转载

除了聊天机器人，还有这些服务也属于智能应用生态

应用智能（application intelligence）的概念是指运用机器学习技术开发应用，使其具备利用历史或实时数据进行预测或决策的能力，从而为用户提供丰富、多变和个性化的体验。

我们认为现在每一个能够取得成功的新应用都将属于智能应用的类别。

比如当前十分热门的聊天机器人和虚拟助手，能够在适时推荐合适商品的电商网站，以及最新的约会应用，这些都是能够通过不断学习改进用户体验的应用。

此外，为了保持自己与众多新兴应用的竞争力，传统应用也在变得越来越智能化。

由于应用开发领域开始出现几个重要趋势，因此眼下正是向智能应用生态投资的绝佳时机：

机器学习模型能够得到强大的计算能力和廉价储存的支持；
开发者能够比较容易地使用机器学习技术；
微服务的采用已经成为了应用开发的一种固有模式；
应用开发平台的普及，尤其是基于文本信息和语音等“自然用户界面”的开发平台。

我们对智能应用的多种出现形式和开发方式进行了长时间的研究。我们发现这轮智能应用大潮的背后有多项重要技术的支撑。

作为风险投资人，我们想探讨一下这场产业转变的市场动力，我们相信智能应用的兴起肯定会为创业公司和大型技术公司创造许多新的机会。

以下是我们从智能应用生态链总结得出的几个重要层次：

“客户端服务”

应用将通过机器学习定义终端用户的体验

除了聊天机器人，还有这些服务也属于智能应用生态

在应用层面我们将会看到两种主要的应用类型：由应用智能驱动的全新应用，以及被应用智能改进的现有应用。

全新的应用需要解决两个难题，一是确定有多少终端用户会为“人工智能”买单，二是它们能否分享自己为用户创造的价值。或者更直白一点的说法是，机器学习的价值主张能否为企业创造收入。

另外，由于机器学习模型需要高质量和高相关度的数据，因此我们认为专门针对特定行业或用途的应用将会在客户端服务或应用层面带来最直接的机会。

目前我们看到主要的专用应用类型有自动化系统、安全与异常检测、销售与营销，以及个人助理。我们也看到了许多针对垂直行业的智能应用，尤其是在零售、医疗、农业、金融服务和生物科技等行业。

在这方面最顶尖的应用分别来自电商领域的亚马逊，搜索与广告领域的谷歌，社交领域的 Facebook，交通运输领域的 Uber，以及娱乐领域 Netflix。

尽管这些公司在机器学习和用户数据方面有着非常大的先发优势，但是我们相信以后它们将会被一些在核心上更为智能的应用击败，而且还会出现更多由应用智能驱动的领域。

界面

新的界面会将应用转变为跨平台的“宏应用”

除了聊天机器人，还有这些服务也属于智能应用生态

至于新的智能应用将会以怎样的方式开发出来，我们认为其中一种重要方式是“应用”转变为一种可以通过任意界面提供的服务或体验。例如，我们将会看到像 Uber 这样的公司开发出可以通过应用、网页或者语音界面提供的“服务”，

如果公司能够按照“微服务”的形式来设计自己的应用，那么他们将会更容易提供跨平台的服务，因为在这种形式下，整合到一个新的平台就像是增加一层新的 API 一样简单，你可以随意连接到用于身份验证、产品目录、库存管理和内容推荐等各种功能的微服务。

对于开发者来说，Slack、FacebookMessenger、Alexa 和 VR 商店等新平台的兴起也是一件好事，因为各个平台将会变得更加开放，加入更多方便开发者的功能，还会以提供奖金的方式来吸引更多开发者。

最后在界面层面，我们看到文本、语音和视觉等“自然界面”正在打开一些全新的领域，比如对话式商务和增强现实/虚拟现实。我们非常看好这些界面的未来，因为这些是人类本来与外界交互的方式。

基础模块与学习服务

智能基础模块与学习服务会是应用背后的大脑

除了聊天机器人，还有这些服务也属于智能应用生态

随着各家公司开始采用微服务的开发模式，应用将能随时接入不同的机器学习模型和服务来实现特定的功能，这是越来越值得关注的一个领域。我们认为这个领域有两种类型的公司，一种是提供原始机器智能的服务商，另一种公司提供的是经过训练的机器学习模型，也就是“模型即服务”。

第一类公司会向开发者提供开发智能应用所需的“元件”或核心基础模块，比如算法和部署流程。至于第二类公司，我们认为它们是一种中介服务，它们会帮助其他公司随时接入经过预先训练的模型，用于实现图像标记、自然语言处理或者产品推荐等功能。

这两类公司实现了智能应用背后的大部分价值，但是这里的一个关键问题是，它们应该如何确保这些基础模块可以分享它们为终端用户创造的价值。

IBM Watson 平台采用的方法是免费向开发者提供 API 接口，但它会在应用推出之后抽取 30%的收入作为分成。另外一些公司会根据 API 调用、计算时间或虚拟机的使用来收费。

处于这个层面的公司如果想做到差异化竞争，关键在于能否为开发者提供优秀的用户体验，同时也体现在它们的机器学习算法和模型的准确度和性能上。

对于像自然语言理解这种复杂而通用的问题，采用预建的模型将能更加简单高效地生成最佳的数据、模型和流程。但是对于一些特定的问题，创业公司和大型企业将需要构建它们自己的模型和数据组。

数据收集与预处理

数据收集与预处理这种枯燥而高难度的任务将会变得更加智能

数据在输入机器智能工作流或模型之前需要先经过收集、整合、清理和预处理。来自消费者和企业应用的数据包括照片、视频、网站、文本、用户行为数据、IT 运维数据、物联网传感器数据以及网络数据等。

应用收集到的原始数据需要转换成适合机器处理的格式。例如，公司可能需要将文本文档和照片这种散乱的数据转换成结构化的数据，方便机器进行处理。

这一步骤的重点是认识到模型的处理质量很大程度上取决于输入数据的质量。没有得到高质量训练数据的聊天机器人或“人工智能”可能会产生无法预料的后果（这点请参考微软的 Tay）。这些训练数据的生成通常需要依赖一些半人工的处理流程，比如众包或历史数据组匹配。

这个领域另外值得关注的一个方面是提供数据来源渠道的公司，比如点击流数据或应用运行记录。它们将会尝试开发出一些数据预测和调整的功能，但同时也要面临智能服务的竞争，后者会从同样的数据来源中得出分析结果。

这将是财务、客户关系管理、IT 运维、营销、人力资源和其他关键企业职能的创新方向，以往这些职能在收集数据的时候是无法得到即时的分析结果的。未来的人力资源软件将能更及时地向面试者提供反馈，以及根据现有员工的历史数据找出最适合某个职位的求职者。

数据基础架构

智能应用将建立在大数据技术堆栈的基础之上

除了聊天机器人，还有这些服务也属于智能应用生态

全世界的数据总量每隔 18 个月就会翻一番，面对大数据的爆发性增长，许多企业都在大力投入数据储存和分析技术。

一直以来，Hadoop 和 Spark 等项目都是应用智能生态的主要驱动力量，而且它们也会一直在智能应用堆栈中扮演重要的角色。用户在选择数据分析基础架构的时候会非常看重开源功能，因为他们想彻底了解这个平台，并避免遭到服务商的锁定。

在基础架构即服务（IaaS）领域中，每家大型云端服务提供商都会争相支持智能应用背后的巨大运算量。我们可以看到谷歌的 TensorFlow ML 等开源服务都在争取企业和开发者加入自己的平台。谷歌是其中特别值得关注的一家公司，因为它向用户提供的机器学习模型是经过全世界最大的数据组训练的，这些模型将能帮助企业发展自己的核心 IaaS 业务。

最后，照片、视频、日志、交易和物联网数据都需要由专门的硬件公司负责储存和管理，这些公司将能很好地帮助企业处理智能应用不断生成的新数据。

除了聊天机器人，还有这些服务也属于智能应用生态

我们认为上图列出的各个层次都能从智能应用生态中分一杯羹，而且随着机器学习的不断发展，我们将会看到一些垄断某个领域的公司出现。在智能应用的世界中，数据是最重要的，能够产生最高质量数据的服务将会进入一个良性循环——更多的数据可以实现更好的模型，更好的模型带来更好的用户体验，更好的体验会吸引更多的用户，这样又可以产生更多的数据。

十年之后的大部分应用将会变得智能化，机器学习在其中所起的作用就相当于过去十年的云计算技术。现在已经全力投入智能应用的公司将拥有极大的竞争优势，它们将能创造最佳的体验和最大的价值。

编者按：S·索玛赛格尔（ S. Somasegar ）是<a Groupon 的一位投资合伙人，他曾经担任微软开发平台事业部的总监；丹尼尔·李（ Daniel Li ）是 Madrona Venture Groupon 的一位投资人。

题图来自：Bryce Durbin

翻译：关嘉伟（@consideRay）

The intelligent app ecosystem (is more than just bots!)

原文 http://techcrunch.cn/2016/05/26/the-intelligent-app-ecosystem-is-more-than-just-bots/

正文到此结束