[核心提示] 从最早的大型机到现在的刀片处理器，从电脑到人工智能，再到可穿戴设备的崛起，计算的未来是什么？
可穿戴设备的崛起是为什么？因为它代表了一种发展方向，通用计算向场景计算的转移。
首先我们来看，计算意味着什么？
**
第一阶段：计算=Computing²**
从以大型机为代表的计算机初始到以 Pentium IV 频率为王的单核时期，大家对计算的要求在于更高的处理速度。这时计算能力几乎是唯一指标。这一阶段的目标是实现计算速度与计算精度。
第二阶段：计算=Computing²
这一阶段移动进入人们的视野。标志性产品包括笔记本—>MID—>智能手机—>Phablet/Hybrid Device。在这个路径中，我们看到人们的需求从对计算能力重视、便携移动优化的阶段进入对每瓦计算能力的考量。这一思考的顶端就是对用户端设备输入输 出能力的重视，而考虑把计算能力上提到云端（云=存储能力+计算能力），于是我们看到了 Chromebook，听到了传说中的 Windows 9将是一款云端操作系统。至于苹果一端，我们可以继续期待 iOS 和 Macintosh 的跨尺寸设备承载。
这一阶段与第一阶段有一个共同点，计算=通用计算。只是无论在企业端还是消费者端，计算开始考虑成本。于是我们看到了利用海水能源的数据中心，以及 英特尔对消费者设备中TDP概念的重视，处理器原生集成越多的组件，对功耗的优化产生重大影响。于是我们看到CPU集成了南北桥，内存控制器，集成显卡嵌 入 CPU。在这一时刻，摩尔定律在生产线上被一次又一次完美地鉴证着。
第三阶段：计算=
这个阶段刚进入萌芽期，代表是可穿戴设备。这一阶段的重要特点是传感器引入计算。云与端的结合，使计算提供解决方案成为了可能，而云成为解决方案中 关键的服务提供商。这一阶段，我们发现像第二阶段中计算能力的权重下降一样，对于功耗的要求也在减弱，尤其是大设备，比如可运行8小时的消费级笔记本，乃 至可待机月余的蓝牙4.0 设备。
五年前，我们在研究一款室内定位系统，当时摆在面前的选择方案是 UWB，Zigbee，ISM 段的RF。单一的传感器与单一的算法无法解决信号碰撞与信号干扰，于是一个在档案室的人可能在显示终端上出现在隔壁的办公室。当时传感器与计算单元，传感 器与传感器的联系远未如此丰富。回到今天，我们看到了iBeacon的可能性，更精确的室内定位，成本可控的民用小范围定位可能更近了一些。
回到我们现在看到的可穿戴设备，传感器在用户端实现数据采集，在云端进行数据处理，很遗憾这种数据处理目前更多的是以区段结构呈现的。比如说体脂 秤，当我75公斤的体重实时数据和云端的基本数据结合以后，预设的BMI区段会告诉我过胖了。也就是说这种计算是一种预置的计算，既没有做到实时，也没有 实现精准。而这正是未来计算的目标：面向场景的精准实时计算。
这一计算目前有没有实例？地图的推荐交通方式即是一例，根据路上拥堵状况，部分公交的运行位置，乃至公共交通的运行时间比照，最终给出推荐路线。未 来计算就是要实现这样一种目标，传感器（独立或叠加）的应用，自然搜索的实现，机器学习的优化，面向场景计算模型的建立，将共同为我们实现这一目标——解 决方案的所见即所得将向软件的所见即所得一样直观。
什么时候这样的目标能够实现？我认为当主传感器不再通过用户端计算设备与云端实现连接的时候有望实现。提一个问题，除去蓝牙4.0，可穿戴设备还有什么靠谱的数据上传方式？
