个月和数百万美元来使用这些整合的开源技术。我们将为你提供一个完全自助服务的端到端设备,设备中所有东西都集成了,你所要做的就是使用这些数据来进行决策。你可以解雇你的业务人员,数据科学家,无论谁。这在市场上获得了很大的吸引力。

问:每个人都在谈论机器学习和人工智能,你认为它将会在大数据领域发挥作用吗?

“它已经存在了一段时间了,但是现在有很多关于它的新闻。就像我之前说过的那样,80%的问题可以通过20%的机器学习算法解决,比如切分、推荐、分类、回归和预测。我们关注的一个领域是大数据的质量,传统的数据质量一直都是关于精确匹配规则和重复规则等方面。现在数据量很高,人们向数据湖存储更多的数据,他们并不知道确切的规则是什么。相反,我们正在使用机器学习算法,比如切分和分类来寻找异常值。这就是机器学习已经增加了很多价值的地方——但同样的,你不需要非常成熟的数据科学家来做这件事。”

问:最后,你是否认为,随着自助工具的出现以及非专家、甚至“公民数据科学家”的参与,大数据领域正在进行民主化?

“我认为这是会发生的。这是对‘大数据’的投资能够持续、价值实现的唯一方式——没有其他选择。在IT和供应商领域,有足够多的人来推动这个问题,并找到能够实现这一目标的方法,可能还有三到五年的时间。在这期间,人们可能不会过多谈论“大数据”。相反,他们会谈论以自助服务方式交付的大数据的分析结果。”

前景

关于数据的各个方面还有很多,未来也会有更多的数据,但如果要经常把大数据转化为有价值的商业见解,企业还有很多工作要做。数据驱动型企业文化的建立以及数据科学家和工程师的增多(无论是从外部招募还是在内部培训),都将有助于推动这一过程,至少在短期内是如此。

正如天文学家Clifford Stoll所说:“数据不等于信息,信息不等于知识,知识不等于理解,理解不等于智慧。”

因此,数据科学家和工程师将需要从大量不同种类的数据中提取信息和知识,数据驱动的文化将确保提出正确的问题,从而让理解——甚至是智慧——到达企业的相关部门。

展望未来,自动化水平越来越高——尤其是在数据准备领域,以及自助服务分析工具的普及,将使专家之外的运营人员轻松获得从数据中得出的见解。

这只是ZDNet发布的从数据中提炼商业见解报告的一部分,如果你对报告有兴趣,请点击这里下载报告

日记本
Web note ad 1