京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在一个将由数据说了算的商业世界,数据大还是人大?
大数据时代到底还需要人做些什么呢?工业互联网这个概念到底是什么?且看笔者翻译的——MIT的MacAfee教授和Ideas Lab的一段对话。
生动认识工业互联网
Ideas Lab:您是怎么定义工业互联网的?
Andy McAfee:请让我用消费世界的一个例子来定义它:下一代温控器,它能在感知你想要什么上面做的更好,更加程序化,它能比老一代更加有效率地加热和冷却这栋房子。
它让我明白了工业互联网的下一个发展趋势。我们能做的大约是三件事,这三件事放在一起看真的很重要。
第一件:给我们的东西添加更多的传感器,因为它们现在越来越便宜,下一代温控器会更多地依赖于它们,例如,它能感知到我们何时在房间里。我们的智能手机有很多传感器。它们以前很贵很笨重,但是现在它们越来越小越来越便宜以至于你可以开始用它们制作一次性物品。
第二,温控器里装有非常强大的微芯片。它有大脑,它是一件相当聪明的设备。我们正在使我们的工业设备比之前更加聪明。
第三,我们把它们放在互联网上。它有一个WiFi客户端能够连接到你的家庭网络中,所以突然间所有这些设备都连接上一个全球网络。
这意味着它们可以为这些数据源提供它们的数据,这意味着我们可以给设备装上大脑,以此前未有的方式和它们互动。
例如,有一个针对温控器的智能手机应用,使得你无论何时何地都可以通过它来设置温度并了解你的房子的状况。这意味着,这些设备和所有的数据都对这个世界和数不胜数的创新方式开放。
我们把这些东西放在网络上,我们也让这些东西和人们保持联系,我们还让它们能够融合新点子从而变成一个令人难以置信的强大组合。我本不能想象下一代温控器会是怎么样,但是现在我们发现这样的创新正在一次次发生。而这些在快速便宜和强大的电脑及全球互联网出现前都是不可能的。
Ideas Lab: GE在本周发布的工业互联网白皮书里做的推荐之一便是一个真正稳健的网络安全系统。它是怎么工作的?
Andy McAfee: 我还不清楚它是怎么工作的。我们不希望坏人控制我们的工厂,攻入工厂的系统。我们在过去已经看到了很多这样的教训。这确实是一个威胁。我不是一个安全专家,但是我认为将要发生的事情是像 GE这样的公司正在联合起来合作制定一些安全标准。我不认为这会很快或是很容易,但是我对工业互联网的安全性能很有信心。
数据与电脑占上风的未来20年
Ideas Lab: 接下来10-20 年间,商业将会发生什么变化?
Andy McAfee:展望未来10-20 年让我很兴奋。
五年前iPhone诞生,虽然它只有5年的历史,但是想想它现在是多么的不可缺少,是多大地改变了我们生活的方式。任何自认为懂得数据世界在未来 20年会怎么发展的人其实都是在自欺欺人。我坐过谷歌汽车,那真的是一个非常棒的体验——它运作地很好。我们人类在未来几十年里正在将很多东西交给电脑控制,仅仅因为它们比我们能做得更好。
Ideas Lab:雇佣成本变得更加低?这会引发一些紧张态势。
Andy McAfee:长期来看,是的。我是一个数据乐观主义者。我们的这个世界将变得更加开放,有更多的人能享受更多的服务——我是指健康护理,信息和娱乐休闲以及所有我们珍视的东西。我们将要进入一个物质非常富余的世界。那真的是太棒了,我们生活将获得巨大提升。我所能见到的最大挑战就是我们将会面对一个非常生机勃勃令人吃惊但不需要像现在这么多劳动者的经济。我们要怎么解决就业问题确实是未来20年的一个巨大挑战。
Ideas Lab:关于大数据最大的误解是什么?
Andy McAfee:最大的误解就是它摆脱了人们的控制。基于一些原因,我并不是很喜欢这种看法。你还是需要人去决定他们想要用数据干什么,他们想要回答什么样的问题,他们想要探讨什么样的假设,他们要怎么使用这些资源。这种人类的智慧和直觉仍是我们所需要的。我也认为大数据给今天的专家们带来了很多挑战,他们需要作出艰难的努力。我认为大数据对专家们并不友好,因为真相将越来越多出自于大数据,好的预测也将出自于好的分析而非专家。对应的一个例子就是对选举的预测。当我思考这个商业世界时,如果你拍拍脑袋做出差劲的决定,那么你会被竞争淘汰。
不需要那么多工人,这将构成就业率的挑战
Ideas Lab: 人们要如何更新他们的技能来适应这个新时代?
Andy McAfee: 一部技术的历史就是一部从低技能转向高技能的历史。我认为这将持续下去。当我和那些公司的人聊天,他们说“我找不到足够的拥有定量分析能力的人,找不到能够阅读设备图表的人,我不需要能够干重活的人或者是连续 8小时每15 分钟做重复事情的人。”这需要一种和今天工作场合所要求的截然不同的技能。
重新学习技能和重新培训是一个大问题,对于尚在学校里将要进入劳动力市场的人和那些正在尝试在职业生涯中期重新开始工作的人,问题的解决方式是不一样的。我认为技术正在成为解决方案的一个主要部分,因为我们看到海量的网络开放课程正在出现——对所有人都是免费的,试着去传授相当高级的知识。这一切的初期成果非常令人鼓舞。人们可以不用在旧式的教室里掌握技能。
Ideas Lab: 这对美国的工作机会增长意味着什么?
Andy McAfee:这是一个很明显的趋势。在美国制造业里,我们炒掉了更多的人。但这真的不是一个外包的故事,因为中国也在发生同样的事。工业趋势非常明显。这是一个挑战,我认为它会影响经济的更多方面。因此处理就业问题是一个巨大挑战。这并不是说电脑明天或者下个月就会抢走所有的工作,但是长期来讲,我们最好开始为这种新经济做好准备。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在Power BI数据可视化分析中,切片器是连接用户与数据的核心交互工具,其核心价值在于帮助使用者快速筛选目标数据、聚焦分析重点 ...
2026-04-23以数为据,以析促优——数据分析结果指导临床技术改进的实践路径 临床技术是医疗服务的核心载体,其水平直接决定患者诊疗效果、 ...
2026-04-23很多数据分析师每天盯着GMV、DAU、转化率,但当被问到“哪些指标是所有企业都需要的”“哪些指标是因行业而异的”“北极星指标和 ...
2026-04-23近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15