6 月 2 日，风投公司合伙人、机器学习新创企业投资人 Nick Beim 在 Techcrunch 上发表了题为《机器学习的杠铃效应》（The barbell effect of machine learning）的评论文章，指出机器学习技术的发展将导致智能产业出现两极分化，就好像杠铃一样。
机器学习为什么会让产业出现这种杠铃般的形态呢？
Beim 指出，这是由机器学习产业所依赖的几种核心资源分布不均导致的。近年来，算法、计算力和数据这三种资源都在快速增长，但大部分机器学习算法、库和工具都是公开的，而计算力资源也已经广泛成为一种可购买的商品。这意味着，大量的小型企业都可以方便地利用机器学习方面的算法和计算力这两种资源。另一方面，机器学习所需的大规模数据却高度集中在少数大企业手中，只有这些大企业能自主地使用这些数据、决定向哪些合作伙伴开放这些数据。
资源分布的两极化，将导致机器学习产业形势的两极化：在基础智能技术方面，广大范围的初创公司、中小型企业都将从图像识别、翻译等已开放的技术中受益；在高阶智能技术方面，高级技术将集中在少数产业巨头的手中，因为只有这些巨头才拥有产业中的大规模数据，从而有更多机会借助这些数据研发出高级技术和服务。谷歌、FaceBook、亚马逊等公司已在高级智能技术方面取得了极大优势；金融、零售等传统领域的巨头也已开始运用机器学习来发掘其海量数据中的宝藏。
巨头开源机器学习工具和平台，也是收集大数据的一种方式。
那对其他企业而言，这意味着什么呢？
首先能想到的就是并购整合，其中最为典型的是在芯片市场，格局不断洗牌，还有大公司通过收购拓展业务领域，最近的比如英特尔收购机器视觉公司，进军自动驾驶汽车市场，IBM 更是一早就通过收购，把 Watson 做成上百亿美元的产品。
云服务市场这种趋势十分明显：排名前４的公司占据了大约 70% 的市场份额。在日前公布的“互联网女皇”报告中也指出，谷歌和 Facebook 两家包揽了超过 75% 的广告市场份额。
面对这样的局面，Beim 对新创企业给出了以下几个建议：
一、与拥有大数据的大企业建立合作伙伴关系
Beim 表示，初创企业可以像当年的谷歌利用雅虎、AOL 的数据来壮大自己一样，通过与现有的大企业合作来获得使用相关数据的机会。
首先，在由平台主导的产业领域，机器学习初创企业可以与平台合作，为企业用户提供各种平台自身尚无法提供的解决方案，Sprinklr、Hootsuite 和 Dataminr 等企业就是采用这样的方法。
其次，在由少数传统大企业主导的产业中，机器学习初创企业可以为这些企业提供数据密集型软件服务或广告解决方案，并借此得以访问这些大企业的用户数据，这也是 Palantir、IBM Watson、Fair Isaac、AppNexus 和 Intent Media 等机器学习提供商的做法。
最后，初创企业可以与拥有大规模数据的企业签订排他性的数据租约，获取其（部分）数据的访问权。
但是，如果操作不好，新创企业与巨头的合作也会发生各种问题，Siri 被苹果收购后性能不升反降就是一例。大名鼎鼎的波士顿动力，被谷歌收购后几经波折，前不久花落丰田，前途依旧未卜。
因此，Beim 也特别强调，新创企业在与巨头合作时应当尤其注意，包括技术公开程度、利润分享比例、基于市场表现的担保，以及战略性投资等等。按照目前的情况看来，大数据将变得越来越珍贵，因此新创企业与巨头合作的方式也会加快更新。
亚马逊成立了 Alexa Fund，鼓励第三方开发能够为其语音助理 Alexa 系统所用的产品或服务。就在前天，微软启动了 Microsoft Accelerator，资助与微软产品发展方向相一致的初创企业，尤其是机器学习初创企业，并提供技术资讯和支持。
二、在基础智能技术领域发掘商机
在图像识别、翻译、自然语言处理以及未来的解释、推理领域，将有越来越多的基础技术服务成为可供购买的商品，其中大部分服务还将是免费的。初创企业可以充分利用这些基础技术服务，创造更聪明、更加个性化、更具参与感的软硬件服务。例如，图像识别将带来可视化购物的商机，面部识别技术可带来新型验证和安全技术方面的商机。
就像 ARM 公司 CEO Simon Segar 说的那样，计算视觉尚处于早期发展阶段，因此 ARM 公司才会收购在嵌入式视觉领域世界领先的公司 Apical， 期望在计算机视觉领域有所突破。
这个方向确实不错，但最终还是容易走上被巨头收购的道路，也只有像亚马逊这样的大公司才可能研发出 Echo，在语音助理甚至更广泛的智能家居领域后来居上。不过，这并不是说被收购就不好，你不看DeepMind 加入谷歌后如鱼得水，AlphaGo 的战绩自不待说，今年 4 月 DeepMind 已经进军医疗领域。当然，市场上也有像马斯克这样的搅局者，建立特斯拉、SpaceX 和 OpenAI，但这样的人或企业毕竟是少数。
那么，更广泛的初创企业该怎么办呢？Beim 的建议是——
三、快速行动。在机器学习产业中，“先到者先得”的优势很明显。因此，初创企业必须在各科技巨头意识到产业中的潜在商机之前，抢先采取动作。
“最成功的机器学习新创企业，将有可能是那些与巨头和消费者都达成有创意的合作关系的公司。”Beim 这样总结。
当然，上面的分析是 Nick Beim 的观点。也有人认为，近年来机器学习的发展并非受益于计算力和大数据的发展。
不过，认同 Beim 分析基础的人，比如吴恩达，也有不同的看法。吴恩达认为，近年来机器学习的发展受益于计算力和大数据的发展，但在某些行业，硬件的发展导致计算力大幅提高，而相应的数据已经出现不足。因此，数据的这个限制，也并非存在于所有行业。
同时，还有很多研究者致力于让机器学习摆脱大数据的钳制：香港科技大学教授杨强认为，迁移学习能让人工智摆脱对大数据的严重依赖，从而让人工智能不再只是“富人的游戏”；南京大学计算机教授周志华提出 Learnware，如果得以实现，小数据也可以训练大的机器计算模型。
最后，再来看拥有大数据的公司是如何看待这个问题的。大数据专家、拓尔思公司总裁施水才坦言，当前国内的大数据并不赚钱，虽然有不少大数据公司，但缺乏核心技术，应用上的成果也不是很多。尤其在开源后，技术门槛变低了，想要搞出一个技术产品卖给所有人，已经很难了，所以现在的关键是要帮助客户解决问题。施水才认为，解决问题的人，才是关键，才有钱赚。发展大数据应该以技术和应用导向为主，关键是要落地，人工智能、机器学习、自然语言理解等核心技术的突破和应用是未来的关键，工业互联网和机器大数据是未来发展的方向，也是突破垄断的机会所在。
文章转自新智元公众号，原文链接
