个人数字化的难点在于：个体的需求具体而清晰，但是每个人的个性和隐私需求可能不同，会不会出现好的工具体系来加速将每一个人数字化呢？实现Web3.0需要打破APP之间的数据墙打破互联网平台对数据的垄断也离不开手机厂商对个人隐私的保护。苹果公司首席执行官蒂姆·库克在接受《时代》杂志记者采访时称：关于我们所有人的信息比十年前或五年前更多，它无处不在，你正在到处留下数字足迹。假设网络的速度足够快、延时足够低，也许云手机的生态可以加速个人数据管家的诞生。云手机方案可行的话，手机可以只留下电池、屏幕、摄像头、通信和加密解密的功能，计算、存储和应用都在云手机上。如果需要硬件升级，可以在后台实现一键升级扩容；如果APP需要升级，可以在虚拟的硬件环境里升级，而不用与复杂的硬件进行兼容测试。现在的互联网架构中，有大量应用要用手机号码注册，而手机号码又直接对应个人最隐私的数据——身份证号码，一旦暴露，将给个人带来极大影响。而通过云手机里个人数字管家生成的虚拟身份与各种APP对接，可以在真实身份上加一层防护，实现数据更高级别的安全防护，避免隐私的泄露。云手机也许还可以避免高端手机芯片的封锁，以弯道超车的方式实现一种新的架构体系。如果云手机的方案能落地，运营商就能从现在数据通道的地位翻身，转型为未来的数字化主战场了。由于云手机的技术对带宽和延时的要求很高，运营商的通信基站和边缘数据中心能够形成更好的组合，更能主宰云手机的市场。在运营商主导的云手机体系里，云手机之间的个人数字管家可以实现受监管的自组网，共享分布式数据和应用体系，用来对抗垄断的互联网平台。Web3.0的网络链接价值对Web3.0来讲，参与其中的个体和企业是对等的关系，在价值交换时需要经过复杂的网络链接，而不仅仅是通过单一的互联网平台。例如，一个企业在做招聘的时候，可以通过带明确激励条件的小程序做传播，每个点击、传播和报名的用户都会通过信息加密记录下来。经过多次链路传播后，企业可以核对最终录取者的信息，并把激励发放给链路中间所有的贡献者。这样的小程序，虽然不是完备的区块链架构，但是如果企业能够长期保持其在激励上的信用，应该是可以替代传统的网站招聘方式，毕竟企业招聘和帮朋友介绍机会是个双赢的事情。这样的方式可以做到精准的信息匹配，在一定程度上也能很好地保护链路上用户的隐私。
由于行政区划与地理远近并非一致，信息传递不能只依行政区划来安排优先级。比如河南信阳跟湖北武汉一样爱吃热干面，它离武汉比离河南省会郑州更近。如果一个武汉的公司去河南高校招聘，招聘信息传递到河南信阳的同乡群里，得到的反馈可能会比传递到普通的毕业班级群里要多得多。但是这样精准的信息传递，需要把信息和价值通过网络传播、反馈和验证，最终才能得到最佳匹配路径，降低成本，使得企业和个人都受益。Web3.0时代，并不是要倒退到互联网的前夜，做事都得靠关系，靠线下的走动；而是要让这种线下的信息和价值，实现数字化、网络化并且可传递。深网信息挖掘的技术变得更重要，可能强化版的图数据库会成为时代的主宰，各种中小型信息数据站点又能够繁荣发展。Web3.0对非互联网企业的影响在没有计算机的年代，货币就是最好的“数字化”工具，人们用货币来衡量社会活动参与个体和企业的经济价值。在过去研究的案例中，贝壳是一个把极其传统的行业和低频业务做了成功的数字化改造的公司。贝壳数字化成功的很重要的原因，是定义和计算一个业务内的不同组织和环节的价值，边界清晰，分工专业，实现企业内外协同的市场化和货币化，最终实现了业务规模化扩张和平台生态化。
在数字货币的技术和规则成熟后，数字货币不仅仅可以用于企业对外的业务结算，也适用于企业内部的价值结算，未来每个大型企业都有属于自身的数字货币体系。尽早建立一个企业内部的业务、组织和流程的价值体系，并且不断与外部的供应商和服务体系进行对比，可以增加外界对企业的各类资源价值的认知确定性。价值和数字化的结合，打破了企业传统部门和公司的边界，清晰的规则，可以帮助企业实现规模的扩张和实现健康的平台生态。企业可以尝试用Web3.0的理念，打造行业联盟或者供应链上下游的合作体系，互相开放数据，将跨企业之间的业务数字化，将数字化的普及和对等价值交换的理念做实做深做透，在合作竞争中探索Web3.0的最佳实践。契约经济和数字化，不一定非得依靠区块链，用电子合同也可以实现大部分的需求。企业对数据的管理体系比较成熟。在一些高频和标准的应用场景中，例如客服等体系，可以引入AI助理，不断迭代成为企业的虚拟员工。对于低频和复杂的场景，有些企业已经在部门聊天群里引入AI机器人，不断学习员工问与答产生的数据，学习企业或者部门的一些特有业务术语和业务逻辑。对于一些商业软件或者互联网平台造成的数据隔阂，也可以使用带有AI能力的RPA工具将企业的业务流程智能化。并非每个企业都能拥有互联网企业那样的海量数据，在营销端的数据和流量被互联网平台把持的情况下，普通企业可以聚焦在自己的优势领域，例如生产制造、供应链体系、经销商管理，在供给端做深做透，在每个环节研究数字和价值的深层关系，不用过于焦虑。一味地脱实向虚并不可取，企业不可能靠裸数据来换取价值，数据积累的目的是为了更低成本更高效率的规模交易，交易离不开为实体赋能的产品和服务。社会生产制造消费中有很多智慧和经验，有的已经迭代成为最佳实践和第一性原理，其公式对业务的指导有效性，会超过数据的方法论。如果Web3.0真的能实现，在营销端和流量上，非互联网企业将不再处于劣势，那时候比拼的就是供给端的实力了。
企业与员工之间的关系也可以做Web3.0的探索。大多数情况下，企业相对员工都是处于优势的地位，因为企业掌握了更多的信息和数据。分布式自治组织（DAO）的概念最早由美国作家奥里·布莱福曼（Ori Brafman）在一本名为《海星和蜘蛛》的书中提出。他在书中将中心化组织比喻为蜘蛛，将分布式组织比喻为海星。中心化组织在未来也不会消失，有复杂链路的业务很难通过去中心化的方式去开展工作。组织是人类社会的最有力的武器之一，有了组织，才能建立庞大复杂的工业体系，才能有登月这样的伟大创举。大型企业不太可能完全用分布式自组织的方式进行复杂的生产，但是对于一些新业务，企业可以用阿米巴敏捷小组模式，用DAO的理念进行探索。企业可以用对等价值交换的理念，评估创新业务中员工和企业资源在每个环节中的贡献，据此不断孵化出新的业务和组织形态。在不涉及到企业敏感数据的时候，企业也可以探索在数据治理上企业与员工的关系。企业可能是一个员工消耗时间最多的场所，哪些数据应该归员工所有？员工在回顾过去经历的时候是否有完整的画像？没有工作中的数据，个人的虚拟印象是不完整的。企业数字化的难点在于：组织的需求是抽象并且变化的，组织需要长期探索和打磨才能形成适合自己的方法论和体系。Web2.0时代的共享平台跟Web3.0的区别在Web2.0时代，也有很多平台与生态一起共享收益。例如很多电商平台除了自营业务，也有各类中小卖家；每个司机也是共享打车平台独立的“合伙人”，在各个平台之间进退自如；在内容创作平台上，创作者也可以获得平台的奖励。是不是这样的平台其实已经属于Web3.0时代了？这些平台在价值分享上做到了一定的开放，但是大部分平台对分润的模式和算法并不公开透明；另外平台也没有考虑参与者的视角，创作者切换平台有很高的成本。在这点上，开源开放可以使得共享平台真正走向Web3.0时代。一些激进的企业，也许可以通过完全开源的方式，比如开源代码、开放业务模式、开放财务数据、开放非敏感的业务数据，达到透明的信息披露，获得客户、员工和投资方更高的信任。例如开源公司Gitlab就把自己的员工手册和管理方式也开放在互联网上，这样全球远程协同的员工可以更好地融合。个人非常期待能看到有开源社区能以Web3.0的方式组织起来，开源社区的运作和数据本身就比较公开透明，如果能把平台、代码贡献者、社区参与者和早期用户的贡献价值体现在项目中，不断地平衡过去、现在和未来参与者的贡献价值，最终将收益返还给所有贡献者。也许Web3.0的一个标志性事件，就是通过这样的方式打造成功的项目，并能在传统交易所上市，获得公众的认可。Web3.0会是一个技术上的倒退么？1980年代，只有巨头们拥有大型计算机，但是个人和普通企业很难消费得起。从大型计算机到PC时代，很多人认为是技术上的一个倒退。从各种各样的性能指标上来讲，当年的大型机和小型机都比个人电脑强大很多倍。但是如果时代还停留在大型机时代，那么互联网的兴起就变成不可能的事情。Web1.0时代也是到了后期，通过分布式的集群，云计算的算力才超过传统的大型机。40年后的今天，只有大型互联网平台才有大量的数据，个人和普通企业只是数据的提供者，而无法充分利用数据时代的红利。今天大家都能轻松地购买电脑和手机，但是硬件不等于软件，软件不等于数据，数据不等于信息，信息不等于价值。很多个人和普通企业的数字化水平，还停留在封闭和碎片化的状态。类似GDPR的法规，必然会对互联网平台在技术架构体系上产生各种约束，数据的收集、处理、应用和归档难度也大幅增加。Web3.0需要的分布式体系，在起步阶段的效率，可能不如集中式的Web2.0互联网平台。并且Web3.0时代需要的分布式体系，不仅仅是个分布式计算体系，不仅仅是上万个计算节点组成的云，不仅仅是一个大的分布式数据库，而是一个由很多个体和组织联合起来的，分布式、隐私、开源、信任和价值连接的复杂体系。除了区块链的技术体系外，数字货币、电子合同、隐私计算、联邦身份管理账户体系、深网信息挖掘、个人数字管家、AI助理、应用平民化、全员的数字思维、联盟和上下游共生思维等，都是建立Web3.0体系的重要技术和文化基础。也许在一段时间内，Web3.0体现出的技术水平没法超越Web2.0时代。不过通过Web3.0的建设，个体得以深度数字化，为Web4.0的到来提供了全面的数据基础。如果没有数据平等和对等价值交换的基础，到了Web4.0和Web5.0时代，还是互联网平台垄断一切，其副作用将不可想象。
延展思考
* 在Web3.0时代，怎样不被各种概念忽悠？
Web5.0：人机融合的时代AI的发展从量变到质变世界上第一台通用计算机“ENIAC”于1946年在美国宾夕法尼亚大学诞生，在计算机诞生后不久，AI与人脑的较量就开始了。计算机科学和密码学的先驱阿兰·麦席森·图灵于1950年写了一篇论文《计算机器与智能》，文中预言了创造出具有智能的机器的可能性，提出了著名的图灵测试：如果一台机器能够与人类展开对话而不能被辨别出其机器身份，那么称这台机器具有智能。图灵测试是人工智能哲学方面第一个严肃的讨论。在2006年之前学习AI的同学可能会感受到，无论用什么算法都很难满足通用场景。哪怕是现在看起来挺简单的车牌识别和人脸识别，当时都靠算法工程师调参的手艺，可能在一个特定的场景下可以工作，但是切换到另一个相似的场景就不能满足要求了。
在2006年加拿大多伦多大学教授Hinton提出深度学习的新思路后，人工智能的发展才开始进入快车道。随着互联网的发展提供了丰富的大数据资源以及GPU的硬件性能提升，AI的发展终于在2016年迎来了质变。2016年3月，Google旗下的AlphaGo在韩国首尔以总比分4比1的成绩战胜了围棋世界冠军、职业九段选手李世石。2017年5月，进化后的AlphaGo在“人机大战2.0”中，以3:0战胜世界排名第一的中国选手柯洁。今天大家觉得AI还比较弱智，无论是家里的智能音箱，还是跟电商的AI客服对话，大家发现AI并不是真的懂自己，无法理解和回答你的很多个性化问题。这背后的深层原因是现在的大数据积累都是从互联网平台视角出发的，而不是从个人用户视角出发的。即使互联网平台拥有大量的数据，但其在个人的维度上是碎片化和不完整的。由于数据隐私问题，个人也不可能把自己的完整数据交给互联网平台。但是可以想象一下，如果个人的数字管家，拥有一个人一生的数字化的记录，比如收集记录一个人一生的视频，每个刺激、反馈和动作，每个阅读的内容和笔记，每一段对话和思考，那这样的数据足以训练AI读懂一个人。如果Web3.0真的可以实现，可以想象，个人数字化水平会有飞跃的发展。随着技术的发展和进步，“个人数字化”的门槛会大幅降低，越来越多的个人数字画像会被完整记录，虚拟数字人也会越来越懂个人的需求。大脑和AI的运作机理类似科学家和工程师提升计算机的AI水平时，另外一条研究路线也取得了巨大进步，那就是对大脑运作机理的研究。最近读了一篇非常有意思的文章：《大脑中的熵、自由能、对称性和动力学》。人类的大脑在一定程度上是一个贝叶斯模型，生成内部的模型不断地预测和判断未来，然后将预测与感官输入不断对比，并通过反馈来校验更新内部的模型。从这个角度来看，现在的AI训练模式和大脑做的事情非常类似。以德州扑克为例，人类通过观察自己的起手牌、公共牌、对手的出牌行为和对手的过往历史记录，并结合当时对手的表情动作，来做出自己的下注及判断对手的下一步动作。
德州扑克一直是人工智能领域最难攻克的问题之一，因为扑克对局涉及“隐藏信息”。你不知道对手的牌是什么，也不知道对手对你手牌Range的判断，要想在牌局中获胜，需要成功运用bluff 和其他多种策略。这些策略跟国际象棋、围棋等透明的对局不同，相比较而言，德州扑克面临的问题更像是真实人类社会生活工作中的真实场景，这使得德州扑克成为AI科学家们最感兴趣的领域之一。在2015年就有德州扑克Solver的概念。与围棋领域的Alpha Go/Alpha Zero全自动AI算法相比，Solver更像是一个辅助的场外计算器，估算对方手牌的Range以及对方猜测你的手牌的Range。有了这个辅助计算器，人类可以降低计算的复杂度，而把更多的能量放在最终决策上。不过专业的Solver，因为计算量太大，很难在手机里完成实时的计算。而类似Alpha Go的全自动德州扑克AI算法也取得了很大的成绩。Libratus在双人对决的比赛里获得了非常好的成绩，而Pluribus算法在六人游戏中表现出众，使用了深度学习算法的Deepstack和Poker CNN也取得了不错的成绩。德州扑克游戏有一定的特殊性，牌局里有很多隐藏信息，参与的玩家也会受到情绪和体力的影响，牌局的走势有相当大的随机干扰。在德州扑克领域靠算法不能保证100%的胜率，AI可能不能完全战胜人类中最优秀的选手。但是如果一个AI能够记录一个人类选手历史上的所有数据，包括各类身体表情的数据，通过大量的训练，AI最终应该也能模拟出这个人类选手的出牌风格。在这种情况下训练出的AI虽然不一定每次都能跟模仿对象出一样的牌，但是从多轮牌局的统计维度上来看，应该能保持非常好的一致性。另外人类大脑处理信息大概是在100ms以内完成的，如果AI也能在便携的计算设备里以相同或者更少的时间做出反馈，那么可以认为AI能够很好地模拟大脑的工作机制。人类的大脑毕竟不是个无限的信息容器，AI模拟人类在打德州扑克时的风格，应该很快能实现。AI通过脑机接口读取人类意识对大脑的研究除了通过输入和反馈，也需要对大脑的实体进行深度研究。其中脑机接口就是一项非常实用的技术。目前，大部分的脑机接口就只是对大脑进行读取信息的操作。早在1857年，英国青年生理科学工作者卡通（R.Caton）就在猴脑上记录到了脑电活动，并发表了论文《脑灰质电现象的研究》。1924年，德国的精神病学家贝格尔（H.Berger）真正地记录到了人脑的脑电波，人的脑电图从此诞生了。
20年前我做脑机接口研究的时候，脑电采集设备还不是很灵敏，为了提高灵敏度，实验人员甚至可能要剃光头并涂上导电胶体。常见的实验场景是，实验人员戴上脑电采集的电极帽，通过脑电信号和算法，控制屏幕上的鼠标达到指定的区域。在当年大多数公开的记录中，准确率只能达到75%，在这种情况下，要完成一个字符的输入可能要花上1分钟。最近10年，脑机接口领域的发展突飞猛进。2021年4月，脑机接口公司Neuralink发布了《Monkey MindPong》的Demo视频。一只猴子正在靠“意念”轻松地玩电脑游戏。在这个系统里，先是通过正常连接的摇杆来校准系统，然后用脑电的信号输出和算法来精准模拟有线摇杆的信号；系统校准后，即使是断开摇杆的连线，猴子也可以靠着脑电的信号输出来完成游戏。下面的Demo显示摇杆跟显示屏之间的连线已经断开了。不过Neuralink的脑机接口是一种侵入式的系统，需要通过手术将芯片植入到猴子的大脑中，然后通过USB－C接口读取大脑信号。
2021年5月，斯坦福大学、霍华德・休斯医学研究所（HHMI）和布朗大学等团队用脑机接口技术实现了瘫痪患者将脑中的“笔迹”转化成屏幕字句，并在Nature杂志发表论文《High-performance brain-to-text communication via handwriting》。他们将AI软件与脑机接口设备结合，利用大脑运动皮层的神经活动解码“手写”笔迹，并使用循环神经网络（RNN）解码方法，将笔迹实时翻译成文本，快速将患者对手写的想法转换为电脑屏幕上的文本。实验人员每分钟可以输入90个字符，接近正常人在智能手机上的打字速度，这个性能已经非常接近实用场景了，实现了AI读懂人类大脑中的表达。
大脑中不断闪现想法，不一定每个想法都有语言的表达和身体的动作反馈，例如选手在德州牌局正式下注前的挣扎和思考，这些在隐藏层的意识活动对AI的训练也非常有价值。毕竟人类受到社会和环境的约束，很多想法是无法实现的，尤其是一些重大事件的决策，不是每件事都能下决心和落地的，人的一生做不了太多次重大决策。如果只是把最终表达出的语言和实际落地的行动作为AI训练的来源，样本量就会过少，就会遗漏掉那些人性最重要的部分，使得AI无法模拟人类在关键时刻的决策。AI实现对大脑的模拟的3个方向1.AI对抽象但是简单的概念进行识别，例如对图像、声音等的识别来模拟大脑的功能。2.通过预测—反馈的不断测试和复杂的博弈场景，利用全面的个人数据，用AI来拟合人类对各种输入的反馈。3.通过对脑机接口的研究，一方面深度挖掘大脑隐藏的工作机制和那些没能表达出来的想法，塑造更完整的AI；另一方面提供一个很好的人机交互方式，人类可以通过简单的方式表达自己的意识。未来，也许人们会随身戴上便携式的脑电设备，用以训练属于自己的AI助理。无论是游戏还是汽车驾驶，都是非常适合迭代优化个人AI助理的场景。当AI助理足够了解你的时候，人们就可以复制多份AI助理，用来处理不同的工作，大家就应该可以把更多的时间放在家庭和休闲上了，这时候的AI助理应该称得上合格吧。在Web4.0时代，可以实现意识的复制，意识在虚拟空间的交互，还有计算机对大脑意识的读取。
延展思考
* 在Web4.0时代，怎样保护自己的意识被合法使用？
后Web5.0时代
也许，“冷血”的区块链体系在人机融合的时代里可以大放异彩，能源和算力成了时代的硬通货。人类能进入Web3.0，打破互联网巨头的垄断么？人类在Web5.0时代，能与机器共存么？技术进步得越来越快，但是，人类的意识何去何从？人类的肉身何去何从？
