
大数据的分岔路:一软到底还是软硬兼施?
在计算机发展史上,先是做硬件的风光,IBM曾经一枝独秀,然后就慢慢不行了;做计算机软件的开始发力,微软独占鳌头,IBM被迫向软转型。
在互联网发展史上,同样先是做硬件的风光,SUN和北电都曾得意一时,然后就慢慢不行了;做网络服务的开始发力,雅虎、谷歌、FACEBOOK先后称霸。在人类社会开始向大数据时代开始迈进的时候,相似的历史进程会不会重演?
大约从08年开始,广义的互联网产业出现了两个相互对立的发展路径。一个是以FACEBOOK为代表,逐渐发展出了以个人为中心,以人际关系为传播动力的WEB2.0平台。另一个是以苹果为代表,逐渐发展出了以个人数据终端为中心,以数据终端间的互动为传播动力的另类WEB 2.0平台。前者可称为软平台,后者可称为硬平台。
无论平台软硬,背后的逻辑是一致的,即通过平台生产,获取,整理,融合,利用尽可能多的网络用户和网络服务商的内容和行为数据,并在此基础上探索全新的商业模式。就软平台而言,迄今为止仍在坚持一软到底的初衷,认为无论人们使用何种硬件数据终端,只要还是用我的软平台,那么数据的汇集仍然会以软平台为中心,硬件厂商还是辛辛苦苦地为我打工。就硬平台而言,至少对产业顶端的几家企业来说,已经不是经典意义上的纯粹硬件制造商,而是集硬件,操作系统,开放平台和应用商店为一体,软硬结合,无缝整合的新型硬平台。
在大数据时代,究竟是一软到底的软平台还是软硬兼施的硬平台能够成为大数据时代的数据汇集点,在激烈竞争和产业整合中最终取胜,现在下结论恐怕为时尚早。
FACEBOOK在推出开放平台的6年间,一直将公司的使命定义为让全世界所有的人互相连接起来。然而,就在用户规模超过12亿,股价大幅飙升的时刻,公司创始人扎克伯格在9月初宣布了重新定义过的新的公司使命:让世界上的一切互相连接起来。这就将过去仅仅发力于人与人的关系,扩展到了人与物,物与物的关系,把潜在的市场规模扩大了千百倍。也就是说,在现实世界中的万事万物正在以极高的速度和加速度生成数据化的存在方式时,FACEBOOK有雄心把这个数据化世界中的一切连接起来,创造新的服务模式和商业模式。要做到这一点,它必须像现在创造出人与人关系数据的产业事实标准一样,创造出人与物,物与物关系数据的产业事实标准。而这在自身不具备自家硬件数据终端和操作系统的情况下,无疑是个巨大的挑战。
由于让FACEBOOK这样的后生小子抢了软平台的先机,业界几家传统老大只好半自觉半无奈地走上了软硬兼施的硬平台之路。谷歌以搜索生态圈和安卓操作系统为核心,同时向手机、平板电脑、眼镜、手表、汽车、卫星和高速宽带等五花八门的数据终端和系统全面出击,希望以量取胜,成为大数据时代的事实标准。苹果在确立了软硬兼施的路径之后,近年来竟然无所作为,将乔布斯拼命夺来的历史先机付之东流,与谷歌竞争已落下风。微软在长达近十年的踌躇不前,欲进还退后,终于出手收购了诺基亚,完成了谷歌,苹果,微软三国演义的产业格局。三家之间能否达成数据共享或数据交换协议,甚至形成共同的数据标准,是硬平台能否战胜软平台的关键。否则,任何单独一家都无法与FACEBOOK抗衡。
这场即将决定产业今后十数年走向的决战正在这四家市值过千亿美元,用户过十亿,全球为市场的巨头之间进行。这场决战完全与中国网络业无关,我们仍然在模仿者和跟随者的道路上洋洋自得地行走着。迄今为止,中国尚未出现一家居市场领先地位的软平台,虽然特殊国情为此提供了相当的机会。最有机会进化为软平台的当属微信,不过要看腾讯有无这样的决心,试金石就是它有无勇气尽快将自家的种种服务和产品整合到微信生态圈内,并将微信平台建成,同时全方位开放。微博有成为软平台的一线希望,但新浪的DNA决定了它无法承担如此挑战,除非做出全面的内部调整。百度和阿里具备一定的资质与能力,但它们好像志不在此,仍然停留在自家垂直领域深耕不止。
至于那些做手机、做盒子、做电视等硬件数据终端的公司,肯定与硬平台建设无关,把这些努力理解为IT制造业新一波可能更准确些,虽然旗帜上的确写着硬件加服务的口号。这些依赖安卓系统为生的东西,最好的结局就是成为谷歌大数据生态圈里的一员,扮演数据提供者的角色。如果未来硬平台战略在大数据时代占了上风,它们有机会在生态圈下游混日子。如果未来软平台战略得势,它们的日子就会很难过了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15