标签： 人工智能

上周，微软、亚马逊、Google（Alphabet） 相继发布了财报，在全球经济形势并不乐观的大背景下，三家公司在过去一个季度都有相对不错的业绩表现，仅以营收来看：

• 微软：290.8 亿美元，同比增长 18.5%；
• 亚马逊：566 亿美元，同比增长 29%；
• Google（Alphabet）：337 亿美元，同比增长 21%。

这其中，只有微软的营收超过分析师预期，而亚马逊、Google 都在财报发布后股价大幅下挫，也让原本开始反弹的科技股再次进入一个调整期。本周，包括苹果、Facebook、阿里巴巴都会发布新一季财报，除了苹果可能带来惊喜外，其他两家公司的股价都将面临巨大压力，尤其是 FB 的压力会非常大，这也意味着本周整个科技股的走势也会持续下行。

写到这里，需要特别声明一点：本文无意给你任何关于股市走向的暗示，也不构成购买哪支股票的建议。

本文更关注的是，是上述三家已经发布财报的巨头公司，无一例外都在将人工智能放在公司发展的重要方面，但为什么在财报里没有过多提及？

人工智能没有改变三家公司业务的构成

过去三到四年时间里，包括 BAT 在内的公司都将微软研究院作为 AI 人才的重要来源地，疯狂挖人，由此也证明了微软在 AI 方面的强大积累。

Google 也从 2017 年开始正式确定了「AI First」公司愿景。

而亚马逊，虽然并没有他太公开的表述，不过在 Fast Company 本月初的一篇文章里，也谈到了亚马逊 AI 的发展，包括仓库机器人的部署以及Alexa 的研发等等。

但如果详细去看上述公司截止到本季度财报的业务构成，尤其是主营业务的构成，似乎根本看不到 AI 的影子。

比如 Google ，来自广告业务的收入高达 289.54 亿美元，占整个公司收入的 85.8%，这也继续延续了 Google 作为一家广告公司的基本判断。

再比如亚马逊，其核心业务，在线零售（电商）业务贡献了 290 亿美元，占比也超过 50%。而微软的业务组成里，其主要营收来自于个人设备业务（包括 Windows 个人授权、Xbox 游戏机、Surface 设备），该部门在这个季度获得了 107.5 亿美元的营收。

上述这些略显冰冷的数字至少说明了一点：就现阶段而言，即便是微软、Google、亚马逊这样的巨头公司，人工智能还没有真正给公司带来真正的业务转型。

那么，这些公司所选宣扬的人工智能到底都在哪里？

巨头公司的人工智能到底在哪里？

上周我在 Dailyio 会员计划里分析了德勤的一份报告，其中有张图表令人印象深刻，如下图所示，我对这幅的基本评价就是：「每个行业因为人工智能的加入都会是赢家，但有些行业注定是大赢家」。

仔细去看这个四象限图，在右上角的「高投入高回报」象限里，科技公司赫然在列，德勤在报告里列举了 Netflix 的案例：

Netflix 发现他们的用户喜欢搜索电影，但如果搜索并找到一部电影的时间超过 90 秒，那么用户往往会放弃，而借助 AI 技术优化站内搜索之后，不仅可以给用户带来用户体验的上升，还能让用户更快地付费。德勤的数字显示，仅仅一年，得力于 AI 对搜索的改进，Netflix 可以多赚 10 亿美元。

这类故事也发生在微软、Google 和亚马逊身上。以 Google 核心业务广告为例，今年 3 月的时候，Google 发布了一项名为 Auto Ads 的在线广告产品，它的基本操作逻辑是利用机器学习来自动判断是否在某个网页放置广告以及在哪里放置广告。

事实上，Google 的 AdSense 已经非常自动化了， Auto Ads 则更进一步，当广告主制作完成广告后，关于广告投放的「权力」都归于 Auto Ads 背后的算法。根据 Google 官方的说法，这个产品能够大幅提升广告主的投放效率，从而增加收入。

一个值得关注就是计算机视觉给 Google 产品带来的创新。2015 年 Google I/O 大会上，Google 发布了基于机器学习的 Google Photo，其主打的就是云端的图像自动识别和自动分类。

2017 年开始，Google 将云端的计算机视觉能力逐步下沉到智能设备上。Google Lens 通过应用层释放其强大的计算机视觉能力，目前已经支持 iOS 和 Android。

与此同时，Google 在去年的 Pixel 2 系列和今年的 Pixel 3 系列智能手机上，继续将计算机视觉能力注入到终端硬件里，Google 官方博客的这篇文章，展现了 Pixel 3 手机上的 AI 能力，同时进一步介绍了设备 AI 的优势。

而 AI 之于亚马逊，则在业务创新方面有众多体现。具体包括两大方面，其一，计算机视觉技术被应用到亚马逊无人零售店中，带来的不仅是效率提升，更是用户体验的优化¹。

其二，基于语音识别、语音交互的提升，亚马逊过去三年打造了一个围绕语音助理 Alexa 的庞大生态体系，Alexa 所带来的交互方式变革，某种程度上也左右着下一代计算设备的交互逻辑。

从上面几个案例可以看出：人工智能并不是一句口号，各个巨头也都在不同业务线上推进人工智能的部署。

没有「人工智能行业」

如果以人类感官为参照对象，这几年人工智能的快速发展，已经让机器具备了听力和视力，并实现了从听到到听懂、从看到到看懂的跨越。

但仔细去看上文提到的几个典型场景，或许会发现，所谓人工智能，仅仅局限在图像、语音领域的应用，这也是当下人工智能最有可能突破的领域，而单点技术的突破，也无力承载起具体的应用场景，它需要更多地与过往场景相结合，比如将图像技术与安防领域结合在一起，养活了国内一大批所谓的 AI 独角兽。

因此，我们可以说「互联网行业」，因为「互联网」催生了一系列新的需求，让人类从线下走向线上，并最终让人类拥有了时刻在线的能力。

但所谓「AI 行业」本身就是一个伪命题，如果没有行业里的具体场景，当下人工智能的核心技术，如图像、语音的应用也无从谈起。

更进一步延伸，即便是微软、Google、亚马逊这样的巨头，也都在有意无意将 AI 与自己的产品相结合，比如微软的语音和自然语言技术，可以大幅改善 Skype 的体验效果，而计算视觉的能力，则被应用到诸如微软小冰这样的对话机器人的对话场景中。

至少在接下来的十年以内，根本不可能出现所谓的「超级智能」，更多的还是以「人工智能」包装自己过往的产品，如云（亚马逊、阿里云）、如数据库（Oracle）、如企业软件（如 Selasforce）、如摄像头（苹果的 iPhone）等等。（完）

德勤日前发布了一份面向全美企业的 AI 状况报告「State of the AI in the Enterprise」（你可以在这里下载），这份报告调查了全美 1100 名 IT 从业者以及企业高层，这里有一些非常有趣的发现。

首先，在宏观层面的数字上，42% 的受访者表示，未来两年内，AI 将给企业带来「非常重要」的影响。

但另一组数据则显示，56% 的受访者认为 AI 相关技术会在 3 年内给公司带来转型，这个数字在一年前还高达 76%。也就是说，过去一年时间里，不管是企业的亲自实践还是观摩其他公司的举动，这些企业高层对于 AI 推动公司转型的话题上变得越来越现实。

比如在上图里，增强现有产品能力、解放员工时间以开拓更富创造性的工作、创造新产品等方面的预期都有所下滑，而优化内外运营则有不同程度的上升。

其次，德勤的这份报告还特别将企业内部的 AI 应用做了四个分类，包括以下四个方面：

1. 机器学习
2. 深度学习
3. 自然语言处理
4. 计算机视觉

通过分析上述四个技术领域在企业内部的应用情况，也可以看到当下企业对于 AI 技术的需求点到底在哪里。

调查结果显示，自然语言处理的需求增长迅速，相对于去年 53% 的数字，今年有 62% 的企业开始推行自然语言理解在企业内部的应用；机器学习的普及率紧随其后，从去年的 53% 上升到今年的 58%；计算机视觉和深度学习排在后面，分别是 57% 和 50%。

与之相呼应的，则是企业在 AI 技术，尤其是机器学习、深度学习上的资金投入，调查中就提到，37% 的受访者称，他们的公司已经在机器学习、深度学习上投入 500 万甚至更多的资金，这些资金被广泛应用在企业 IT 采购中。

在下图里，从企业软件采购到开发再到云服务采购，AI 已经广泛存在其中。

第三，AI 的投资回报率已经初现。调查显示，有 82% 的受访者认为他们已经在人工智能的投资中获得实实在在的收益。不过正如下图所示，尽管远期来看，每个行业都会从 AI 技术中获益，但每个行业的回报肯定是不一样的，尤其是在目前这个初级阶段。

德勤特别提到了 Netflix 的案例，Netflix 发现他们的用户喜欢搜索电影，但如果搜索并找到一部电影的时间超过 90 秒，那么用户往往会放弃，而借助 AI 技术优化站内搜索之后，不仅可以给用户带来用户体验的上升，还能让用户更快地付费。德勤的数字显示，仅仅一年，得力于 AI 对搜索的改进，Netflix 可以多赚 10 亿美元。

不仅是这些科技公司可以在巨额投入 AI 中获得效益，很多传统媒体也越来越依靠 AI 来提升自己的销售额。在钛媒体的一篇文章里，科技自媒体「脑极体」 介绍了 AI 与传统媒体付费模式之间的结合，其中提到三个场景，比如《华尔街日报》如何提升付费转化率：

比如，《华尔街日报》就通过“付费墙”来训练订阅预测模型，制定更加灵活的订阅策略。

通过对未订阅访问者的行为进行分析，如是否首次访问、使用的操作系统、阅读设备、是否选择点击、用户的位置等。使用机器学习来告知“付费墙”可以在何时提供读者免费阅读，以及预测读者是否会付费。

再比如通过对用户画像的刻画，面向不同的读者，推送不同的内容：

将散落的庞大用户大数据聚合起来，为付费读者画像，洞察他们的行为和喜好。内容商们就可以更清晰地了解目标群体，有针对性地进行内容生产。

在AI的支持下，创作者也可以催生出新的调查方式和写作手法。很多在过去因资源匮乏而无法推进和创作的故事，都有可能被孵化出来。

第四，企业应用 AI 技术的担忧不容忽视。这其中，网络安全被认为是等级最高的担忧。不过，有 43% 的受访者担心基于 AI 的决策失败，另外还有 39% 的受访者认为决策的合法性、关键情况下的决策失败非常关键。

这与公众尤其是部分名人，比如 Elon Musk所掀起的「AI 威胁论」形成了鲜明的对照¹。坦率来说，企业高层对于 AI 的担忧不仅反映了技术的局限性，更重要的是，企业人员的理性、务实态度，更能看清楚这些局限性对于企业发展的巨大隐患。

无独有偶，李开复日前接受了 Bloomberg 科技节目主持人 Emily Chan 的专访，其中谈到了人工智能现状、中美竞争以及 AI 的价值观，专访的视频详见这里。

李开复在这个视频的最后，完全否定了马斯克对于 AI 的判断，他随后在 Twitter 上表示：

AI is being applied widely. We need to deal with many issues, but singularity/robot overlords isn’t one of them.

那么，到底什么才是人类最担心 AI 的地方呢？

代码里的智能远没有代码里的道德更重要

如果你看过电影《少数派报告》，一定会意识到一点：相比于那个强大的犯罪预测系统，操作这个系统的人更可怕。

这也是最近一段时间以来，围绕人工智能的各个话题最值得探讨的一个：所谓 AI 应用/程序里的道德如何界定？

已经有数不胜数的案例摆在我们面前。Google Photo 曾将相册里黑人识别为大猩猩，部分意义上也折射了程序设计者的价值取向；而包括 IBM、微软在内的多家公司的人脸识别产品，在识别深颜色以及女性时，精准度直线下降；而在纽约警察局的一份庞大的犯罪嫌疑人数据库里，预计有 95% ——到 99% 的人是非洲裔美国人、拉美人以及亚裔美国人……

而与之相对的则是，美国、英国、中国的各个城市，相继开始在城市的街头铺设被 AI「武装」的摄像头，用于搜索犯罪嫌疑人。

这也意味着，作为普通民众，每天必须面对早已被植入价值观的 AI 摄像头捕捉自己的行踪。

科技公司们所扮演的角色，则是不断增加新的焦虑，下图展示了仅仅在 2018 年硅谷公司所面临的 AI 道德困境。

上图出现在上周举行的 AI Now Symposium 大会上，MIT 的一篇文章提出一个非常关键的问题：面对所谓的 AI 道德困境，到底谁来准确定义「道德」？以及谁来执行道德标准？

文章提到，MIT 做过一个关于道德的众包调查，将曾经一个经典的「电车悖论」放在自动驾驶汽车的场景下，全球数百万位用户提交了他们心目中的最优结果，最终的结果显示，不同地区对于道德的认知也是完全不同的。

另一方面，即便是制定了所谓的道德标准，似乎也无法执行。以 Google 为例，尽管 Google 曾在今年 6月表示自己不再参与军方的 Maven 项目，并发布了 Google AI 的原则和底线，但如果不是 Google 员工的抵制，上月 Google 或许也不会宣布放弃与军方的另一个项目。在当时皮查伊撰写的公开信里，我注意到有这么一段话：

We want to be clear that while we are not developing AI for use in weapons, we will continue our work with governments and the military in many other areas. These include cybersecurity, training, military recruitment, veterans’ healthcare, and search and rescue. These collaborations are important and we’ll actively look for more ways to augment the critical work of these organizations and keep service members and civilians safe.

我在当时的一期会员通讯里指出：

这意味着，Google 不会停止与政府的合作，只是不会和政府合作涉及到战争的项目。也正是这段话，让 Google 此次发布的这些原则和底线都更像是一个纯粹的 PR 行为。Google 即没有设置相应的监督机制，也没有提出必要的防御措施，整个表态也就失去了其意义，此次 Maven 项目的争议中，Google 内部上千名工程师的签名信以及辞职威胁的作用到底有多大，以及在其他公司又有多少可复制性，都是一个巨大的问号。

而在这场大会上，众多专家提出了各自的解决办法，来自纽约大学法律学院的教授 Philip Alston 认为，应该将人权纳入到人工智能道德标准之中。他的论据是，由于人权受宪法保护，因此，通过判断人工智能是否违背人权来判断是否有道德。

遗憾的是，类似这样的讨论还不会在中国社会出现，当下人工智能作为一项国家战略，俨然成为政客、投资（机）者、机会主义创业者共同打造的利益共同体。国家话语体系里的「与美国掰手腕」与企业宣传中的「提升效率」成为这片土地上人工智能的主流话语，至于代码里的道德、个体的权益，从来不是这个国家所关心的事情。

或许正因为此，当BBC 记者 John Sudworth 在贵阳体验当地的「天网」系统时（视频在这里），贵阳的管理者们天然以为这又是一个「弘扬国威」的好机会，毕竟，这可谓全球最领先的系统，但最后的传播结果却是全世界都看到了，在这片广袤的土地上，一群群人被如此这般强大的系统监控着……

6 个 AI 新兴国家

毫无疑问，美、中、英三国是目前人工智能领域的领先者，但随着人工智能的快速发展，其他国家也开始认识到人工智能之于未来国家发展的重要性，并结合各自的实际，制定了相关战略，下面就来看看其中的 6 个主要代表。

1. 新加坡。新加坡在 2017 年 5 月发布了「AI Singapore」，计划将政府、研究机构与公司的 AI 能力整理在一起，未来五年投入 1 亿美元用于相关项目建设。与此同时，新加坡也是首个向自动驾驶出租车开放城市公共道路的国家。
2. 阿联酋。阿联酋是中东地区首个发布 AI 战略的国家，也是全球唯一一个在政府设立「人工智能部」的国家。利用这些国家层面的支持，阿联酋希望获得更多国际关注，吸引技术和人才，参与本地的 AI 人才培养与项目建设。
3. 以色列。以色列在医疗人工智能领域处于绝对领先的地位，拥有十多家医疗 AI 创业公司；以色列政府宣布会在 5 年投入 2.8 亿美元，用于医疗数据数字化并继续挖掘这些数据背后价值。
4. 印度。印度在今年夏天发布国家层面的 AI 战略。印度的野心很大，他们希望将本国的 AI 发展转变为推动其他发展中国家经济发展的「燃料」，主要关注医疗、农业、教育、智慧城市以及交通建设。
5. 法国。法国政府在今年早些时候发布了一份长达 150 页的报告，详细介绍了法国在人工智能领域的思考，计划投入 20 亿美元，用于医疗、环境、交通与安全领域；在英国脱欧后，法国也努力成为欧盟地区人工智能的中心，目前 Google、Facebook 在当地都有人工智能研究机构。
6. 加拿大。加拿大拥有人工智能领域两位杰出的科学家 Yoshua Bengio 和 Geoffrey Hinton，他们的学术号召力吸引着全球范围内的人才涌入到加拿大，而硅谷的公司，包括 Google、Uber、Facebook 等也在加拿大设立分公司或研究机构；更重要的一点，考虑到美国当前的移民限制，加拿大的人才优势还将进一步凸显出来。

以上就是本期 Dailyio 会员计划的全部内容，感谢大家的订阅和支持！

ZDNet 上周有一篇很有趣的文章，提到人工智能领域 9 个毛骨悚然的案例。文章链接在这里，感兴趣的读者可以直接点开阅读，我在这里仅就其中的几个案例做一些简要分析。

如果每个案例用一句话来概括，大概是这个样子的：

1. AI 程序同类相食；
2. FB Chatbot 创造了自己的语言；
3. 被人类教坏的 Twitter 机器人 Tay；
4. Google Assistant 之间的「对话」；
5. 机器人 Sophia 对人类命运的「预言」；
6. Target 超市的精准预测；
7. Tay 2.0 继续被人类教坏；
8. 将乌龟识别成为来复枪的图片识别应用；
9. 特斯拉自动驾驶系统将前方卡车识别成天空，造成的车毁人亡。

类似这样数字开头的文章，无论中文还是英文，不管内容质量如何，都有着不小的传播能量。仅就 ZDNet 的这篇文章来看，还是有几个值得探讨的地方。

首先，Target 超市和特斯拉的案例，放在人工智能领域多少有点牵强。前者更多的数据挖掘，而且是 2010 前后的事情，当时被认为是「大数据」的一个重要应用案例，现在被包装为人工智能智能决策的「新故事」。

而后者，根据最后美国国家安全交通局的报告，特斯拉车主的这起事故，与特斯拉自动驾驶系统没有关系，而是驾驶员在自动驾驶系统已经发出提醒的时候，没有及时采取刹车措施，最终造成了惨剧。

其次，关于 FB Chatbot 创造了「语言」的事儿，则是媒体的误解。这事是 Facebook 人工智能实验室用生成对抗网络（Generative Adversarial Networks）开发了一套系统。简单来说，Generative Adversarial Networks，很多人简称为 GNN，可以理解为两个神经网络相互对抗的架构，利用这个架构，可以快速提升整个系统的智能水平。

而所谓机器人产生了新语言，Facebook 人工智能实验室是这样解释的：

While the idea of AI agents inventing their own language may sound alarming/unexpected to people outside the field, it is a well-established sub-field of AI, with publications dating back decades.

Simply put, agents in environments attempting to solve a task will often find unintuitive ways to maximize reward. Analyzing the reward function and changing the parameters of an experiment is NOT the same as “unplugging” or “shutting down AI.” If that were the case, every AI researcher has been “shutting down AI” every time they kill a job on a machine.

该研究小组的成员之一，佐治亚理工学院的访问学者 Dhruv Batra 同时强调媒体渲染「AI 创造了新语言」的报道是「（骗取点击）的标题党以及不负责任的行为」。

从这个案例进一步引申，所谓 AI 程序同类相食的事情，也有夸大之嫌。这个案例来自 Quora 的回答，AI 研究者 Mike Sellers 回忆自己早年间在 DARPA 的一段工作经历。

Mike 设计两个 AI 程序，分别命名为「亚当」和「夏娃」，Mike 模拟了苹果树的场景，然后让两个 AI 程序吃树上的苹果，并将吃苹果这件事和感到愉快绑定起来，而吃其他的，如树、木头则不会感到愉快。

随后，Mike 又引入另一个程序，名字叫「斯坦」，这个 AI 程序被设置为「喜欢独处」，并经常在「亚当」、「夏娃」吃苹果的时候自己溜达。

然后就发生了一个惊人的一幕，当「亚当」和「夏娃」吃完苹果的时候，她们发现「斯坦」似乎也很好吃，于是两个 AI 程序开始轮流咬起了「斯坦」，最终「吃掉」了「斯坦」。

表面看起来，这个案例的确是「AI 程序同类相食」，但被忽视的一面则是，从始至终，这三个程序的设计和模拟过程，都是有人类参与的；每一次程序的操作所引发的权重变化（比如程序是否「感到愉快」），也是人类工程师所设定的。因此，发生上述场景，与其说是 AI 程序「觉醒」，倒不如说是程序设计的 Bug。

Mike 在这个回答的最后写道：

We had to reconstruct some of this after the fact from the agents’ internal telemetry. At the time it was pretty horrifying as we realized what had happened. In this AI architecture, we tried to put as few constraints on behaviors as possible… but we did put in a firm no cannibalism restriction after that: no matter how hungry they got, they would never eat each other again. We also fixed their body mass, how fast they got full, and changed the association with someone else from one of food to the action of eating: when you have lunch with someone often you may feel like going to eat when you see them again — but you wouldn’t think of turning them into the main course!

第三，可怕的 Tay，是人类社会丑恶面的真实体现。Tay 是微软在 2016 年 3 月推出的一个 Twitter 机器人，她的说话方式非常类似于十九岁的美国女性，然后通过和 Twitter 用户的互动（比如回复、转推）来进一步学习如何发表观点。

但很快，Tay 就失控了，比如下面这个回复，Tay 说出了「我在警察面前嗑药」。而其他的发言，还包括种族主义的言语。

接着，微软将其下线。微软最后也发表了公开道歉：

We are deeply sorry for the unintended offensive and hurtful tweets from Tay…

Tay is now offline and we’ll look to bring Tay back only when we are confident we can better anticipate malicious intent that conflicts with our principles and values.

Although we had prepared for many types of abuses of the system, we had made a critical oversight for this specific attack. As a result, Tay tweeted wildly inappropriate and reprehensible words and images. We take full responsibility for not seeing this possibility ahead of time.

尽管随后 Tay 再次上线，也就是 Tay 2.0 ，但依然没有「从良」的迹象，最终微软将其永久下线。

在这个机器人「觉醒」的案例里，Tay 从「出生」开始似乎就是一张白纸，一如人类的孩子。而通过社交媒体的大环境，Tay 所「学」到的，只是一套污言秽语甚至种族歧视的语言，从这个角度去看，与其说这是一个关于人工智能的实验，倒不如说，这是一个关于社交媒体的社会实验。也从一个层面说明了一点：所谓人性的善恶，更像是环境所制造的结果。

第四，将乌龟识别成为来复枪这个案例，更有意义的解读则是当下人工智能尤其是图像领域的局限性。正如这个实验谈到的，「一像素攻击（One Pixel attack）」对于误导图像识别非常关键。比如在这篇论文里，研究者发现仅仅修改一个像素，就可以干扰 70.97% 的图像识别，因此论文作者认为，深度学习网络设计者必须考虑此类看似低维的攻击。

不久前也就有一个类似的案例。研究者在一个图像识别系统里设计了一个客厅的场景，系统非常正确地识别到椅子、人和书架（如上图）。接着，研究者将一个大象的图像引入到这个场景里，此时系统就开始出现了「故障」（如下图），比如在进行了一番「识别」之后，系统将椅子识别为沙发，而把大象识别成了椅子。

研究人员用「The Elephant in the Room」这样一个一语双关的标题发表了一篇论文。该论文认为，当下图像识别系统是不稳定的，而且一些局部变化还能引起全局影响，最终造成整个图像识别的错误。

综上来看，ZDNet 所选取的几个所谓 AI 可怕行为，除了一些被偷换概念的案例外，更多的「可怕」，则是媒体在报道上的误解与无知，以及在某些宏大命题，如人类被机器取代、人机对立上的炒作。

事实上，这些「可怕」更是人工智能当下局限性的真实写照。程序设计的不完善、算法的不透明以及 AI 程序生存环境之恶劣（参考 Tay 的遭遇），才是 AI 程序如此「可怕」的根本原因。

上周五的《纽约时报》上，两位 AI 领域的资深研究者 Gary Marcus 和 Ernest Davis 撰文指出，人工智能根本无力解决假新闻问题，虽然这篇文章是对扎克伯格寄希望于人工智能帮助 Facebook 度过难关的回应，但同样也可以用在本文的结尾，以回答所谓 AI 的可怕行为：

Understanding the significance of the passage would also require understanding multiple viewpoints. From the perspective of the international organization for scouts, making condoms available at a global gathering of 30,000 to 40,000 hormone-laden adolescents is a prudent public health measure. From the point of view of WND, the availability of condoms, like the admission of girls, gays and lesbians to the Boy Scouts, is a sign that a hallowed institution has been corrupted.

We are not aware of any A.I. system or prototype that can sort among the various facts involved in those four sentences, let alone discern the relevant implicit attitudes.

如果你细心留意最近一两年人工智能领域的进展，不难发现一个颇为有趣的现象，如果说 2016、2017 年是这个概念被炒作、被「PPT 化」的时间段，那么到了 2017 年下半年，尤其是从 2018 年元旦到春节这段时间，人工智能领域的热度「意外」地被区块链、比特币以及其他加密货币所取代。

这个关注度的转变直接引发了两个深刻的变化：其一，所谓 AI 创业不再是最炫酷的领域，这意味着融资变得困难；其二，随着 AI 热度的下降，从创业者、巨头到投资人，都开始关注人工智能的落地实践，由此也奠定了 2018 年人工智能发展的总基调：从产品到客户、从技术到案例、从影响 C 端消费者到惠及 B 端企业。

麦肯锡 AI 报告

我曾不止一次地在 Dailyio 会员通讯里谈过这个变化，同时我也多次表示，这其实是一个非常利好的变化。通过这个变化，可以让全行业对于 AI 的边界——能做什么、不能做什么——有一个正确的认知，不管是从短期的行业应用还是中长期的全行业 AI 化都有巨大好处。

在本月麦肯锡发布的一份分析报告里，也对 AI 边界做了一番分析。首先，AI 所带来的经济变革，具有巨大的经济效应，麦肯锡给出的一个数字：未来，AI 将在 19 个垂直行业里每年创造出 3.5 万亿到 5.8 万亿美元的价值。

所下图所示，旅游、运输/快递、零售将是最有可能被 AI 驱动进而快速增长的行业。

在下图里，可以进一步看到未来 3 年不同行业对于 AI 的投入变化。

事实上，AI 之于行业以及国家经济发展的判断已经得到越来越多的关注。

根据加拿大政府本周发布的一条消息，今年 12 月份加拿大将举办 G7 成员国的人工智能峰会。虽然目前的具体日程还尚未公布，但有个细节值得关注，此次会议将在加拿大蒙特利尔举行，会议举办地和举办时间基本也和 NIPS（Neural Information Processing Systems）重叠，后者是深度学习、机器学习领域最大规模的年度会议，两个会议之间会不会擦出一些火花，也非常值得期待。

其次，要实现上述的美好远景，当下 AI 也面临诸多困难。比如当下人工智能发展的「主力部队」其实是机器学习，它不仅需要海量的数据，还需要大量由人类参与并标注的数据，倘若没有这些标注的数据，所谓机器学习、深度学习的算法几乎没有任何用武之地。

再比如机器学习决策的「黑盒子」效应，算法的不可解释性让 AI 决策的道德边界受到质疑，尤其是在算法设计过程中，人为的偏见，从种族到性别再到年龄、职业的偏见，是否会影响最终决策的公平、公正，一直是行业关注的话题。

由于日益成长的市场需求，特别在欧盟 GDPR 出台后，基于数据的 AI 决策亟需解释。包括 IBM、微软等公司都在试图解开这个「黑盒子」里的秘密，以 IBM 新发布的 OpenScale 为例，这个基于云端的 SaaS 产品，可以去扫描、检测系统中的 AI 产品，从中检测出可能的决策偏见并提供相关解释，但这个领域还处在相对早期的阶段，离完美解释一个 AI 决策还有相当长的时间。

AI 与 FB 的新「战斗」

尽管没有足够的证据证明，俄罗斯人利用 Facebook 操纵了两年前的美国总统大选，但 Facebook 上泛滥的假新闻、仇恨内容已经是不争的事实。

随着 11 月份美国中期选举即将到来，Facebook 也拿出了应对策略，他们设立「War Room（选情战情会议室）」，这个会议室成员来自 20 多个产品团队，包括情报分析、数据科学、运营、法律政策以及产品人员，他们的目的就是快速定位 FB 信息流里的选举相关内容，鉴别到底是虚假内容还是仇恨言论。

本周 FB 邀请众多媒体参观了这个位于 Facebook 总部的会议室，你可以在这里查看 CNN 的视频报道。

《纽约时报》曾在一个月前做过一次独家探访，并介绍了运作模式：

Once a problem reaches the War Room, the dashboards will be set to spot and track unusual activity, while data scientists and security experts take a closer look. Mr. Chakrabarti said the team was particularly on guard for posts that manifested “real-world harm,” and planned to remove posts that tried to disenfranchise voters by giving incorrect polling data or spreading hoaxes like encouraging people to vote by text message.

简而言之，面对各方压力，扎克伯格的 Facebook 已经放弃了一贯以来所坚持的「技术至上」主义，试图通过人力来弥补技术，尤其是 AI 的不足。

如果回顾 2018 年扎克伯格在 Facebook 未来发展与 AI 技术之间的表态和行动，也可以进一步看出当下人工智能的局限性。

4 月初的国会听证会上，扎克伯格表示会持续推进人工智能应对仇恨言论的研发工作：

Zuckerberg said that the company is increasingly developing AI tools to flag hate speech proactively, rather than relying on reactions from users and employees to flag offensive content. But according to the CEO, because flagging hate speech is so complex, he estimates it could take five to 10 years to create adequate A.I. “Today we’re just not there on that,” he said.

但对于当下，扎克伯格承认，还需要大量人类员工来解决这类问题：

For now, Zuckerberg said, it’s still on users to flag offensive content. “We have people look at it, we have policies to try and make it as not subjective as possible, but until we get it more automated there is a higher error rate than I’m happy with,” he said.

为此，FB 将在今年年底将内容审核人员扩充到 20000 人。

4 月底的财报分析师会议上，扎克伯格说出的这段话多少令人不适：

One of the pieces of criticism we get that I think is fair is we’re much better able to enforce our nudity policies, for example, than we are hate speech,The reason for that is it’s much easier to make an AI system that can detect a nipple than it is to determine what is linguistically hate speech, so this is something I think we will make progress on and we’ll get better at over time. These are not unsolvable problems.

撇开这句话的表述是否恰当，这里反应出了人工智能在产业界的困境：计算机视觉的发展速度远远快速自然语言理解。

而这段表述也成为今年 5 月 Facebook 年度开发者大会 F8 的主旨，Facebook CTO Mike Schroepfer 又一次强调，人工智能将成为保证 Facebook 社区安全运行的重要工具。比如他在接受 Wired 记者采访时这样说道：

If I told you that there was a human reading every single one of your posts before it went up it would change what you would post……

我曾在当时的会员通讯里指出了一点：

也正是这样的假设，构成了今后 FB 应对舆论质疑的重要观点，这是硅谷对于技术、效率的迷恋，FB 也将自己的未来与人工智能的未来，尤其是自然语言理解的未来捆绑在一起。

但正如 Quartz随后所报道的那样，很多分析师并不认同扎克伯格对于「AI 一定会拯救 FB」的承诺：

“Mark Zuckerberg is being realistic when he says ‘we will have A.I. tools that can get into some of the nuances’ in 5–10 years, but there are a lot of nuances and not all of them will be able to be automated away,” Babakar says.

Other researchers disagree on Zuckerberg’s timeline, with the disclaimer that technological predictions are always difficult to make.

这一系列略显乐观的承诺随着 7 月份新一季财报的数字而失去任何意义，当 FB 高层认为由于众多原因（包括操纵选举的指控、剑桥分析分析滥用用户数据等），导致用户增长以及用户活跃度下降后，FB 的股价也应声下跌，创造了有史以来美国股票单日的最大跌幅纪录。

一个可以遇见的情况是，Facebook 还将持续在人工智能领域发力，比如上月推出有屏智能音箱 Portal，就试图通过社交与视频、图像技术的结合，进一步增加用户粘性；再比如其在 AI 基础研究的投入，根据福布斯的报道称，预计到 2020 年，FB AI 实验室人员的规模将翻番，从现在的 200 人左右增长到 400 人，这些研究成果，包括图像、自然语言理解的研究突破，都会应用到 Facebook 产品中。

但另一个显而易见的问题也摆在 FB 面前，AI 技术的局限性，目前尚无法让这个庞大的社交媒体自动化运行，还需要巨大的人参与其中。而且这也远非过往仅仅依靠底层甚至第三国家的审核员可以应付，「War Room」如此高的科学家、工程师配置，目前也尚不知晓能否应对即将到来的中期大选，那么两年后的总统大选呢？如果类似「War Room」成为一种常态，Facebook 是否也应该重新定义 AI 的位置呢？这一切疑问只能留个时间来回答了。

Google 如何赋予手机相机 AI 能力

本月，随着 Google Pixel 3 系列和华为 Mate 20 系列手机的发布，2018 年的智能手机「军备竞赛」已经落幕。全球范围内的几个玩家，包括苹果、三星、华为、Google 都拿出了不同的解决方案，在撇开外观、性能对比之后，如果将目前消费者最看重的相机来进行对比，则呈现出三大阵营：

• 苹果、三星：软（调教算法）硬（摄像头配置）均衡并一体化；
• 华为：优先保证硬件配置，其次是软件的优化；
• Google：AI 算法优先，硬件配置或许无所谓；

上述三个阵营里，Google 的做法略显极端，但如果你领教过 2017 年 Pixel 2 的成像效果，或许你也会惊叹到 Google 为何能在一个后置摄像头的前提下，做出一个如此强大的手机相机。

在本月中旬发布的 Pixel 3 系列里，Google 继续以一个后置摄像头横行天下。硬件层面，Google 在 Pixel 里继续内置了一个专属的图像处理器，在这个基础之上，将 Google 的 AI 能力，尤其是计算机视觉能力，输出到这台小小的手机上。

据两个例子，Top Shot，类似于 iPhone 中的 Live Photo，会记录用户按下快门前后的几秒图像，但 Google 做到了一点：让手机自动帮助用户挑选最好看的照片。

另一个就是 Night Sight，也就是夜视功能，不同于其他手机夜拍时的多张合成，而是通过对大量图片的机器学习，Pixel 3 的相机可以自动增强照片的颜色，所带来的就是更好的夜拍成效效果，下图就是一个非常直观的案例对比。

其他的创新功能还有很多，详细的介绍可以参加这篇文章。过去一年多时间，围绕手机拍照领域的变化非常快，华为利用硬件堆积加软件调校走出了一条全新的道路，也引发了行业的震动。而 Google 继续坚持 AI 唯上的理念，不断将过往基于云端的图像处理能力——如果你用过 Google Photo，一定会机器自动修复的照片所震撼——下沉到智能手机上，也给整个行业带来新的思考：到底 AI 给予智能手机拍照的提升，是仅仅局限在后期的磨皮还是前期的成像？以及，当 AI 拍照的场景识别逐渐沦为积累的时候，AI 还能如何主动、自动给相机带来质的变化？（完）

前 IBM CEO 郭士纳（Lou Gerstner，Jr．）曾写过一本名叫《谁说大象不能跳舞？》的畅销书，讲述了郭士纳如何带领 IBM 在上世纪 90 年代实现华丽转型的故事。

而现在，又一只「大象」站在了舞台中央，它也想随风起舞，这就是华为。

本周，华为召开了一年一度的全联接大会，这是华为每年最值得关注的会议之一，尤其是随着云计算成为华为当下最重要的发展方向，现在的全联接大会，已经成为观察华为接下来战略走向的重要窗口。

这次全联接大会的确也吸引到众多关注。首先，从会议主题上，「+智能，见未来」的口号彰显出此次会议的重要议程：人工智能。

这是一个颇不寻常的变化。事实上，早在 2017 年 4 月，我就曾一篇会员通讯里谈及：

当被问及华为如何看待人工智能时，华为轮值 CEO 徐直军直言：华为从来不把人工智能当作新技术或新产业，而是将人工智能作为使能内外部产品进化的层面。下面这张 Keynote 来自徐直军在华为 2017 分析师大会上演讲：

在徐直军看来，基于人工智能领域的技术进步，手机也将迎来真正的「智能时代」（从 Smart 到 Intelligence），去年华为推出的荣耀 Magic 有着一定意义投石问路的意义，尽管目前效果还不明显，但至少已经跳出了智能手机要么押注窄边框、要么押注美颜相机的同质化竞争层面。

而在去年 9 月的华为全联接大会上，华为发布基于公有云业务的企业智能产品（Enterprise Intelligence，下文简称为「EI」），试图在云端提供一系列面向企业的人工智能服务。

不过，在华为透露的一系列合作案例里，外界并不能真正理解人工智能之于华为云以及华为的意义。尽管 EI 拥有计算平台和众多服务，如下图所示，但整个产品线看起来依然像是一个基于公有云的 PaaS 或 SaaS 产品。

而一个被外界忽视的细节是，2017 年 11 月份的时候，华为掌门人任正非在华为内部 GTS（全球技术服务）做了一番讲话，其中就谈到了人工智能。我曾在当时的会员通讯里提及，这可能是理解华为人工智能发展方向的重要参考，这个讲话有以下几个关键点：

1. 人工智能聚焦内部效率提升；
2. 加快研发公司统一的人工智能平台；
3. 加强内部的协同效应。

请注意标粗的第二点，「统一的人工智能平台」恰恰是今年全联接大会的主旨，华为轮值董事长徐直军本周发布了被广泛认为是近年来华为最具变革意义的项目：全栈全场景的人工智能平台。

至此，华为过去两年做了两件颇具象征意义的转型，或者说战略变化：进军公有云市场；推出人工智能平台。

二

所谓全栈全场景的人工智能平台，分别是从技术和业务的角度去定义这个平台。站在技术研发的角度，该平台可以实现端到端的研发；而以业务部署的角度去看，可适配公有云、私有云、混合云以及其他各种边缘设备等。

在上图里，红色部分是此次华为发布的一系列新产品，横跨了芯片、芯片算子库、神经网络计算框架、预集成多项方案的全流程服务。

这可能是放眼全球都屈指可数的解决方案，华为的优势在于过往十几年所积累的 ICT 经验，使其具备了云（主要是私有云）、管（网络）、端（物联网设备和手机）的研发整合能力，更重要的一点还在于，华为作为一家体量如此庞大的公司，能够在过去一年半的时间，从集团层面实现人工智能战略的贯彻实施，这已经构成了一个重要「胜利」。

但不论是国内还是海外，此次外界更多的关注点，还是聚焦在华为发布的人工智能芯片：Ascend 910。这是一款面向数据中心的人工智能芯片，华为官方将其性能定义为「目前全球已发布的单芯片计算密度最大的AI芯片」，将在明年二季度通过华为的公有云提供相关服务。

这是一个与 Google Cloud 的 TPU 颇为类似的做法，2016 年，Google 率先发布了一款基于云端的人工智能专用芯片 TPU（tensor processing unit），截止到 2018 年 5 月，Google TPU 已经更新到第三代。

相比于传统的 CPU、GPU 和 FPGA，TPU 由于是一款专用处理器，因此能提供更强的性能，并在功耗上有巨大优势，Google 希望将其作为 Google 人工智能以及 Google Cloud 的重要卖点，因此，想使用 Google TPU 所带来的人工智能训练能力，必须购买 Google Cloud 的公有云服务，这也是 Google Cloud 过去两年快速发展的助推器。

回到此次华为发布的人工智能专属芯片上，目前可以确定的消息是，华为不会直接售卖这款芯片，而是将其打包到整个人工智能开发框架之中，也就是上文提及的全栈全场景的人工智能平台。开发者或者企业，只有在这个平台上，才能使用华为的这款芯片，这也让未来华为人工智能的商业模式愈发和公有云绑定在一起，或者可以这么理解：华为希望依靠人工智能来实现快速追赶阿里云的目标。

三

如上文所言，华为的确有这样的底气。以终端为例，自去年开始，华为就在智能手机上加速推进人工智能部署，我曾在当时分析麒麟 970 处理器的会员通讯里，提及一个有趣的现象：

一个特别有趣的现象，华为 PR 此次特别嘱咐不要提及寒武纪在麒麟 970 研发中的作用，或许，华为已经开始自主研发下一代麒麟处理器的神经网络处理单元了。

类似地，不久前的麒麟 980 发布后也出现了类似的「叮嘱」，科技媒体「深科技」也在昨天的一篇文章中写道：

在 2017 年底，麒麟 970 发布会之初，其实市场就已经抓到不少华为正在布局 AI 功能的蛛丝马迹，而随后的发布会内容虽然提到新款麒麟芯片采用了 AI 核心，但华为不只拒绝透露其架构来源，而当中国科学院计算技术研究所送出恭贺采用寒武纪架构麒麟芯片正式量产的公开祝贺信，华为的态度并非欣然接受，而仅强调其 AI 能力主要来自于自家研发 10 年的积累。

参考此次华为发布的 Ascend 系列芯片，除了用于数据中心的 910 之外，还有已经上市的 Ascend 310，这款芯片面向边缘侧，也是目前面向边缘计算最强算力的芯片，而如果以华为对于全场景的描述， Ascend 系列倘若覆盖手机 AI 芯片，可谓一点也不稀奇。

芯片之外，华为更希望得到开发者的认可。在面向开发者的 PaaS 层面，提供了如下几个类型的产品选择；

• AI 开发平台 ModelArts；
• 视觉AI应用开发平台 HiLens；
• 探索性的量子计算模拟器与编程框架 HiQ；

这其中，除 HiQ 之外，ModelArts 和 HiLens 都将成为华为人工智能开发能力的集中展现。有趣的是，这两个产品与去年亚马逊 AWS 发布了两个产品非常类似：ModelArts 对应的是 SegeMaker，而HiLens 对应的是则是 DeepLens，感兴趣的朋友可以再去对比下。

这注定是一场不同寻常的战役。如果从企业基因的角度去看，且不说华为是服务运营商所起家的公司，只看华为其他产品的客户，无一不是大客户，这样的商业模式，使得华为长期以来形成了「以客户为中心」的产品导向和文化。

但在人工智能领域，客户不再是可以豪掷千万的央企、跨国巨头，越来越多的人工智能「客户」变成了中小企业甚至个人开发者，从讨好大客户到讨好开发者，这种变化将成为技术之外，华为所面临的巨大挑战。

当然，华为也给开发者们开出了优厚的条件，在一项命名为「华为 AI 沃土开发者使能计划」的生态规划里，华为面向开发者、合作伙伴以及高校、科研机构提出了多个措施，包括开发者的入门训练、举办 AI 开发者大赛、针对合作伙伴的免费产品，尤其是对于高校和科研机构，华为承诺要拿出 10 亿人民币用于 AI 人才培养。

上述这一系列做法都归结于一点，人工智能之争离不开生态之争。但与阿里巴巴、百度相比，华为长期以来坚持不做任何股权投资，这当然使得华为云以及华为人工智能平台有底气标榜自己是「中立的平台」，但另一方面，由于缺乏所谓的「干儿子」，也会导致华为在生态建设速度上不及 BAT。

当阿里系以卖赛道式的方式砸钱图像识别的时候，当百度围绕 DuerOS、Apollo 两大平台频繁投资收购的时候，华为所承诺的「底线」到底能不能再次形成一条独特的发展道路？这一切都是未知数。

今年 Google I/O 大会期间，面对一系列看似炫酷的技术和全球媒体一声声「Amazing」的欢呼，我曾在社交媒体上发出一个感叹：

Google I/O 大会上放出的各种黑科技都是以「哇」开始，若干个月后，都是以「唉」结束，一年又一年。

这当然不是 Google 的特例，但由于 Google 本身的品牌形象，比如长期以来作为一种技术先进性的代表，全球媒体的聚光灯都在盯着这家公司的一举一动，因此看起来 Google 承诺落空的时候也特别多。

另一方面，则是 Google 的互联网基因，决定了其诸多产品的开发落地，往往是一种快速迭代的流程去推进，而一款几千人测试的产品与几亿人使用的产品，中间迭代过程充满了各种不确定，这也导致很多呼声大的产品最终夭折而一些原本不起眼的产品却异军突起。

的确，Google 是这个星球上最具创新性的公司之一，它能实现无数个从「0 到 1」，但除了在线广告，Google 很少能在其他领域将「1」变成「10」。

这或许也是 Google 长期以来无法进入企业级市场的主要原因。作为企业客户，他们需要的是一个可以信任的技术供应商，这种信任不仅是对技术创新的投入，同时也需要在技术、功能、服务之间实现某种平衡。

结合上周的 Google Cloud Next 大会，我们来梳理一下 Google 企业服务是否值得期待。

二

我曾在上周关于 Android 商业模式的会员通讯里，提到了 Google 的商业赚钱方式：广告。某种意义上说，Google 所有的在线服务都是为了搭建广告分发平台，让广告客户可以更方便也更容易触达自己的「目标受众」，这其中的数据收集、分析与推荐甚至人工智能的加码，都是为了卖出更多广告。

而当 Google 瞄准云服务以后，搜索巨头所需要面对的是一个完全不同的竞争局面。事实上，Google 在云服务的投入非常早，早在 2008 年这家公司就发布了面向 PaaS 服务的 Google App Engine（以下简称 GAE）。简而言之，GAE 提供了一个利用 Google 底层技术来构建 Web 应用的平台，开发者可以方便地部署自己的应用。

这在遥远的 2008 年是一件非常炫酷的事情。彼时，亚马逊 AWS 只能提供最底层的 IaaS 服务，而微软的 Azure 还要至少两年才会发布，但 GAE 作为一款典型的 Google 产品，迷失在炫酷的技术与实用的功能之中，忽略了企业客户的核心诉求：稳定性。

而当 2011 年微软 Azure 开始布局 IaaS，直接与亚马逊竞争时，Google 并没有意识到 GAE 的潜在风险，直到 2012 年 Google 才准备切入 IaaS，但此时的市场格局，亚马逊 AWS 毫无疑问在领跑，微软 Azure、IBM 则利用软件、硬件（IBM 小型机）构建了自己的护城河，Google 云服务，尤其是 IaaS 服务，可谓举步维艰。

但 Google Cloud 显然做得还不错。

根据 Gatner 今年 5 月发布的 IaaS 魔力象限里，Google Cloud 已经成为仅次于 AWS、Azure 的云服务供应商。

这六年到底发生了什么呢？可能我们无法直截了当地给出解释，但可以顺着几个线索去挖掘一下这背后的原因。

2015 年 Google 整合旗下三大云相关的业务，正式成立全新的云端服务部门，并邀请 Vmware 创始人 Diane Greene 为该部门负责人。

此举意义重大，这是 Google Cloud 各项服务整合的起点，包括 Google for Work（SaaS 产品）、Cloud Platform（IaaS 产品）、Google Apps（PaaS 产品），从而也将 Google 所有云服务的研发、销售、客服整合在一起。

另一方面，Diane Greene 作为企业级市场的「老兵」，她的到来也正式宣告了 Google 云服务不再是小打小闹，而是要真正切入到企业级市场，Diane 的经验和人脉也成为 Google Cloud 最大的保证。

其次，2015 年开始，人工智能开始逐步被公众熟知，2016 年，Google Cloud 顺势而为，推出一系列基于 Google 云端服务的机器学习产品，一时间吸睛无数。与此同时，Google 还将图像识别大拿李飞飞招致麾下，出任首席科学家，进一步推动了人工智能在 Google Cloud 产品线中的影响力。

到了 2017 年，包括 Spotify、Snap 等明星创业公司相继成为 Google Cloud 的客户，也让外界认识到 Google 云服务的威力。

Bussinessinsider 援引多位分析师的观点认为：Google Cloud 的前景非常乐观。其中 JP Morgan 的 Doug Anmuth 写道：

Google’s commitment to cloud was evident, We believe Google Cloud is focusing on the right areas, such as expanding partnerships with distributors, including Cisco, VMware, Salesforce, and SAP.

虽然 Google 从未公布过来自云服务的具体营收，只有非常笼统的「这是一个 10 亿美金的业务」，但这位分析师显然非常看好 Google 的这项业务：

We believe Google Cloud revenue could be in the $5 billion to $7 billion range in 2018…..

三

具体来看此次 Google Cloud Next 会议发布/更新的产品，还可以窥见 Google Cloud 发展的几个方向。

首先，人工智能不是未来，而是正在发生的故事。Google Cloud 不仅将人工智能注入到自己的产品里，还进一步向开发者们释放了新的信号：

• 硬件：发布第三代 TPU；
• 工具：公测版的 AutoML Vision（图像）、Cloud AutoML（新增自然语言和翻译）
• 偏解决方案的产品：Contact Center AI，可以让机器直接通过电话与人类用户互动；

除此之外，Gsuite 内的所有新功能，比如智能回复、Google Doc 的语法建议等，都有人工智能的影子。

其次，虽然才刚刚起步，但 Google Cloud 正在打造一个与微软直接竞争的产品矩阵。可能 Google 也比较清楚，相比于遥不可及的亚马逊 AWS，直接挑战 Azure 或许更容易一些，比如 Gsuite 直接对标 Office 365，Google Cloud Platform 直接对标 Azure 公有云，而此次发布混合云产品 Cloud Services Platform 也是对标 Azure Stack 等。

这些产品线上对标，也顺应了当下云计算领域所掀起的多云战略，目前越来越多的企业选择多个云服务供应商，Google 此时提供与竞争对手类似的产品线，也是为了最大限度地争夺市场空间。另外值得一提的是，Google Cloud 还有一个秘密武器，Kubernetes。

Kubernetes 是一个自动化部署、伸缩和操作应用程序容器的开源平台。从形态上看，它十分类似于之前火热的容器技术（Docker），但这几年随着 Google 开源了 Kubernetes，并借助其行业影响力，使得该技术越发成为新的行业标准。与 Docker 类似，Kubernetes 能够帮助企业客户更快更安全地实现数据迁移和业务部署。目前主流云服务商都提供了 Kubernetes 相关服务，但 Google Cloud Kubernetes 的发展速度更快，在功能和技术创新拥有一定的优势。

第三，上周微软、亚马逊、Google 相继发布了财报，亚马逊 AWS 增势不减，云服务营收为 611 亿美元，增幅近 49%；微软并未公布 Azure 的季度营收，但表示增幅高达 89% ¹。但 Google 并没有提供任何与云计算相关的数据。

不过，我们可以透过几家分析机构的数字来一窥究竟。下图来自 Synergy 的数据，展现出二季度云服务商的竞争态势，Google Cloud 增幅超过 60%，但它的身后，阿里云正在全力追赶。

而 Canalys 给出的数字里，Google Cloud 的增速高达 108%，目前的市场份额是 8%。

如果按照去年所透露的 10 亿美金的规模来推测，不管是 Synergy 还是 Canalys 的增幅预测，目前 Google Cloud 的季度营收或许已经超过 20 亿美元²。

这些数字所反映出的，是云服务领域高速增长的现实，而随着企业多云战略的进一步发展，未来企业在云计算的投入也会越来越多，同时需求也越来越多样化，这些新的需求会促使包括 Google Cloud 在内的云服务商继续开拓新的产品线，从而抢占更多市场机会。

对 Google Cloud 而言，这场地盘抢夺战显然不是那么容易，上周刚刚透露美国连锁超市 Target 成为 Google Cloud 大客户之后，Bloomberg 记者 Mark Bergen 在此次大会上注意到一个细节：

Case in point: The bulk of Target’s cloud spending goes to Google, McNamara said, but the company hasn’t bought G Suite apps like Gmail and Drive, despite all the new bells and whistles unfurled this week. “It’s never been on my priority list,” McNamara said. “Our business is selling dresses and cornflakes, it’s not collaborating on documents.” Target pays for Microsoft’s office productivity software instead.

所以，第三季度的数字将会非常关键。