雷鋒網「新智造」按：當技術發展到今天，互聯網已經演進到智慧互聯網。本文摘自九合創投的研究報告，包括智慧互聯網的核心特徵、智慧互聯網的技術成熟週期以及智慧互聯網帶來的革新與機會，首發於九合創投微信公眾號，新智造已獲取授權。新智造作為雷鋒網旗下欄目，關注智慧時代的創新與創造，目標是找到哪個領域還有值得創業和投資的機會。
智慧互聯網是互聯網「連接」作用發展到一定成熟階段的演進形態，其建立在互聯的基礎上，以連接產生的「資料」為核心，通過資料處理輸出「智慧」價值，指導人與機器的高效決策和資源利用。
智慧互聯網的五個核心特徵
（1）智慧互聯網是互聯網的演進形態，其首要表徵是互聯網的核心價值驅動力由「連接」到「資料」的發展。「連接」是智慧互聯網的基礎，「資料」是智慧互聯網創造價值的核心。
（2）傳統互聯網的載體相對統一且載體遷移對原有商業格局影響較大 VS.智慧互聯網載體分散並將呈現越來越離散的特徵。
（3）智慧互聯網的核心價值驅動力 — 「資料」 ，既包括作用於產業與行業的橫向資料，也包括以某一具體指向為單位的縱向資料；其實質都是超出人腦可處理範圍、需要演算法發揮智慧價值的資料。
（4）智慧互聯網價值鏈條的主要表現為：資料輸出決策，決策提高效率，效率作用于資源利用和時間成本。智慧互聯網的「智慧價值」包含對個體生活的智慧價值和社會生產力的智慧價值。
（5）凡是“通過連接與資料產生價值”的形式皆屬於智慧互聯網的範疇。
智慧互聯網的技術成熟週期
下圖分別為Gartner最新的2016年新興技術成熟曲線與2016年物聯網成熟曲線。
其中， 九合重點整理了 2-5 年內能夠到達成熟生產階段的技術如下圖：
物聯網超過 8 項技術有望在 2 - 5 年內到達生產成熟期，未來 5 年內物聯網技術將快速發展，為智慧互聯網聯打下堅實的「連接」基礎，採集到更多之前不可觸達的線下資料和產業資料，輔助機器學習的突破。
正在走向泡沫破滅低谷期的物聯網集成技術，能促進企業認識到物聯網集成不只是簡單的 M2M（Machine to Machine）一體化，在此之前要做好底層互通性和硬體集成工作。
IT / OT 集成撩撥著供應鏈和生產鏈即時打通的巨大想像，但回望更底層的物聯網集成正經歷低谷期，IT / OT 的集成仍必先實現物聯充足的資料獲取布點。
預測性分析與 IT/OT 集成技術正處於同一階段，事實上，IT/OT 集成的想像力直接能轉化為豐富即時的資料來源，餵養預測模型，兩者呈正相關。
與智慧製造、工業大資料造密切相關的物聯網集成、IT/OT集成、預測性分析、機器學習等多項技術同時處於 2 - 5 年內到達成熟區的臨界點，可以預期未來五年內工業領域將快速發展突破。
自然語言問答技術行走於泡沫低谷期， 此前 bots 瘋狂的投資熱將逐漸恢復理性，企業開始思考將技術應用於實際產生價值的場景而非想像場景裡試錯。也就是說，近兩年內，個人虛擬助手等 C 端 bots 創業將逐漸冷卻或轉向 B 端應用場景。
智慧互聯網時代的行業革新
智慧互聯網時代的效率經濟滲透各行各業，體現出顯性的、可直接轉換成經濟價值的成本降低和效率提升。高盛曾從統計經濟學的角度分析，移動互聯網時期的美國並沒有在經濟資料上體現明顯的社會生產率提升，但人工智慧所帶來的社會生產率促進作用卻呈現為可量化的巨大經濟效益。
九合將從工業、農業、醫療、金融和零售五大基礎行業分析智慧互聯網帶來的革新與機會。
工業
工業占大部分國家 GDP 的核心比重，歷次工業革命同時也推進了人類社會經濟和組織形態的向前演進，而智慧互聯網時代的工業正經歷著人類歷史上的第四次工業革命 — 工業 4.0。國務院於 2015 年 5 月印發《中國製造 2025》，從國家層面制定了中國於 2025 年實現工業 4.0 的轉型目標。
李傑教授在《工業大資料》一書中，將“工業4.0”定義為：“第四次工業革命是以智慧化為核心的工業價值創造革命，其最終目的是實現生產活動的高度整合，使系統像人一樣思考和協同工作”。
智慧互聯網對工業的改造主要體現在以下兩方面：
1）智慧生產實現基於柔性供應鏈的、從下游到上游的生產鏈條
智慧生產，指通過工業機器人、3D 工業列印、無人物流、物聯網等先進技術和硬體產品打造智慧化工廠，能夠實現滿足工業 4.0 特性的、反向定制化的生產鏈條。
工業 4.0 區分於其他三次工業革命的核心特點之一便是其基於用戶端的生產力需求，打破了傳統的剛性供應鏈和計畫生產模式，能夠實現下游推動上游的生產鏈條。
2）工業大資料發揮大腦價值，機器決策人類大腦無法處理的大規模資料
工業領域的資料來源豐富，量級巨大，超出人腦可處理的範圍。傳統互聯網時期，工業領域的資料大部分都只實現了視覺化和基於人控制設計的 PLC（可程式設計邏輯控制器），並且反應相對滯後。而智慧互聯網讓彼此關聯的資料擁有了即時決策能力。
從宏觀角度來看，工業大資料包括資產/設備資料、產品資料、使用者資料、供應鏈資料；工業大資料可用於資產可靠性和設備故障監測、能源效率的管理、產品品質管控、生產流程優化管理、上下游和產品週期預測-管控-追蹤、生產流程重塑、定制化生產等。每個環節 1% 的效率提升作用到整體經濟收益上都是一個可觀的數字。但從現階段來看，狹義的工業大資料主要集中在機器資料和生產流水線產品資料上；工業大資料的應用也主要集中在設備監測、能效管理和品質把控上，貫穿上下游和產品生命週期的價值大資料還有賴於產業的整體成熟和打通。
就目前國內而言，作為工業大資料底層基礎的物聯網普及、感測器的分佈仍處於較為粗燥的階段，萬物互聯基礎下的工業 4.0 理想狀態仍需時間。
農業
農業是關係到國家安全級別的戰略產業，並且面臨著全球人口增長和耕地減少的嚴峻挑戰。智慧互聯網的應用和普及能顯著提高農作物產值，推進智慧農業形態的演進。智慧互聯網給農業行業帶來的機會與革新主要體現在以下三方面：
1）農業生產各個環節的效率提升
智慧互聯網發揮資料的智慧價值，能夠實現農業“種植（機器選種，自動播種 etc.） - 施肥（基於環境和植物資料狀態的精細化施肥 etc.） - 灌溉（精細化自動化灌溉 etc.） - 病蟲害防治 （疾病識別 etc.）- 收割（自動化收割 etc.） ”各個環節的效率提升與成本控制（資源節約），促成單位面值農作物產值的提高。高盛在一項研究中指出，智慧互聯網能夠對美國農業生產各個環節實現 7% - 30% 不等的效率提升，預計至 2050 年，美國每英畝耕地的產值能夠達到 281 蒲式耳（對比 2016 年的 165 蒲式耳）
2）生產預測與動態調配
不少演算法公司利用衛星雲圖、氣候資料、土壤特徵等綜合資料以及農作物品種特徵、實踐參數等搭建預測模型，對農業的產值即時進行預測，推薦適宜的調控措施(如改變播種期、播種量或肥料運籌等)、動態調配農業市場和對應的金融期貨，同時幫助政府合理分配資源（比如當收到極端天氣或災難影響國家農業時，政府和銀行可以獲取足夠的資料來支援哪些農民需要貸款和救助的決策）。
但用於綜合預測的作物類比模型的建立，通常要求輸入作物特徵、歷史農業實踐資料、氣候地理即時特徵等多個維度的資料。這類類比模型必須引入專家知識，使系統形成以模型為基礎(定量)，以專家知識為准(定性)的“專家曲線”。
3）農產品溯源與食品安全
智慧互聯網理想狀態下的農業，有望實現作物都有其對應數位參數所形成的“digital twin”，流轉到市場裡的每個農作物都能查詢到完整的品質檢測資料以及回溯作物生產成長過程中的各項資料，實現真正全數位化的食品體系。
目前，國內農業感測器的佈局、農業整體解決方案的採納都有待進一步突破；不同於國外農場為主的商業化形式，中國的農業大部分分散在普通農民手中，農業的智慧互聯網升級有賴於地方政府的推進。
醫療
醫療是公民生活的基本保障，傳統互聯網促進了醫院的資訊化管理、醫生資源的整合、病患與醫生資源的連接；智慧互聯網則在診斷、藥物研發等環節都帶來了較大的效率提升和成本節約，基因研究的不斷進步甚至有可能推動醫療健康的革命性顛覆。智慧互聯網給醫療行業帶來的機會與革新主要體現在以下四方面：
1）輔助診療
電腦輔助診療（computer aided diagnosis，CAD）在診斷中的應用已經有40年的歷史，但近年來隨著神經網路的出現，機器學習給 CDA 帶來了突破性的進步，尤其體現在醫療影像診斷方面；建立在自然語言處理技術基礎上的機器問診也處於快速發展期。IBM Watson可以在 17 秒內閱讀 3469 本醫學專著，248000 篇論文，69 種治療方案，61540 次試驗資料，106000 份臨床報告。
機器輔助診療從一定程度上解決了醫生經驗資源的不對等，在特殊病例和罕見病例的甄別上尤為表現突出。但深度神經網路存在著“黑箱效應”，即輸入資料很細微的改變都會誤導機器學習的結果，而醫療診斷的準確性關係著個人的生命身體健康。另一方面，機器學習準確度的提高需要大量的資料餵養，有賴於電子病歷的普及、醫院之間的資料關聯和國家層面的醫療資料共用。
2）智慧健康管理與疾病預防
智慧互聯網也可很好的實現個體健康和生活習慣資料的迴圈利用，輔助健康管理與疾病預防。通過智慧可穿戴設備即時監測病人的重要健康指標，進行用藥提醒、危險警報，如基於感測器精確到分秒的糖尿病人用藥提醒；也有初創公司基於個體健康資料的即時動態，提供每日營養學方案，監測身體不良信號。
3）藥物研發
傳統藥物研發週期長、成本昂貴、成功率回報率低。但智慧互聯網從一定程度上打通了新藥研發各個環節的壁壘：在試驗前期新藥篩選時，可以通過綜合演算法獲得安全性較高的幾種備選物，提高成功率；在進入動物和人體試驗階段前，可以綜合成分分析和既有已知藥物的副作用資料庫，選擇生副作用幾率最小的藥物進入動物實驗和人體試驗，節約成本、提高安全性；此外，還可智慧模擬和檢測藥物進入體內後的身體指標與劑量、濃度等用藥指標之間的關係，推薦試驗中的最佳用藥方案；進入試藥後期，可綜合前期資料推算研製成功率，選擇放棄成功率較低的藥品種類，減少成本浪費。高盛一項研究指出，通過演算法對後期試藥的成功概率推算能夠幫助美國每年至少減少 10 億美元的試驗支出。
4）基因革命
基因測序是一項極其複合摩爾定律的技術，隨著基因測序技術的更新換代，基因測序的成本不斷下降。2001 年平均每兆資料量基因測序成本是 5292.4 美元，單人類基因組測序成本是9526.3 萬美元；2006 年新一代測序技術推出，平均每兆資料量基因測序成本下降至 581.9美元，單人類基因組測序成本下降至 1047.5 萬美元，而 2014 年 1 月Illumina 推出 HiSeq X Ten 更是將單人類基因組測序成本降至 1000 美元以下。隨著基因測序成本的不斷降低，基因有可能成為新的“健康代碼”，通過基因檢測、基因編輯等技術不斷革新健康檢測與治療方式。
金融
由於金融資料較高的數位化基礎與可觸達性，金融產業是演算法經濟應用較早發展相對成熟的領域。智慧互聯網給金融行業帶來的衝擊與革新主要體現在以下三方面：
1）大資料征信與風控
大資料征信與風控直接體現在收入數位上的風險控制和損失避免，此外，專業化的資料服務，消解了傳統征信高昂的人力與時間成本，穩定的風控模型也能夠有效擴大信用經濟的範圍和方式。目前國內基於演算法模型的大資料征信公司層出不窮，核心資料來源則主要由八家持有國家個人征信牌照的企業掌握。
2）交易自動化
開年的一則新聞引起了金融圈一片譁然：由於工作都被自動交易程式接管，高盛在紐約總部的美國股票交易櫃檯雇傭的 600 名交易員已被削減至 2 名。根據《金融時報》，在 2000 年，紐約證券交易所的場內交易者超過 5500 名，而現在則不 400 名。麥肯錫全球研究院在 1 月推出的報告中稱，金融和保險領域的工作，有 43% 的可能性會被自動化替代。
目前機器在金融交易領域可承擔的角色主要有：自動化生成報告；海量資料庫精准搜索；預測模型。自動化報告生成和精准搜索解放了大部分初級分析師的工作。而基於衛星資料、人流分佈熱力圖等多維資料角度的演算法模型，突破了人腦能處理的知識和資料邊界，多數情況下能夠精准指導市場交易，減少人為誤差。
但深度學習的“黑箱效應”是典型墨菲定律的踐行者，機器微小的認知誤差造成可能帶來連鎖多米諾骨牌效應；此外機器只能基於已有資料給出結論，但機器很難理解一家尚未盈利的公司該如何估值或一種新商業模式的價值在哪裡。
3）智慧投顧
早在 1952 年， Markowitz 就提出了“投資組合理論”（Portfolio Theory）並因此獲得了 1990 年諾貝爾經濟學獎。智慧互聯網時代，通過機器進行投資組合的搭配，又稱為智慧投顧（Robo-advisor）。智慧投顧相較傳統的理財顧問或個人投資理財，品質穩定、收費低，並且能計算超過人腦可處理範圍內的豐富金融產品和收益影響因數，關聯和平均做得足夠好的智慧投顧應用一般能夠實現不錯的收益，有望逐步發展為中產階級理財的重要方式。
零售
傳統互聯網時期，互聯網的「連接」特性打破時間和空間的限制，電商和物流迅速發展；智慧互聯網時期零售行業的變革則圍繞供應鏈和購物體驗的創新展開。智慧互聯網為零售行業帶來的革新主要體現在以下兩方面：
1）智慧化購物場景
以 Amazon Go 為代表的無人商店成為今年創投圈又一熱詞，但“無人商店”從字面意義上僅體現了智慧化購物場景的自動化和人力成本降低，智慧互聯網給零售帶來的想像力還包括：智慧化購物導購機器人、手勢操作和 AR 結合的智慧試衣鏡、基於視覺系統的特定人群識別與行銷、智慧購物車；你可能線上下完成網上下單，可能線上下試穿線上挑選好的衣物，可能填完定制化的資料傳輸給工廠…智慧互聯網時代智慧化購物場景的核心特點是：用戶動作由「消費」轉移為「體驗」；用戶消費逐漸模糊線上線下的邊際。
2）以動態零庫存為目標的供應鏈與物流
7-Eleven 便利店創始人鈴木敏文曾在《零售的哲學》一書中提到 7-Eleven 壟斷日本便利店過程中採用的方式：從社會環境變化預估消費者行為；創造出“單品管理”概念解決滯銷品問題…上述手段所面向的都是傳統零售行業決定成敗的核心點 — 庫存 ，而智慧互聯網的推動目標，則是通過使用者導向的供應鏈體系和即時回饋的物流倉儲，實現動態零庫存的理想狀態。
在工業部分我們提到，工業 4.0 理想狀態能夠實現從下游到上游的定制化生產，而位於製造上游的零售行業，以此對應的是以動態零庫存為目標的供應鏈和物流革命。這裡的“動態零庫存“指的是基於大資料的即時特徵、能夠滿足預測數量並隨時調配的庫存狀態，而非時刻空倉的絕對零庫存。實現動態零庫存需要基於銷售預測、客戶偏好預測與精准行銷、快速回應定成本的智慧物流、動態定價等技術組合。