京公网安备 11010802034615号
经营许可证编号:京B2-20210330
这三大领域10年内将被人工智能和大数据重塑
我们生活在一个不断瓦解的时代——不过这是一件好事。行业会被颠覆,大公司会垮掉。随着企业家弄清楚如何优化和改造效率低下的公司、产品和服务,从而更好、更快、更廉价地为消费者(我们)提供一切的时候,旧的系统...
我们生活在一个不断瓦解的时代——不过这是一件好事。
行业会被颠覆,大公司会垮掉。
随着企业家弄清楚如何优化和改造效率低下的公司、产品和服务,从而更好、更快、更廉价地为消费者(我们)提供一切的时候,旧的系统将会崩溃。
根据华盛顿大学奥林商学院的调查,今天在《财富》世界500强榜单上40%公司都会在10年内销声匿迹。
这篇文章是对将发生在医疗、金融和保险这三个行业革新的简述,由于大数据和人工智能,变革一触即发。
很明显,十年内大数据与人工智能将会改变几乎每一个行业,不过这三个行业将会面临最深远的变革。
一、医疗
医疗已经遭到了大规模的破坏,瓦解将轻易而迅速。有数以百计的初创企业致力于让你做「你自己健康的CEO」——来补充甚至替代医生和医院。
我认为基于人工智能的新医疗选择是免费或接近免费的,并且比现在好得多,这样人们会摒弃传统的医疗而转向这些更棒的选择。这会令现今的医疗系统消亡。
想想谷歌时代的图书馆,想想移动通讯时代的传统有绳电话,想想Uber时代的出租车,想想Skype时代的长途电话……这张清单永无止尽。
那么……将要迎接我们的到底是什么?
市值1000万美元的高通三录仪XPRIZE将会生产出一种设备(就像《星际迷航》中的三录仪),让作为消费者的你无论何时何地都能自行诊断。
厌倦了跑医院?沃尔格林(美国最大连锁药店)这样的公司和便利店立志成为你的医疗中心。
人类长寿公司(HumanLongevityInc.,简称HLI)将对你基因中的32亿个碱基对和微生物组进行测序,将你的数据与数以百万计的其他消费者构成的庞大数据库进行对比。
对大数据进行这样的挖掘能使你(你的人工智能装置或者你的家庭医生)提前知道什么样的疾病会威胁你的健康,从而让你享受到积极主动的医疗。
HLI的目标是实现“n对1”的健康医疗服务,给你开的药就是最适合你的药。HLI的目标是使你人生的健康岁月延长30年以上,让「100岁成为另一个60岁」。
除了在基因方面的进展,在骨髓干细胞科学方面革命也如火如荼,引用我的朋友——HLI联合创始人BobHariri博士的话:「(骨髓干细胞)将会使我们的身体发动机恢复再生。」我们离培育替换用的肺、肝、心脏或肾脏并不遥远,这样我们就不用治疗慢性器官疾病(出了问题直接换掉就可以了)。
就像在基因和骨髓干细胞方面的重大进展,发展中的生物传感器也发生着不相上下的变革。如果你不能测量,你就不能施加影响,所以谷歌、苹果、三星及不少其他公司投资了数十亿以冀成为领导者。
这些生物传感器将会持续监测你的健康——心率、血压、血糖、甚至癌症和心脏创伤释放出的微小颗粒。
结合你的基因数据,这些传感器监测到的数据将会流畅地上传到你使用的健康APP,在伤害发生或者疾病形成前给予你必需的警告。引用我的朋友,斯坦福大学教授的DanielKraft博士的话来说,把这个当作「你身体的安吉星系统。」
安吉星系统
1995年诞生的安吉星是通用汽车的专属配置,主要为汽车提供安全信息服务,包括撞车自动报警、导航等。
那么谁来为此买单呢?大概不会是你自己。很有可能你的保险公司会为此买单,因为如果你不进医院,活得更久,他们就赚得多得多(他们能收取更多的费用,理赔则少得多)。
二、金融
金融是另外一个不免迎来很多有趣时刻的万亿行业。这十年里中间人财务顾问和经纪人的日子要到头了。大数据支撑的人工智能将会使所有东西更便宜、更快,并且对消费者更有益。
举一个例子,我在IBMWatson供职的朋友们为Watson生态系统开发的金融应用在我看来就很棒。
想象有这样的一种服务,能浏览你过去几年在社交平台上发布的所有内容并且通过情感分析得出你喜欢或者讨厌什么行业或价值观。比如说:你喜欢科技和时尚,但是厌恶酒精和暴力。你爱欧洲,但不怎么喜欢俄罗斯,等等。
在千禧时代,你的主张和盈利同样重要,这时人工智能就有优势了,如果它能在风险调整的基础上,整理一万家公司后推荐你做出那些和你价值观最为一致的投资的话。
而且,它能监测你的社交媒体与全球市场,让你随心所欲地随时调整你的投资组合。
另一个临近我们的变革就是那些人工智能公司(SentientTechnologies就是其中一例),它们利用先进的机器学习与数据挖掘技术在证券市场上进行人类无法媲美的算法交易。
更出色的还有基于大量报价数据的人工智能交易。这世上有1000亿个相互连接的设备,在此之上,我们正向一个有着数万亿传感器的世界挺进。
这将会给人工智能带来「全知全能」,让你(或你的人工智能设备)在任何时间、任何地点、了解任何事……
这意味着什么?现今,有公司使用卫星来拍摄并计数玩具反斗城和家得宝停车场每天的停车量,在季度财报出来前预计该公司的营收。
把这个泛在知识的思路延伸运用到所有事情上(我是指所有),你就能预想到金融行业会如何变革。
三、保险
保险业是一个与概率和不完全认知打交道的老行当。但是,在一个「完全认知」的时代,许多事情正在发生变化。这里有几个例子。
健康与生命保险
今天,如果你允许保险公司在你的车上安装传感器检测车速和加速情况——基本上就是一些判断你是好驾驶员还是坏驾驶员的数据——美国前进保险公司会给你的费率打个折扣(快照计划)。
现在,想象一下这种情况发生在自己身上。想买便宜的保险?那就让保险公司监测你的身体健康状况并给基因组测序吧。
这不是说如果你有不良基因就不给你保险或者管你要高的保费,这些都是法律禁止的,2008年通过的《遗传信息无歧视法案》禁止因基因组问题歧视个体。这一创新是这样的,只要你允许保险公司协助你健康长寿,它们就会给你折扣。这完全是件双赢的事情。
还有另外一个大场景,我们可以从中看到当今保险业的坍塌。
假如我有某种免于主要疾病的基因组:我不抽烟,健康进食,每天锻炼。
我将这些信息(经由传感器证实)公布在自己的社交图谱上,说:「谁有良好的基因、健康的饮食和锻炼习惯,并且想和我一起自我投保的人,咱们自己相互联保吧…我们是低风险合作伙伴!」
如果发生这种情况,保险联营当中的前百分之十从市场撤出,这会压垮这一行的产业经济。
之前,这种信息和「点对点保险」从不可能。现在有可能了。
「慢着」,你说,「会有监管来阻止你的。」是的,但也仅仅是暂时的。就像Uber之于出租车行业,监管充当绊脚石的时日无多。
最终,随着汽车的出现,马车制造商们会相继倒掉。
汽车保险
上文中提到过前进保险公司快照传感系统,但是,脑补下一步……
在一个自动汽车的年代,可能就没有汽车保险的需求了。
自动汽车不会撞车或者说很少撞车,为什么还要保险的呢?
对保险业来说,更糟糕的是大伙会停止购买汽车。
你不再会自己保有一辆汽车,但是你能享受到7天24小时的自动汽车服务。就像今天的公司不用再自己购买服务器,而是使用亚马逊或者谷歌提供的云服务。
如果你没有汽车,那就没啥可保了。
农业/农作物保险
最后让我们关注一下农业和农作物保险。下文也同样适用于我没有提到的其他类型的保险。
今天,为农作物投保来规避比如说雹灾,损失评估过程非常昂贵也不够准确。评估过程需要农民和保险评估人员亲临现场并拍照。
在一个摄像(比如,地球低轨道卫星和无人机)和传感器(现场传感器)无所不在的年代,保险评估是全球化的、及时的,而且实际上是免费的。
大量的初创公司准确、廉价地搜集海量数据,这将重塑这一特定利基市场(农业保险)的方方面面,实际上,是整个保险业的方方面面。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在使用Excel透视表进行数据汇总分析时,我们常遇到“需通过两个字段相乘得到关键指标”的场景——比如“单价×数量=金额”“销量 ...
2025-11-14在测试环境搭建、数据验证等场景中,经常需要将UAT(用户验收测试)环境的表数据同步到SIT(系统集成测试)环境,且两者表结构完 ...
2025-11-14在数据驱动的企业中,常有这样的困境:分析师提交的“万字数据报告”被束之高阁,而一张简洁的“复购率趋势图+核心策略标注”却 ...
2025-11-14在实证研究中,层次回归分析是探究“不同变量组对因变量的增量解释力”的核心方法——通过分步骤引入自变量(如先引入人口统计学 ...
2025-11-13在实时数据分析、实时业务监控等场景中,“数据新鲜度”直接决定业务价值——当电商平台需要实时统计秒杀订单量、金融系统需要实 ...
2025-11-13在数据量爆炸式增长的今天,企业对数据分析的需求已从“有没有”升级为“好不好”——不少团队陷入“数据堆砌却无洞察”“分析结 ...
2025-11-13在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06