上一篇我们聊了云计算和5G的话题。今天，我们继续来聊另外两个现在热议的技术趋势。

人工智能

人工智能实在是太火爆的话题了。好像所有的问题，只要采用了人工智能的手段都可以一劳永逸的解决。

当我们盲目跟风的时候，我觉得还是需要审慎的思考一下。任何的技术都是为了业务服务的，所以当我们决定是否采用人工智能手段的时候，首先要回到我们业务本身。深入的了解我们想要解决的问题是什么，而不是为了做而做。

同时，还要深入的了解目前人工智能的适用范围。我觉得可以从数据、工程、产品三个纬度来考虑。

首先，我们看数据方面。没有数据就没有人工智能。目前人工智能的技术还非常依赖大量的数据，尤其是高质量的数据。所以，我们在采用之前，先得看一下我们的业务场景有没有充足的数据，数据的质量情况怎么样。如果我们自己没有数据，那是否还有其他手段或者资源得到数据。这几项事情需要提前去调研清楚。

然后看工程层面，人工智能并没大家想象的智能，应该叫机器学习更确切一些。他只是采用了归纳法的方式，先提出模型假设，然后通过海量高质量的数据训练和验证，最终得到事物可能的规律。整个过程都需要人的参与。

从数据的采集、清洗、加工，到模型选取、训练和测试，每个阶段都是一个工程化的过程。机器学习是工程和科研的结合体。很多模型和算法都很美，小数据量下完全没问题，但是在大数据量的实际情况下，根本无法实施。这需要工程的手段逐一优化，才能真正应用起来。

同样，一个更加合理的模型和算法，也会大幅降低工程实施的难度，达到意想不到的效果。所以，要应用好人工智能，得有工程和科研两方面的能力。

最后看产品层面。由归纳法所决定的，机器学习得到的是一个概率性的判断，并不能保证完全的正确。这一点非常关键。我们需要根据具体的应用场景来看是否能够采用，以及如何采用。

举个例子，如果我们的场景是为用户推荐感兴趣的内容。那对用户来说，一两个推荐错误也无伤大雅。如果我们的场景是无人驾驶，那一旦出错，后果就无法挽回。这种情况下，我们就需要审慎的去考虑。

不同的场景和要求，具体实施的时候，就需要充分理解机器学习的边界，从整个产品实施的纬度去考虑。

比如我们可以将应用场景加一些限制。例如无人驾驶，完全在开放环境下实施其实非常困难，甚至面临着伦理的挑战。那我们能不能对驾驶场景做一下限制，比如高速公路的某些路段，这种封闭的环境下来实施。封闭的环境使得机器学习的边界变得可控，达到真实可以采用的程度。

再比如机器人手术，让他全程做完手术就是不现实的，是目前无法完成的任务。那让他成为人的辅助好不好。医生无法稳定完成的，适合他的部分，让他来怎么样。

总结一下这部分，机器学习就是一个工具，也仅仅是一个工具，我们要理解我们的问题本身，再用合适的方式融入他。

区块链

区块链是比特币背后的支撑技术，也是一个热得不能再热的话题。简单讲，他是为大家提供了一个非中心化的不可篡改的账本。

基本原理是这样，每一个参与这个区块链的人都会在自己的本地存储一份完整的账本。当一个新的交易产生的时候，他需要周知到整个区块链上，至少50%以上的人同意后，才能生效。这使得恶意篡改的难度极大。

如果只是这么理解，区块链可能不会得到这么大的关注。能被大家热捧，主要是大家看到了他背后带来的价值。

区块链网络实际上忠实的记录了节点与节点之间真实的协作。通过查看这些记录，也就知道了你曾经跟谁做过什么，结果又怎么样，这些信息就定义了你的价值和信用。这是一个带有网络效应的价值网络。这就给我们带来了极大的想象空间。

举个例子，比如你在经营一家刚起步的小公司，银行可能很难直接贷款给你。但是，如果你正在跟一家信用很好的公司有业务往来，且信誉不错。那银行通过区块链网络就可以了解到这些信息，考虑到这一点，就可以给你更多的授信额度。

区块链没有缺点吗？也不是。因为每次交易记录都需要在所有节点中传播，所以节点越多，所需要的计算、网络、存储资源也越多，耗时也越长。这都需要在未来的技术中去解决。

我们到底如何利用好区块链技术呢？我想还是要回到我们的业务中来。从实际要解决的问题出发，充分考虑到区块链所带来的优缺点，审慎决策。

总结一下，新技术的采用都要经历一个从质疑，到热捧，再到回归理性的过程。技术仅仅是工具，我们对业务本质的理解才是核心。