從ICO亂象看當下網際網路金融的ABCD（人工智慧（AI）、區塊鏈（Blockchain）、雲端計算（Cloud computing）、大資料（Big Data））四大產業...

ico持續火爆，渾水摸魚者各種圈錢專案應接不暇，韭菜都不夠割了。有的專案完全不靠譜，跟區塊鏈半毛錢關係都沒有，還拿來做ico，諸如此類的亂象很多。稍有常識的人都能分辨出來。但，可怕的是哪些跟區塊鏈還有點關係，專案概念不錯，團隊背景也強大的專案，這些專案往往追隨者眾，大家擠破頭去搶ico。因為有的ico上線後能漲幾倍、幾十倍，所以即使大家都清楚現在泡沫很嚴重，還是會前仆後繼進來。

如果你熟悉虛擬貨幣、ICO，那麼你肯定對 The DAO 並不陌生。The DAO 建立在以太坊區塊鏈的基礎上，是一個去中心化的風險投資基金。所有的投資者通過傳送以太幣獲得 DAO 代幣，然後可以使用 DAO 代幣來處理資金，以此獲得的利潤全部被持股人收入囊中。然而去年5月，一份合約利用 The  DAO 的漏洞,劫持了高達 360 多萬以太幣，價值高達上千萬美元。今年7月25日，在經過了對 The DAO 專案的考察後，美國證券交易委員會 SEC 釋出了一份針對虛擬貨幣的官方宣告：DAO 代幣有著去中心化風險投資基金的特性，屬於證券發行的範疇。這就意味著：代幣若被認證為證券，那就需要遵循證券發行的流程，並接受 SEC 的監管。這份宣告發出不久，一家名叫 Harbour 的 ICO 平臺就自動關閉了。

繼傳統金融企業把業務搬到網際網路平臺上的“網際網路金融”模式創新之後，近些年來，以人工智慧（AI）、區塊鏈（Blockchain）、雲端計算（Cloud computing）、大資料（Big Data）這“ABCD”四項核心技術驅動的金融科技產業迅速發展起來，很多人將此解讀為“科技創新“替代“金融模式”創新，是網際網路金融走向金融科技的核心轉變，一時間，關於新技術的進步和如何落地應用的討論，在金融圈裡引起了巨大的動靜。

以區塊鏈技術為例，比特幣系統 2009 年開始執行，短短几年的發展，全球各大金融機構迅速探知到其令人驚喜的網路健壯性，並在第一時間投入到其底層技術區塊鏈的探索、研究之中。花旗銀行、瑞銀、紐約梅隆、加拿大皇家銀行、蘇格蘭皇家銀行、法國興業銀行、德意志銀行等紛紛成立區塊鏈實驗室，高盛、西班牙對外銀行、澳大利亞西太平洋銀行重點投資區塊鏈金融科技初創企業，巴克萊、澳大利亞聯邦銀行、美國CBW銀行、三菱東京日聯銀行則直接與區塊鏈初創企業合作共同開發金融創新產品。顯然，金融機構毅然扮演著將區塊鏈技術推向全世界的主導力量。究其原因，首先是因為區塊鏈技術本身具有經濟權利重新劃分的天然的金融屬性，對於改造金融交易體系、構建新一代以支付清結算為核心的金融基礎設施有重大意義；而更關鍵的是，現代金融行業裡，每天有無數人正在做著各種各樣創新產品的嘗試，“不創新則死”已成為金融行業的核心特點之一，我們對於“keep moving”這件事有強烈的渴望，從而也就對各種可能帶來好的改變的新工具、新模式抱以極其熱情的態度。

在過去近十年中，ABCD等一系列技術全面應用於支付清結算、借貸融資、財富管理、零售銀行、保險各大金融領域，新技術正在重塑金融產品、金融活動流程，甚至金融組織架構。總結起來，其中以“資料的獲取挖掘”以及“人與資料的互動方式改變為最核心的突破。粗線條的劃分，我們可以把人工智慧和大資料劃分到資料的獲取和挖掘這個方向，核心在解決金融模型搭建的問題，在我們所熟悉的消費金融的場景裡，它們被用來描繪使用者畫像，預測使用者消費行為；而區塊鏈及雲端計算則可以劃歸到人與資料的互動方式，核心在解決金融模型運轉效率的問題，雲端計算是包括網際網路金融行為在內的一切資料計算行為能夠大提速的新基礎，它將個人所需進行的巨量的資料計算拆分為無數個子程式交由多個伺服器所組成的龐大系統處理後回傳使用者，這種分散式資料處理的方式能夠在數秒之內達成數以千計甚至億計的資訊；區塊鏈則構建了一種自信任、自治的交易約束環境，能夠極大的降低人們對於資料信任和追溯的成本。

那麼，接下來，在這些新技術已經搭建起來的“資料獲取挖掘”和“資料互動”的新一代的基礎上，金融科技將如何最大化的應用在金融產品和金融模式的創新中，則是金融科技下半場的核心問題。

基於我曾在美林多年的金融模型分析和金融交易策略研究的經驗，並且在細心觀察當今的金融市場的發展變化情形後，我驚喜的發現，量化和自動化正在成為整個金融行業發展的新特點，也是新趨勢，尤其是結合了量化和自動化特點的投資領域，將會有巨大的發展空間。

量化資產配置的核心思想是，通過定量分析，制定優化的資產配置方案，分散投資到多個相互關聯較弱，具有正的預期回報的投資產品中。這樣既可以降低風險，又可以增加投資容量。廣義地說，凡是用定量方法來分析投資專案，幫助投資決策和管理都可以稱為量化投資。量化投資就是使用定量分析方法建立模型，獲取市場資訊和資料，進行投資決策與管理。

拿一個簡單的模型舉例，上海市區最佳的500套住宅怎麼定價？因為已經沒有空地建新樓，豪華住宅的價位主要由市場供求關係決定，至於土地多少錢一平方米、建築成本、租金率等皆為次要因素。為了建模，我們需要有一個基本上符合實情的假設，即富人們都希望在市中心有自己的住宅，且願意付出所擁有財富的10%來購買。於是，我們把住上海的前500位富豪的資產排列出來，乘以10%，就得到了答案。這些房產的價位應該在5千萬至8億元之間，與市場情況基本符合。

故而，量化投資的核心即是資料模型。要得出正確有用的結論，首先需要獲得準確完善的資料，以避免“垃圾進去、垃圾出來”。而金融科技發展所推動的新一代資料探勘、分析能力則為量化投資的進一步發展提供了必要的基礎，讓“量化”的金融行為具備了更加廣闊的實施空間。

自動化在這裡的意義當然並不是我們所熟知的機械自動化，而是指一種無需人工過多參與，能夠以極低的信任成本進行自運轉、接近於自洽狀態的交易體系。熟悉金融科技的朋友，這個時候一定會浮現出兩個詞：分散式、共識。

事實上，金融成本的主要組成部分是它的信任成本，而中心機構作為信任成本的主要製造者和承擔者，往往首先為建立一套規範秩序的規則付出成本，之後再為管束所有參與者遵照規則付出成本，並且為了加強管束的有效性，它們通常採用提高眾多參與者參與成本的做法，這也是為什麼對於廣大的金融參與者而言，跨中心主體交易長久以來都難以跳過低效率、高昂成本的巨大阻礙，其中非常典型的一個場景則是跨境支付。

傳統的跨境支付清算需要藉助多個機構，前後需要經過開戶行、央行、境外銀行等多道手續，且不同機構有自己獨立的賬務系統，系統間並不相通，因此需要多方建立代理關係、在不同系統進行記錄、與交易對手進行對賬和清算等，執行效率低下且費用昂貴。而基於區塊鏈則可以構建一個由多個跨境支付需求方構成的聯盟鏈，省去任何第三方中介環節，做到交易即結算。

可以說，區塊鏈技術是雲端計算技術核心“分佈”“共享”在經濟學領域的延展和強化。以分散式、共識為核心理念的區塊鏈技術最關鍵的突破性意義則在於，構建了一個用遵守共識規則的隨機第三方替代中心化組織進行系統管理的運轉體系，從根本上用技術背書替代中心化的信任創造方式，使得任意兩個節點可以在不依賴任何中心平臺的情況下進行點對點交易。在我最新建立的BIT168數字資產對衝基金中，正力求最大限度的實現當下金融科技在“量化”和“自動化”領域所能達到的最優水平。

還記得，我曾與我的好友阿吉力斯共同寫了一篇論文《聖盃》，研究如何系統的在全球各國債券中進行套利的辦法，之後我們放大膽子試試身手，選擇了兩個最低風險的德國債券組合交易和一個美國債券交易，第一次投入了3700萬美元﹐第二次又投入近2億美元。那次我正坐在他的辦公桌旁和他閒聊，我們邊啃著花生米一邊談論著這筆交易。忽而，他看了看計算機螢幕說：“我們虧了一萬八千。”他吃了一顆花生米，又瞥了一眼螢幕說：“現在我們已賺進了一萬。這好像不值得我們倆花時間去看。”

金融創新似乎永遠是件大膽刺激的事情，然而，我們現在所追求的金融科技的魅力則在於，讓金融行為的結果儘可能的朝著我們預期的方向發展。“量化”和“自動化”投資市場的建設，將是金融科技下半場的重要里程碑之一。

很多時候，人工智慧被當做解決現有業務問題的權宜之計，並以此為賣點。不過，企業應該警惕：人工智慧並不是“快餐”，營銷人員不應該未經審視地迷信。另一方面，從定義上講，權宜之計也就意味著非個性化。最重要的是，企業需要的解決方案恰恰是根據他們的具體需要身量身定製的，而不僅僅套用符合所有人的需求的解決方案。

在進軍人工智慧領域之前，決策者應該先問問自己，公司是否需要人工智慧這一解決方案。如果一家公司沒有人工智慧適用的問題，例如處理海量的資料及運算，那麼他們就會明智地越過報刊上吹捧的這一科技，找到適合他們業務的個性化解決方案。

此外還要要明白，輸入垃圾等於輸出垃圾。當接觸到一個以內部、外部資料為基礎的新科技時，公司的決策者需要做到循序漸進。在探索基於資料的進行運算的技術之前，他們必須先學會將資料整理、分類。

人工智慧為B2B銷售商在供應鏈提供了更具操作性的見解

通過利用人工智慧優化B2B資料，電子商務工作者可以極大地提高效率，並在自動化庫存管理的同時獲取寶貴的消費者觀點。

Ray Grady，CloudCraze——唯一一家在Salesforce上創立的B2B商務平臺——的總裁及首席文化官：

雖然B2B還處於起步階段，但人工智慧有潛力從運營和購買體驗方面徹底改變電子商務。人工智慧將大量可運算元據交給企業，使他們能夠分析消費者需求和全方位資料，從而改變他們與客戶的業務往來，並改善內部運營。將消費者的瀏覽和購買習慣與天氣預報、區域趨勢和作物產量等外部資料結合起來，以便為供應商提供產品定價、庫存補充、產品促銷等方面的決策資訊。

另一方面，人工智慧讓B2B買家更容易管理庫存和自動化訂單，以確保庫存水平保持平衡。人工智慧幫助買家和賣家做出更多的戰略決策，從而節省時間、增加銷售量，獲取更多利潤。”

人工智慧正在創造一種更加個性化的數字體驗

零售商可以通過創造或改進前端個性化來改善客戶體驗，而人工智慧和機器學習都將是其後的驅動力。

ED Kennedy，Episerver——一家管理雲端數字內容，商業和市場營銷的單平臺供應商——的高階商務總監：

商業中的人工智慧常常被誤解和過度炒作。零售商應該將人工智慧視為另一種提升和改善客戶體驗的工具。人工智慧提高了客戶體驗的一個關鍵領域是個性化。毫無疑問，消費者對高度個性化商務體驗的需求將逐漸增加。根據Episerver《重構商業》的報告，超過三分之一的消費者認為品牌在個性化客戶體驗方面做得很糟糕——這意味著零售商最終會錯過一大筆的收入。

機器學習，人工智慧的一個分支，能夠利用消費者實時行為和歷史訂單資料來自動為消費者推薦個性化的產品、促銷和內容。令人興奮的是，我們現在看到了技術創新的零售商使用基於人工智慧的個性化體驗，不僅僅是在網頁和移動裝置上，還將之擴充套件到了實體商店，比如可選購的鏡子，或者用於展示顧客的產品分類。”

人工智慧正在幫助零售商解決三個歷史上購買過程中發生的棘手問題

搜尋、現實庫存管理和實時價格管理都能得到積極的影響。零售商需要仔細權衡，以便考慮如何優化。

Michael Fauscette，G2集團——一個商業軟體和服務評論平臺——的首席研究官：

在零售/電子商務領域，人工智慧的實際用途主要是解決3個基本問題:幫助客戶線上上線下找到他們心儀的產品；將“合適”的庫存量以“合適”的產品組合形式置放在“合適”的地方；實時價格調整以保持競爭力。

第一個問題是通過基於人工智慧的搜尋引擎——有時也被稱為“insight”引擎——以及使用聊天機器人管理互動來解決的。第二個問題是通過使用人工智慧來提供動態的庫存預測或訂單頻率預測，從而確定最佳庫存量和位置，以及優化產品銷售計劃的動態產品分類來解決的。第三個問題是通過動態定價引擎來管理的，它會持續監控定價，動態調整以保持產品價格的優化。

在所有這三種情況下，人工智慧可以為海量動態的資料集和產品提供輸出，同時這一引擎可以根據動態反饋進行實時學習和調整，以進行自我優化。

人工智慧樂於傾聽客戶的聲音

現在，消費者們可以接觸到動態人工智慧化的機器學習、自然語言處理（NLP）和語音分析反饋場景。這一點，加上深度的社會化傾聽和“情緒分析”，是另一個收集可信的消費者需求的機會。

Spencer Morris，InMoment——一家旨在為企業提供傾聽客戶和員工方式，從而優化客戶體驗的知名線上平臺——的副總裁兼大資料科學主管：

人工智慧已經被以非常實際的方式運用在工作中，這有助於簡化任務，將相關性和個性化融入到人機對話中，並促進人類的決策和執行。我們合作的一些品牌已經在反饋場景中運用了各種人工智慧元素（機器學習、自然語言處理、預測、語音分析等）。允許該技術基於消費者的反饋動態調整後續問題將會產生帶來更好的資料類人型對話。

人工智慧還被廣泛地應用到實時實地瞭解消費者在社交媒體上、視訊和電話對話中所表達的心聲，並針對各個方面的問題——從供應鏈問題到法律安全緊急事件，自動向企業的多個領域發出資訊傳遞。當前人工智慧的另一項商業應用是實時持續地挖掘大量現存的資料型別。

人工智慧“監視”人類對話中的模式，並針對潛在異常的事件作出預警。通過這種方式，業務使用者可以輕鬆地瞭解到異常發生的形式、地點以及原因，並據此採取明智的行動。這類人工智慧可以更準確地稱為SAI——超級人工智慧——因為它可以在幾秒鐘和幾分鐘內處理大量複雜、不同的資料——就連最聰明、最敏銳的人類分析師也無法做到這一點。通過將複雜事件和日常瑣事的自動化，並促進人類作出更理智判斷（在這一點上機器遠不及人類），人工智慧可以讓企業變得更聰明、發展更迅速，甚至更人性化。”

人工智慧正在徹底改變我們為客戶提供服務的方式

聊天機器人不再僅僅是一種風潮——它們被整合到各種各樣的，包括零售商在內的互動當中。有了機器學習和將訊息“叢集化”的能力，企業能夠更智慧、更準確地理解、評估和解決客戶的需求。

Greg Reda，社交媒體管理軟體Sprout Social的大資料科學主管：

聊天機器人的出現及發展對企業人工智慧應用的意義重大，但不像雜誌上炒作的那樣，科技界離真正的人工智慧聊天機器人還很遠。對於品牌來說，首先要關注的是解決問題方面，而不是人工智慧方面，最終目標是優化人機迴圈以提高效率。我們從社交客服團隊那裡瞭解到，他們每天都要處理大量的諮詢電話時，卻並不知道在開發聊天機器人時應該優先考慮哪些客戶問題。

這便提供了一個機會，即通過機器學習將類似的資訊整合集聚，最終篩選出常見的諮詢電話內容及主題。當客服團隊看到這些資訊群，便可以通過直覺瞭解到開發聊天機器人應該優先考慮哪些問題。在我看來，這種分類、分析以及將機器學習與人類決策相結合的方式是企業所面臨的最大的機遇。”

人工智慧將改變遊戲規則，幫助我們更智慧地實現目標

結合人工智慧的定向廣告，可以更為精確地將目標客戶鎖定。

Jason Nesbitt，Strike Social——一家社交廣告軟體和管理公司——的媒體和代理業務副總裁：

Strike Social報告和The Big Picture:2017 YouTube廣告基準報告顯示，YouTube廣告零售行業的觀看率比全行業平均水平低76%。18歲至34歲的人群受YouTube影響最大，零售部門需要弄清楚如何更好地吸引這一群體來推動銷售。這時就要靠人工智慧了。

通過使用機器學習演算法，廣告商可以在18到34歲的範圍內找到新的細分領域——包括人口統計（例如性別）和與平臺目標的（如不同的親合受眾）相關程度——並優化針對他們的活動。這種方法能夠為公司解決困難環節問題提供多種的途徑，從而取得更好的業績。”

人工智慧對實體店的影響深遠

實體零售商正在利用店內的聊天機器人，增加客戶參與度和購物體驗。只要機器人能提供相關的購物導航，消費者對這一概念的意願可能就會變得更有粘性，逐漸變得厭倦。

Matt Fleckenstein，Nintex——一個工作流和內容自動化（WCA）軟體和平臺——的首席營銷官：

越來越多的零售商將人工智慧技術應用於店內體驗，通過使用機器人和店內聊天機器人來增加使用者的參與度，幫助消費者在店內找到他們需要的東西。如今，這些體驗主要集中在使用機器人接受和理解消費者的語音指令，幫助消費者找到合適的產品，從而幫助消費者找到感興趣的產品。零售商甚至開始測試機器人為客戶挑選和包裝客戶訂單。

此外，根據麥肯錫的資料，電子商務長期以來一直在利用人工智慧來獲得產品推薦——亞馬遜35%的採購來自基於演算法的推薦，這些演算法會將過去的顧客購買、搜尋產品和其他人的購買行為與消費者的購買行為聯絡起來。對於像亞馬遜的Alexa這樣的語音控制助手，從簡單的命令執行發展到開始獨立製作產品推薦只是一個時間問題（可能是在幾天或幾周內）。

人工智慧正在優化線上購物體驗

Barry Pellas，數字轉換機構PointSource——Globant子公司——的技術長和首席商務專家：

人工智慧真正的價值在於其促進運營、優化購物途徑的作用——零售商需要在“確定最實際的用途”這一點上投入時間，以確保他們不會在沒有戰略價值的情況下部署解決方案。

將人工智慧應用於零售業的關鍵是將實際技術與運營良好的店面相結合。零售商每天通過分析瞭解顧客的更多資訊，另一方面，兌換渠道正影響著他們的成功指標。這兩個成功的關鍵因素與人工智慧結合的實際應用可以幫助終端使用者實現更個性化的體驗，並幫助使用者進行兌換。

零售商可以利用人工智慧來預測可能的兌換渠道，並讓它無縫地跳轉到下一個步驟。如果購物者的兌換需要四個步驟，他們能以一定的準確度來預測該客戶將會在每一步中實現這一目標的可能性，並將其進一步推向兌換目標。這種型別的練習將形成一個迴圈，在這個迴圈中，分析會進一步推動預測，機器將學習最優的方式來幫助使用者縮短兌換途徑。

人工智慧成功整合到零售系統的關鍵在於，它將永遠與系統使用者保持聯絡。如果你沒有改善各類使用者的生活，那麼利用人工智慧這一新技術可能是另一途徑。”

隨著機會的擴大，人工智慧的門檻將會降低

隨著越來越多的玩家加入到人工智慧遊戲中，它不僅可以提供更多機遇，還能降低發展人工智慧所帶來的風險——因為道路已經被鋪平了。

Erik Brown，West Monroe Partners——一家商業和技術諮詢公司——的技術總監：

現有資料的龐大數量，以及像谷歌的TensorFlow和Spark MLLib這樣的可訪問機器學習庫的普及，讓開發者有了更多的選擇來開發可以真正學習和互動的軟體。人工智慧技術壁壘的降低將為那些通常沒有足夠研發預算的零售商和其他組織開啟大門。

例如，現在的產品推薦可以由更智慧的模型驅動，這些模型將時實根據消費者情況得出最優選產品。也許從最近的交易歷史中學習可以預測一個日常事件並提供相關的建議，或者分析最近的發貨延遲可以觸發實時互動或請求，以降低消耗、取消支援請求。正如Netflix旨在預測使用者開啟應用時想觀看的內容一樣，零售商需要找到機會，從個人行為和其他相關資料中學習，通過合適的渠道提供有意義的活動。”

人工智慧將帶來前所未有的個性化程度

個性化服務預計將達到新的高度，而在整個端對端電子商務運營中，零售和客戶體驗都將產生顯著提高的產出和交付。

Ken Yontz，1 WorldSync——全球領先產品資訊網路——的全球轉型管理副總裁：

人工智慧有潛力從供應鏈的深度到面向客戶的內容改變整個電子商務生態系統的產品資料。隨著時間的推移，這項技術將讓製造商對消費者最重要的產品和標準有更加深入的瞭解，他們可以利用這些技術來優化採購和戰略產品開發。在消費者方面，我們將看到針對每個人的個性化資訊，而不是“適用所有模式”的資訊模板。對於消費者和生產者，產品資料都將提供資訊、個性化和可執行的資訊。”

1. 什麼是區塊鏈（Blockchain）？

要說近期得到各行各業關注和討論的熱點，區塊鏈必須算一個：迄今為止，2016年全球最大的投資專案都與區塊鏈相關，投資金額分別在5500萬 美元和6000萬美元，國內最大的一筆區塊鏈專案也在9月底以超過2000萬美元的投資規模宣佈。 區塊鏈的魅力在哪裡？若說今天的網際網路是資訊通過TCP/IP協議進行點對點的傳遞，是資訊網際網路，那麼，價值（比如電子貨幣、電子資產等） 怎樣才能脫離第三方進行點對點的轉移？區塊鏈技術就提供了一種可能。 區塊鏈是去中心的分散式記賬系統。系統中的節點無需互相信任，通過統一的共識機制共同維護一份賬本，每個節點都有一份完整的資料記錄。 區塊鏈 Blockchain, 成塊（block）的交易通過密碼學演算法連線在一起，使得整個賬本公開透明、可追蹤、不可篡改。 比特幣作為全球通用的加密網際網路貨幣，就是基於區塊鏈技術發展起來的，而區塊鏈上智慧合約的支援，使更廣泛的、比特幣以外的數字資產的 點對點轉移變成現實，這就不難理解，為什麼區塊鏈技術會作為價值網際網路的基石而變得引人注目了。

2. 什麼是以太坊（Ethereum）及其開發者大會（Devcon）？

以太坊（Ethereum）作為全球最為知名的區塊鏈專案之一，同時擁有全球最大的區塊鏈開源社群。 簡單說，以太坊是一個有智慧合約（SmartContract）功能的公共區塊鏈平臺。用智慧手機打個比方，如果說以太坊是智慧手機的作業系統，那 麼智慧合約就是上面搭載的應用（app）。有了以太坊，使用者可以直接開發自己的區塊鏈應用，而無須擔心底層的區塊鏈系統。 此次是第二屆以太坊開發者大會，不僅以太坊核心團隊成員悉數到場，還匯聚了來自世界各地的以太坊行業代表、開發者和社群成員。微軟是大 會頂級贊助商，將與以太坊繼續合作打造Microsoft Azure雲端“區塊鏈即服務”（BaaS: Blockchain-as-a-Service）。

以太坊紫色革命

在今年的大會上，以太坊創始人Vitalik Buterin 釋出了描述下一代以太坊（以太坊2.0）關鍵改進的紫皮書（Mauve Paper），直指以太坊存在的兩大問題：以工作量證明（proof-of-work）為基礎的共識機制低效、耗能、不綠色環保，以及以太坊公鏈系統吞吐量 （throughput）和容量均不足以支撐全球大範圍高頻次使用。

針對第一個問題，紫皮書提出一個新的基於權益證明（proof-of-stake）的共識機制，命名為Capser，能讓參於“挖礦”的方式，從原來重金購入大量通用計算機或專門定製“礦機”並消耗電力能源進行大量“無用”計算來爭奪區塊的構造和收益權，轉變成直接將資金兌換為以太幣注入以太坊區塊鏈，“挖礦”相關的智慧合約（Smart Contract）自動根據資金的注入量成比例隨機分配區塊的構造和收益權。配合一套設計精巧、賞罰分明的經濟學激勵措施，這一新的共識機制有望使以太坊公鏈變得更安全、更高效和更綠色。

不過，基於權益證明的新共識機制的複雜度顯著高於基於工作量證明的現有共識機制，部分社群成員對新機制的可靠性和正確性還存有疑慮，仍有待投入大量精力和時間以共同完善和驗證。

針對第二個問題，關於吞吐量和容量的侷限，紫皮書提出了縮短區塊產生間隔時間（blocktime）和分割槽（sharding）這兩個解決方案。

在保證安全的前提下，新的演算法把區塊產生間隔時間從12秒降低為4秒，使吞吐量提升為現在的三倍。新的分割槽機制將區塊鏈分為80個相對獨立的分割槽（sharding），以太坊的每個節點無需處理全網所有事務（transaction）和儲存全網所有的資料，只要關注其中一個或幾個分割槽的事務和資料即可，所有節點通過分工配合來完成覆蓋所有分割槽的目標。這麼做能使以太坊的容量增大為現有的80倍。同時，由於各分割槽的事務可以併發處理，吞吐量再獲提升，變為現有水平的240倍（3x80）。

但這麼做也是有代價的：分割槽之前，一個事務無論涉及到多少個智慧合約，對所有這些智慧合約狀態的修改都能原子化地完成，這個性質極大簡化了智慧合約的程式設計和推理。分割槽之後，一個事務如果涉及到跨區的智慧合約呼叫，由於跨區呼叫只能通過非同步的方式完成，一個事務會被分段執行而失去原子性，這在本質上改變了智慧合約的執行模型，增加了推理和程式設計的複雜度。這就是擴容的代價。

儘管如此，作為價值網際網路的核心基礎設施，由以太坊代表的支援智慧合約的區塊鏈技術平臺正以激動人心的速度不斷突破技術難題向前發展，值得進一步跟蹤、研究與參與。

智慧合約的安全

簡而言之，智慧合約就是一段用來直接控制電子資產交易的計算機程式碼。智慧合約與區塊鏈的關係可以類比為手機應用與智慧手機，智慧手機為手機應用提供計算平臺，而多樣化的手機應用極大地豐富了智慧手機的應用場景。與此相類似，智慧合約可以和區塊鏈技術無縫對接，使區塊鏈可程式設計化、可定製化，智慧合約因此賦予了區塊鏈智慧，使區塊鏈可以突破匯款這一傳統的應用，讓區塊鏈可以應用在更復雜的邏輯中。

智慧合約區別於普通程式程式碼的強大之處，在於它被公開而不可更改地儲存在區塊鏈之上，在定義好的內外部條件下得到區塊鏈全網節點的忠實執行。任何人都不可能單方面篡改和阻止智慧合約的執行。這是智慧合約值得信賴的根本原因，卻也是智慧合約的“天生缺陷”，因為這個性質使智慧合約的漏洞不能得到及時修復，利用漏洞的攻擊行為也難以被及時阻止，從而造成實實在在的危脅。

這方面已經有了實際的例子，最有代表性的就是The DAO攻擊。The DAO專案作為區塊鏈業界最大的眾籌專案，目的是給基於以太坊的創業團隊和專案提供重要的資源，但是其編寫的智慧合約存在“遞迴呼叫漏洞”的問題。不幸的是，在程式設計師修復這一漏洞及其他問題期間，一個不知名的黑客開始利用這一漏洞收集The DAO代幣銷售中所得的以太幣，導致The DAO損失了接近5000萬美元。為挽回巨大損失，以太坊社群採取了充滿爭議和極具道德風險的硬分叉（hardfork），回滾到攻擊發生前的區塊，重新生長出一條不包含攻擊結果的區塊鏈。新生成的鏈雖然符合社群的主流民意，但由於違背了區塊鏈不可篡改的原則，至今仍然受到社群一部分成員的抵制。

值得特別強調的是，這不是以太坊平臺的本身漏洞，而是以太坊上某些智慧合約出現了漏洞。新加坡國立大學的博士研究生Loi Luu在此次大會介紹了他關於智慧合約安全性的論文[1]，分析了以太坊區塊鏈上19366個智慧合約，發現大約44%的智慧合約存在安全風險。

有效防範這些風險是智慧合約得到廣泛應用的前提，因此，開源社群和學術界一樣都在抓緊解決智慧合約的安全問題。由來自康奈爾、加州大學伯克利分校、伊利諾伊大學厄巴納-香檳分校和以色列理工學院等學術機構的研究人員組成的IC3研究組在會上提出瞭解決智慧合約安全問題的三板斧：對智慧合約進行形式化驗證，在智慧合約中內建危機應對機制，建立發現和修補智慧合約漏洞的激勵機制。微軟研究院、法國國家資訊與自動化研究所和哈佛大學三個研究機構的研究人員也在近期共同發表文章，闡述在對以太坊智慧合約平臺本身（以太坊虛擬機器）和智慧合約的形式化驗證方面進行的前沿探索[2]。

Web 3：去中心化的下一代Web基礎設施

以太坊生態系統中的重要成員，去中心化儲存系統Swarm，其核心開發者Viktor Trón在會上通過一系列演講，描繪了一個以以太坊為核心的去中心化的Web願景：Web 3。

在這個巨集大的願景中，以太坊作為一個去中心化的計算平臺，輔以Swarm和IPFS（InterPlanetary File System）作為去中心化的加密儲存平臺，以及以Whisper為代表的去中心化的訊息傳遞平臺，構成一整套以P2P網路為核心的下一代Web基礎設施。基於這種基礎設施開發的去中化應用（Dapps），直接使用由分佈於全球的P2P網路提供的儲存、計算和訊息服務，具有高容錯、抗攻擊、高可用、反審查等特點。這使得去中化的應用開發者不再需要架設和維護專門的伺服器，而是通過應用的使用者直接向P2P網路購買所需的計算和加密儲存服務來使用這些應用，天然就獲得了自己資料的擁有權和控制權。這跟現有的Web架構下，所有使用者資料天然集中於由應用或網站的開發者架設和控制的伺服器的情況，有著革命性的區別。讓這一切成為可能的，正是以區塊鏈技術為基礎的全球性去中心化的電子貨幣系統。

Web 3作為一種去中心化的雲端計算平臺，是對現有的集中式雲端計算平臺的有益補充。現有的集中式雲端計算平臺有著去中心化平臺所不具有的低成本、高效率、高效能、功能豐富等特點，而去中心化的雲端計算平臺由於不被單一實體控制，更適合構建中立性要求極高、跨機構的信任基礎設施。這兩者不是互相取代的關係，而是共存共生、相互借鑑而共同發展的關係。展望這兩種雲端計算平臺在未來的碰撞和交融，一定異常精彩，必將促進雲端計算技術和雲端計算生態系統的進一步發展，推動雲端計算技術更為深刻和廣泛地影響人類生產與生活的方方面面。

隨著網際網路的普及化以及物聯網的快速發展，人們產生的資料也越來越多。早幾年前，馬雲就突出了當前是“DT”時代的說法。但資料的多並不代表著就是好事，只有被利用起來的資料才是好事。有人將資料稱為是“新石油”，這個比喻是非常恰當的。因為石油本身沒有任何價值，它必須被提煉成汽油或塑料才有價值。同樣地，我們都被大量的資料淹沒了，但為了獲得真正的價值，這些資料必須被提煉成商業見解。文章發表在ZDNet，由36氪編譯。

我們生活在一個越來越依賴資料的社會，資訊正變得和金錢一樣。例如，許多消費者使用谷歌、Facebook、亞馬遜、微軟和蘋果等網際網路巨頭提供的免費服務。作為服務的回報，這些公司可以追蹤他們的線上行為，並進行商業化變現。

當前，這種交易的最大的問題之一就是開放性，人們的個人資訊（有時是無意的）會洩露給為他們提供網路服務的企業。近期在大西洋兩岸的投票都表明，有些資料管理機構能夠利用大量的使用者資料（包括人口統計資料、消費者行為和網際網路中的活動），來對廣告、新聞報導和服務進行微觀定位，以完成特定的目的。

顯然，資料閘門現在正在向各種規模和型別的企業開放。通過及時的分析，能夠給企業帶來很多的競爭優勢。雖然說目前大部分企業都把目光偏向到客戶行為上，但資料可以在產品或服務供應鏈的多個環節中獲得，而且有多種形式——傳統的（結構化的）、臨時的（非結構化的）、實時的、物聯網——或者是M2M（譯者注：M2M全稱Machine to Machine,是指資料從一臺終端傳送到另一臺終端,也就是機器與機器的對話）生成的，等等。

成功利用大資料的公司可以節約成本，並提高運營效率，從資料驅動的創新中獲得豐厚的回報。同時，大資料也可以幫助企業實現數字化轉型，讓它們能夠在面對任何顛覆性的創業公司時保持競爭力。

然而，有用的商業見解不會自動從各種各樣的資訊中浮現出來。企業必須識別、組織和分析可操作的資料，並將資料分析的結果與業務相關部分結合起來。這需要規劃、預算以及合適的工具和專業知識等支援。

資料量到底有多少？

人們會定期估算每年全球產生的資料量，以及以何種形式產生資料。早在2014年IDC和EMC釋出的報告中，2013年的資料量有4.4 ZB，即4.4萬億GB，並預測2020年這一數字將增長至44 ZB，每兩年翻一番。根據IDC和Seagate的資料，估計2025年的資料量為163 ZB，比2016年的16.1 ZB增加10倍。

IDC 和Seagate報告還預測，全球範圍內的大部分資料來源將從消費者轉向企業，後者產生的資料在2025年將佔到整體的60%。根據這份報告，推動這種轉變的趨勢包括：資料從作為商業背景到決策關鍵的轉變；嵌入式系統和物聯網的發展；改變現狀的認知/人工智慧系統的發展；移動和實時資料的產生；以及安全正在逐漸成為一個關鍵的基礎等等。

所有這些資料都需要一個“家”，要麼是永久的，要麼是暫時的，這就解釋了Seagate這樣的儲存公司是怎麼掙錢的。

在釋出這份報告的宣告中，Seagate執行長Steve Luczo表示：

雖然我們可以從研究報告中看出大資料時代已經到來，但資料的價值並不是‘已知的’，而是‘未知的’，我們嚴重低估了這一潛力。真正令人興奮的是分析‘新業務、新思維和新生態系統，從機器人和機器到機器學習等行業’，以及它們帶給我們社會和經濟的影響。資料能夠給今天和未來的企業家帶來巨大的價值，我們的全球商業領袖將在未來幾十年裡探索這些機會。”

都有哪些資料？

當然，並不是所有資料都能夠用於分析。例如，在2025年的資料時代報告中，IDC估計到2025年，全球資料中大約20％的資料對我們的日常生活至關重要，其中10%的資料將會是“超級關鍵”的。

該報告指出：“超級關鍵資料的出現，迫使企業必須開發和部署資料採集、分析和基礎設施；保證資料儲存的可靠性、可用性以及更安全的系統；並進行新的業務實踐，甚至制定新的政策與規定，來減輕、轉移和削弱潛在的負債風險。”

人工智慧和機器學習將越來越多地參與到大資料分析中，這進一步限制了可用的資料量。在報告中，IDC估計，到2025年底，全球資料中被標記的只有15％，所以才適合人工智慧/機器學習分析。

大資料趨勢和預測

每年，各種技術領域的專家都會對當前的趨勢進行總結，並對未來12個月做出預測。大資料也不例外，我們整理了多個專家在2017年做出的預測，並對這些預測進行了分類。以下是一些分析結果：

資料主要來自：Acodez，Big Data Made Simple，Datafloq，Datameer，Enterra解決方案，Gartner，惠普，IBM，Infogix，MapR，甲骨文，Ovum，Pentaho，Quantzig，RTInsights，Sysmech，Tableau軟體

對於大資料行業觀察者來說，2017年最有影響力的領域是人工智慧、機器學習、自動化和認知系統。例如，分析公司Ovum認為，“機器學習是一個巨大的顛覆者”、“嵌入式機器學習的分析應用正成為常態”。

如果企業要避免被資料淹沒，提高自動化水平幾乎是不可避免的——或者，正如Enterra Systems所言：“隨著資料量的增加，人工智慧將變得越來越重要。”

另外一個重要的話題是“資料驅動的商業決策”的出現。甲骨文簡潔地指出，“應用，而不僅僅是分析，推動了大資料的程式”，而Gartner預測“資料和分析將推動現代商業運營，而不僅僅是反映他們的業績”。

此外，在2017年的預測中被廣泛關注的還涉及資訊、資料科學與資料工程、大資料擴散與治理以及基於雲的分析與整合資料服務。

一些調查報告

自2012年以來，管理諮詢公司NewVantage Partners（NVP）一直在調查財富1000強企業的大資料部署情況，並於2017年4月釋出了第五份報告（調查物件是這些公司的管理者）。

NVP的大資料調查顯示，80.7%的受訪者認為他們的大資料投資是成功的，有48.4%的受訪者表示“結果是可以測量的”。後者被細分為“極致成功”（顛覆性/創新/變革型，21%）和“非常成功”（進化型，27.4%）。

正在進行的各種大資料相關專案中，排名第一的是“通過運營來降低成本，提高效益”，佔比72.6%。68.7%的受訪者認為這是一個“為創新和顛覆創造新的途徑”。

儘管有很多公司都啟動了相關專案，並取得了不小的成果。但根據NewVantage Partners的報告。在《財富》1000強的企業中，似乎仍難以建立資料驅動的企業文化:69.4%的公司已經開始採取行動，但只有27.9%的公司表示有效果。

在為什麼難以建立一個資料驅動的企業文化問題中，NVP的調查發現，“組織協調不足”的比例在42.6%左右，排在“缺乏中層管理人員接受和理解”（41%）和“商業阻力或缺乏理解”（41%）之前。

上面的圖表顯示，難以建立一個資料驅動的企業文化的阻礙是業務部門，而不是IT部門。因為資料整理、技術理解和資料分析方法等問題基本上沒有多少應答者提及（小於30%）。

首席資料官（CDO），是企業具有資料驅動型的文化，或正在實現這一目標的關鍵指標。調查顯示，財富1000強的企業近年來在這方面取得了進步。

雖然說，擁有CDO的公司的數量已經從2012年的12%提升到了2016年的60%。但是大多數（56%）受訪者認為他們目前的角色是“防禦性”的——主要是對監管和合規要求做出反應。

展望未來，受訪者認為CDO應該變得更具“攻擊性”——帶頭推動創新，打造資料文化，並將資料管理轉變為企業資產。

這大概就是為什麼大多數人（53.4%）認為，CDO應該向執行長（35.6%）或營運長（17.8%）彙報，而不是資訊長（15.6%）。

NVP的調查還詢問了受訪者，除了大資料之外，還有什麼會在未來10年裡對自己的企業產生影響。人工智慧和機器學習的排名靠前，這一點也不奇怪——無論是單選還是多選。

從歐洲的角度來看，我們研究了荷蘭資料諮詢公司GoDataDriven的大資料調查，調查物件來自2016年荷蘭的大資料博覽會參會人員。共有315人，包括168名高管和147名經理。

當被問及成功推進大資料為企業的主要驅動力有哪些因素時，71.4%的受訪者表示是“清晰的願景”，其次是“管理層的支援”（51.2%）和“系統支援和流程支援”（40.1%）。

與上面的NewVantage調查一樣，當涉及到大資料戰略推進的阻礙時，“業務”因素似乎比“IT”問題更突出。

當然，這並不是說IT問題不重要。當被問及建立大型資料基礎設施的挑戰時，排名靠前的兩種回答涉及資料質量和資料可用性：

一旦有了足夠多的高質量資料時，在企業以資料為驅動力的流程建立好之後，受訪者將“大資料知識和資料科學的訓練”列為最大的挑戰，佔比47.4%。

與NewVantage Partners一樣，GoDataDriven也向受訪者詢問了人工智慧的情況。儘管目前只有14.3%的人實際運用了深度學習和人工智慧，但52%的人要麼正在開發，要麼計劃在三年內運用深度學習和人工智慧。

人工智慧肯定是在公司的議程上，但顯然是在早期階段：在這一領域中，只有五分之一（21.5%）的受訪者表示沒有計劃。

專家怎麼看？

為了解大資料的執行狀況，我們採訪了Sumit Nijhawan。他是提供資料治理解決方案企業Infogix的執行長和總裁，他們對2017年資料趨勢進行了前瞻性分析，以下是採訪中的一些關鍵觀點。

“幾乎所有的客戶都有一個大資料計劃，許多專案都進行了大量的投資。但他們所取得的進步，他們從投資中獲得的價值，往往無法達到預期效果。”Nijhawan一開始就這樣說道。

他補充說：“我們正在與客戶合作的一些事情，我們認為是可以帶來變革的。主要是資料治理、資料準備、自助服務和更小的資料湖（譯者注：資料湖泊是包含下面兩個特徵的資訊系統：a.可以儲存大資料的並行系統；b.能夠在資料不移動的情況下進行計算的系統）部署的結合。”

問：所以你會說，從大資料中獲取商業洞察的主要瓶頸是“發現公司所擁有的有價值資料，並使其可供分析”？

“是的，大部分的關注點都是提供儲存環境——Hadoop，並讓每個人都能將任何資料轉儲到其中。”這裡要注意兩件事情：首先，向Hadoop儲存資料的目標是什麼？其次，即使資料存在，但是無法管理，無法搜尋，也無法挖掘，而且也沒有辦法使用資料去吸引消費者，來幫助企業獲得價值。它非常依賴於技術，仍然需要技術人員來處理它。這並不是從這些投資中獲取價值的最佳方式。”

問：這是否意味著“業務”與科技之間存在脫節——組織需要培養“資料文化”，讓業務部門知道如何正確地分析資料，併產生商業洞察力？

“我們當然需要以資料驅動的企業文化。這並不是IT人員不想分享的東西。只是他們有這些工具，他們覺得自己做得很好，但他們並不知道分析資料最終的目標是什麼。這就是為什麼需要業務驅動了，否則很難實現任何有意義的事情。”

問：在許多組織中是否存在缺失的一環——首席資料官（CDO），誰能將業務部門連線到IT部門？

“這絕對是一個缺失的環節，但我不會說這只是一個人的問題。剛剛提到的“資料文化”指的是人、流程和技術，以及資料本身。這實際上是一個關於端到端的流程：這是如何從資料中獲取所需資料的方式，也是如何處理資料的方式，更是如何交付資料的方式。這個端對端流程需要由業務負責人來發起，當然也可以是CDO。如今，首席資料官這個職位的問題在於，在許多企業中，它幾乎都是一種官僚主義的立場：該CDO據稱具有影響力，但最終卻成為了供應商用來推銷技術的人，而不是那些為了實現商業目標而在那裡工作的人。”

問：當你與客戶交談時，目前哪些資料相關的技能最火？一些分析人士發現，企業對資料科學家的需求有所減弱。

“我認為需求正在減弱，但這並不是因為資料科學家的數量太多了。而是因為現有的資料科學家無法實現企業想要的價值。因此，問題就變成了：如果企業沒有獲得價值，那麼招募更多的資料科學家有什麼意義？為什麼企業的運營人員、資料分析師不能更好的處理這些資料呢？

老實說，他們可以做到，因為資料科學家所解決的80%的問題都可以通過20%的演算法來解決——而且這些演算法都以易於使用的方式公開了，資料分析師和業務分析師可以將這些資料整合到運營和業務流程中。我認為這種情況正在發生，結果是對資料科學家的需求減少了。”

問：我們經常聽到“自助式”分析，讓更少的專家參與進來。你認為這個技術發展到什麼程度了呢？

“我們對客戶的做法是，我們首先會看到他們的資料湖專案在什麼地方，然後告訴他們：也許你不需要花幾個月和數百萬美元來使用這些整合的開源技術。我們將為你提供一個完全自助服務的端到端裝置，裝置中所有東西都整合了，你所要做的就是使用這些資料來進行決策。你可以解僱你的業務人員，資料科學家，無論誰。這在市場上獲得了很大的吸引力。

問：每個人都在談論機器學習和人工智慧，你認為它將會在大資料領域發揮作用嗎？

“它已經存在了一段時間了，但是現在有很多關於它的新聞。就像我之前說過的那樣，80%的問題可以通過20%的機器學習演算法解決，比如切分、推薦、分類、迴歸和預測。我們關注的一個領域是大資料的質量，傳統的資料質量一直都是關於精確匹配規則和重複規則等方面。現在資料量很高，人們向資料湖儲存更多的資料，他們並不知道確切的規則是什麼。相反，我們正在使用機器學習演算法，比如切分和分類來尋找異常值。這就是機器學習已經增加了很多價值的地方——但同樣的，你不需要非常成熟的資料科學家來做這件事。”

問：最後，你是否認為，隨著自助工具的出現以及非專家、甚至“公民資料科學家”的參與，大資料領域正在進行民主化？

“我認為這是會發生的。這是對‘大資料’的投資能夠持續、價值實現的唯一方式——沒有其他選擇。在IT和供應商領域，有足夠多的人來推動這個問題，並找到能夠實現這一目標的方法，可能還有三到五年的時間。在這期間，人們可能不會過多談論“大資料”。相反，他們會談論以自助服務方式交付的大資料的分析結果。”

前景

關於資料的各個方面還有很多，未來也會有更多的資料，但如果要經常把大資料轉化為有價值的商業見解，企業還有很多工作要做。資料驅動型企業文化的建立以及資料科學家和工程師的增多（無論是從外部招募還是在內部培訓），都將有助於推動這一過程，至少在短期內是如此。

正如天文學家Clifford Stoll所說：“資料不等於資訊，資訊不等於知識，知識不等於理解，理解不等於智慧。”

因此，資料科學家和工程師將需要從大量不同種類的資料中提取資訊和知識，資料驅動的文化將確保提出正確的問題，從而讓理解——甚至是智慧——到達企業的相關部門。

展望未來，自動化水平越來越高——尤其是在資料準備領域，以及自助服務分析工具的普及，將使專家之外的運營人員輕鬆獲得從資料中得出的見解。

這只是ZDNet釋出的從資料中提煉商業見解報告的一部分，如果你對報告有興趣，請點選這裡下載報告。