其實我們不按“主題”投資，我們投資的是擁有突破性創(chuàng)意的創(chuàng)業(yè)者。所以我們一般不會按照某個行業(yè)預設的一些理論進行投資。雖然這樣說，我們也同時在做一些思考和觀察。下面這16個領域就是我們未來會重點關注的投資領域：

　　1.虛擬現(xiàn)實

　　在虛擬現(xiàn)實的世界里，“臨場感”是一種藝術。這是說，一旦VR達到了某種水平，你的大腦就被欺騙了——在最原始最底層的層面——你就會認為你眼前看見的東西是真的。有研究表明，即使你的理性告訴你并沒有真的站著一個懸崖邊，你鼓起所有勇氣準備往下跳，你的原始的掌管動作的大腦部分也會阻止你那么做。

　　有了“臨場感”，你的大腦會讓你感覺自己不是帶了一個設備而是浸入了一個不同的世界。

　　計算機狂熱者和科幻小說作家已經(jīng)期待VR幾十年了。但是早期的嘗試，尤其是90年代，很讓人失望。因為那時候技術還沒有準備好。而由于摩爾定律、以及移動設備蓬勃催生的處理器、屏幕和加速儀等技術的發(fā)展——VR終于進入到主流世界了。

　　我們用一個專有名詞“終止懷疑”來形容我們看電視和電影的體驗。這也是說我們在看電影電視時的默認狀態(tài)是“不相信”。我們只有在足夠浸入的時候才能真的“相信”。

　　而VR技術，情況反了過來。大腦的默認狀態(tài)是“相信”，相信我們看到的東西是真的。一切從“太無聊”變成了“太強烈”。我們需要不斷提醒自己我們看到的不是真的。“終止懷疑”變成了“終止相信”。

　　這意味著有一些軟件在VR環(huán)境里可能難以成功。比如像《使命召喚》這類大型游戲如果做出VR的東西也許會更令人感到害怕和不安。

　　而更可能成功的是一些簡單的體驗。比如：穿越時間看看古羅馬是什么樣子；攀爬摩天大樓以克服恐高癥；為飛機降落進行精準訓練；迅速回到你上次度假的地方；和一個失聯(lián)很久的朋友吃個午餐；像如今在現(xiàn)實生活中與人合作一樣，在VR世界中和人建立聯(lián)系與信任。

　　未來幾十年的VR，會像開始幾十年的電影一樣。電影制作者一開始什么都不知道：如何編劇、如何拍攝、如何剪輯等等。他們花了幾十年的時間，建立了電影語言。在VR上我們也將進入這一時期。

　　VR上會出現(xiàn)很棒的游戲，并且它可能在很長時間里都會占據(jù)VR這個領域。但從長期來看，游戲只是媒體的一小部分。最開始的電視節(jié)目就是新聞欄目和游戲類節(jié)目，但如今電視屏幕已經(jīng)被視為承載內(nèi)容的輸入/輸出工具了。

　　VR會是終極的輸入/輸出工具。有些人把VR稱作“最后的媒體”，因為之后任何媒體都可以在VR之內(nèi)，用軟件產(chǎn)生。回看歷史，如今我們在用的電影和電視屏幕可能是電的發(fā)明以及VR發(fā)明的一個中間狀態(tài)。孩子們會覺得，他們的祖先原來會盯著一個長方形的東西看并且希望自己相信里面發(fā)生的事。

　　2.企業(yè)的“傳感器化”

　　幾年前，一群消費級的互聯(lián)網(wǎng)公司看到手機后說了一句“我靠”。他們都看到了，所有的流量以后都會來自于手機而不是PC。為了利用手機帶來的商機，以前做的一切都要重做。直到現(xiàn)在，還有公司仍在進行這個轉(zhuǎn)變。

　　而在今天的企業(yè)環(huán)境中，類似的事情也正在發(fā)生——企業(yè)服務也要迎來“我靠”的時刻了。但這并不是把企業(yè)服務帶到移動端這么簡單。可做的遠不止如此。

　　想想如今智能手機所展示的無限可能性。智能手機的形式及其功能的復雜性都將商業(yè)形式引向了以前無法想象的境界。而其中最重要的原因就是行業(yè)的“傳感器化”，加上移動端的浪潮以及友好UI的共同作用。

　　同樣的“傳感器化”也要進軍企業(yè)環(huán)境中。

　　企業(yè)UI嚴重落后。所有那些在智能手機上習以為常的操作動作——縮小，放大，滑動，點擊，語音，甚至單純用手指隨意移動——在企業(yè)環(huán)境中都沒有實現(xiàn)。用戶界面永遠是最后被考慮的，是建完數(shù)據(jù)庫后做的最后一件事。這種情況正在變化。

　　那么“傳感器們”從何而來？想想手機的特點。我們并沒有那么多屏幕或者功能可以使用。傳感器基本上是連接到信息和動作的“快捷方式”，用戶不需要什么操作。比如，我們不用每次都手動輸入地址，GPS只要簡單地告知手機“你在這兒”就可以自動處理下一步工作了。

　　在企業(yè)環(huán)境中，傳感器的價值在于成為用戶界面的快捷鍵，甚至有可能消滅打字，然后我們就可以把注意力放在簡單，有趣又有創(chuàng)意的事情上了。

　　3.機器學習+大數(shù)據(jù)

　　在a16z,我們認為“大數(shù)據(jù)”和“機器學習”是相關的兩件事。一直以來，人們認為需要對各種數(shù)據(jù)進行更深入地分析和洞察，這點當然是重要的，因為直到現(xiàn)在我們一直都處在大數(shù)據(jù)的收集階段。但在大數(shù)據(jù)的世界里，最令我們興奮的創(chuàng)新點是，我們來到了預測階段——處理收集到信息的能力、學習模式的能力以及基于已知預測未知的能力。

　　機器學習之于大數(shù)據(jù)就如同人類學習之于生活經(jīng)驗：人類歸納和總結(jié)過去的經(jīng)驗來處理陌生情況。而大數(shù)據(jù)中的機器學習會復制這種行為，并且是在一個巨大的量級上。

　　過去的商業(yè)智能表現(xiàn)為對以往的關注，現(xiàn)在我們則需要預測性的觀點。重要的是，機器學習并不是目的本身，它是每個應用的一個“屬性”。它并不是一個獨立的功能，“Hey，讓我們用這個工具來預測吧。”

　　以Salesforce為例。目前它只能呈現(xiàn)數(shù)據(jù)，用戶要自己分析這些數(shù)據(jù)，產(chǎn)生自己的觀點。然而我們中的大部分人都被Google訓練過了，習慣了從成千上百的可能性中篩選要使用的信息來定制我們自己的用戶體驗。為什么機器做不到呢？企業(yè)應用——在每一個能想象出來的案例里——也將更加智能，因為機器可以在海量的數(shù)據(jù)中不斷學習并發(fā)展出“觀點”。它就像是做任何事的時候都可以幫到你的一個聰明且經(jīng)驗豐富的助手。

　　在這里，關鍵的是要形成大數(shù)據(jù)本身就能帶動應用程序來做出動作，而不需要人工干預。。

　　但所有這些都會在基礎設施層面推動創(chuàng)新，同時也從中獲益。

　　大數(shù)據(jù)需要大計算：Hadoop和Spark在大數(shù)據(jù)技術版圖的什么位置

　　把大數(shù)據(jù)和機器學習看作三步：收集，分析，預測。目前為止，這些步驟彼此分離，因為我們一直以來都從底層建立生態(tài)系統(tǒng)——選擇各種工具——并進行針對性實踐。

　　早期的Hadoop堆棧就是收集和儲存大數(shù)據(jù)的例子。它允許其在一大群廉價的服務器上進行簡易的數(shù)據(jù)處理。但HadoopMapReduce則是批量處理的系統(tǒng)，并不太適合交互式應用；像數(shù)據(jù)流處理的實時操作；以及其他更復雜的估算。

　　對于預測性分析，需要一些基礎設施，能更快響應人類級規(guī)模的交互：今天發(fā)生的哪些可能會影響明天？需要一直有大量持續(xù)的迭代，讓系統(tǒng)智能，讓機器“學習”——探索數(shù)據(jù)，將其形象化，建模，提問，得出答案，導入其他數(shù)據(jù)，然后重復該過程。

　　越實時，粒度越細，我們就可以更快響應，更有競爭性。

　　舊世界中“小數(shù)據(jù)”的商業(yè)智能，只在數(shù)據(jù)庫上放一個小型應用驅(qū)動就足夠了。而現(xiàn)如今，我們要處理千倍于以前的數(shù)據(jù)，所以為了速度能跟上，我們需要平行的，以內(nèi)存為存儲機制的的的數(shù)據(jù)發(fā)動機。為了大數(shù)據(jù)能解鎖機器學習的價值，為我們在應用層面就展開部署。這也就意味著“大數(shù)據(jù)”需要“大計算”。

　　這就是ApacheSpark的作用了。因為它是堆棧中內(nèi)存、大計算的部分，比HadoopMapReduce快上百倍。同時它還能提供交互性并不局限于批量模式。Spark在哪兒都能運行，把大數(shù)據(jù)處理環(huán)境轉(zhuǎn)換成實時數(shù)據(jù)捕捉和分析環(huán)境。

　　在大數(shù)據(jù)/大計算生態(tài)系統(tǒng)中的每一層面我們都有投資，而這個領域仍有很多創(chuàng)新的余地。因為大數(shù)據(jù)計算已經(jīng)不再局限于單一的政府機構和大公司了。即使早期的應用更傾向于出現(xiàn)在數(shù)據(jù)科學家工作的行業(yè)，機器學習作為所有應用的“屬性”——尤其是和一個友好的用戶界面相結(jié)合的時候——就能讓大數(shù)據(jù)進入到各個不同領域，而在這基礎之上有機會誕生出很多偉大的公司。

　　我相信每款應用都將重構來利用此趨勢。同時感謝大數(shù)據(jù)和大計算的革新，讓這一切成為可能。我們處在機器智能加速時期的起始階段，這會對商業(yè)體系和社會產(chǎn)生無限益處。

　　定義

　　-大數(shù)據(jù)：收集大量的信息，無論是結(jié)構性的還是非結(jié)構性的。

　　-大計算：從大數(shù)據(jù)中提取價值所需的大規(guī)模處理能力。

　　-機器學習：計算機科學的一個分支，不用高級別的算法來解決明顯的，命令式的邏輯問題，而是用低級別的算法來發(fā)現(xiàn)暗含在數(shù)據(jù)中的模式。有越多的數(shù)據(jù)，學習就越有效，這也是機器學習和大數(shù)據(jù)會復雜地聯(lián)系在一起的原因。

　　-預測性分析：用機器學習來預測未來的產(chǎn)出效果，或者從已知中推斷未知數(shù)據(jù)點。

　　4.全棧型創(chuàng)業(yè)公司

　　Q：什么是全棧創(chuàng)業(yè)公司？你曾經(jīng)提到過，這是一個非常重要的新趨勢，而且是近年來成功創(chuàng)業(yè)公司的很典型模式。

　　ChrisDixon:傳統(tǒng)的創(chuàng)業(yè)公司采取的方式是向企業(yè)兜售他們的新技術或者尋求授權。新的全棧創(chuàng)業(yè)公司則建造了一個完整的、點對點的產(chǎn)品或者服務從而繞開實體企業(yè)或者競爭者。

　　大公司中很好的對比就是蘋果和微軟。常年以來，微軟只建造全棧當中的一小部分，如操作系統(tǒng)、應用程序。同時依靠合作伙伴生產(chǎn)半導體硬件、文案、組裝、零售等等。蘋果公司卻全部一起做：他們設計自己的芯片、手機軟件、操作系統(tǒng)、應用程序、包裝、零售等等。蘋果告訴世界：如果你可以同時把很多事情一起做好，那么你就有可能創(chuàng)造奇跡。

　　Q：舉個例子？

　　Dixon：我覺得一個很好地例子就是共乘，例如Lyft和Uber。

　　在這些公司成立以前，很多創(chuàng)業(yè)者試圖建立一個讓出租車和私家車利用率更高的軟件。然后他們出外尋找出租車公司并且向他們推銷，使用他們的軟件。

　　基于各種各樣的原因，這并不奏效。出租車公司并不會把這些軟件作為一個競爭優(yōu)勢。他們并沒有一個合適的估價機制或者相關人員去評估這樣的軟件。

　　所以，當技術創(chuàng)業(yè)者試圖將自己的技術和軟件應用到這些企業(yè)里時，很難成功。

　　此時，像Lyft和Uber這樣的公司說：“既然如此，與其把我們的產(chǎn)品賣出去作為一個錦上添花的東西，不如使用我們的軟件打造整個服務行業(yè)。”他們想：“如果我們利用現(xiàn)有技術重頭開始，整個行業(yè)會是怎樣的？”

　　一旦他們真的做成了，消費者和司機都非常喜歡，這幾乎改變了整個行業(yè)，而這些公司才創(chuàng)建了幾年而已。

　　Q：自己建立這種點對點的公司的好處是什么？

　　Dixon：首先，正如我之前提到的，全棧公司使得創(chuàng)業(yè)者得以繞過傳統(tǒng)企業(yè)以及對新技術抗拒的企業(yè)文化。

　　另一個好處就是全棧企業(yè)能獲取更多的經(jīng)濟利益。在這之前，雖然他們提供的技術和服務可能非常有價值，但是由于和用戶沒有產(chǎn)生連接，很難直接從客戶身上獲利或者搜集正確的數(shù)據(jù)從而更新自己的產(chǎn)品。

　　最后，對用戶來說，全棧創(chuàng)業(yè)公司帶來更好的用戶體驗。因為一切盡在掌控之中。這里的區(qū)別就是買到一個美好純正的蘋果產(chǎn)品和買到一個由不同小販組裝而成的產(chǎn)品的區(qū)別。

　　Q：嗯，那這是不是所謂的“垂直整合”呢？

　　Dixon：我覺得全棧創(chuàng)業(yè)公司并不是我們傳統(tǒng)觀念里的垂直一體化企業(yè)。因為這并不是一個賣油的公司買了供應商，而是一個科技公司建造了一個完成的系統(tǒng)從而使得非科技公司為其服務。在我的觀念里，“垂直整合”公司是一個過重而不太實用的說法。

　　但是誠實地說，我有點后悔稱之為“全棧”。這只是一個比喻而已。這只是對這種模式的一個異想天開的影射說法。“端到端”可能更好一些。或者還有一個詞是BliiDavidow說的“全產(chǎn)品”。

　　Q：除了你已經(jīng)分享的例子，還有哪些是全棧企業(yè)的例子。

　　Dixon:Altschool,Buzzfeed,Harry’s,Nest,Tesla,WarbyParker。

　　Q:接下來會發(fā)生什么？

　　Dixon:我認為我們將會看到很多拒絕新技術的傳統(tǒng)行業(yè)越來越接受新技術，而創(chuàng)業(yè)公司也能找到自己的一席之地。

　　大而顯著的行業(yè)包括：教育、健康、食物、運輸以及金融服務。任何價格增長超過通貨膨脹的行業(yè)都是由于缺乏技術支持。

　　Q：對于全棧創(chuàng)業(yè)公司來說最大的挑戰(zhàn)是什么？

　　Dixon:全棧型創(chuàng)業(yè)者關注產(chǎn)品或者服務的方方面面，所以他們需要在除了軟件、硬件、設計、營銷、供應鏈管理、銷售、合作關系、企業(yè)規(guī)章制度之外的各個方面都有所建樹。需要非常全能的人才能做到。

　　好消息是一旦他們成功了，對于競爭者來說是極難模仿的。用這種全棧型創(chuàng)業(yè)模式將會開創(chuàng)偉大的公司。

　　5.Containers

　　試想一下，現(xiàn)在所有APP可以在同一臺智能手機上運行的手機不存在，每一個APP都需要一個新的獨立的硬件支持。也就是說如果你要實現(xiàn)發(fā)郵件、玩游戲等功能的話，你得帶著一袋子的手機走來走去。

　　這聽起來不可思議，但是原本的模型設想就是這樣的：不同的應用程序有不同的硬件支持。即便一個APP不被使用，硬件和操作系統(tǒng)照常需要運行，仍然耗費電力和資源，實在是低效。。

　　隨后就出現(xiàn)了虛擬機，運用集成電腦的思路使得各種APP能夠在同一個硬件上運行。因為軟件可以在硬件上獨立運行，從而使得內(nèi)存的利用率提高了3到10倍。從數(shù)據(jù)中心的角度來說，虛擬機使得我們并不局限于一個特定的操作系統(tǒng)，我們可以在同一臺機上同時運行Windows和Linux兩個系統(tǒng)。弊端在于，虛擬機必須倚仗一層夾在硬件和操作系統(tǒng)中間的全新軟件系統(tǒng)來實現(xiàn)，同時還需要一個全新的操作系統(tǒng)來管理。這就像一個操作系統(tǒng)疊加另一個操作系統(tǒng)，從而大大影響手機的運行速度，客戶體驗也變差。

　　如果虛擬機可以直接在CPU上運行，并不需要中間層來實現(xiàn)，那么這將會是一個完美的解決方案。

　　所以這就是為什么Container出現(xiàn)了。Container和虛擬機實現(xiàn)的目的是一樣的，是為了實現(xiàn)APP能夠在硬件上共同運行的另一種方式。但是Container可以在不倚仗中間層的情況下運用智能化控制實現(xiàn)應用程序的獨立存在和獨立運行。

　　為什么是現(xiàn)在出現(xiàn)？接下來將會發(fā)生什么？

　　Container并不是一個全新的東西。他們存在有一段很長的時間了。但是現(xiàn)在風靡也是有原因的。一是因為Windows在數(shù)據(jù)中心沒有那么流行了。和集成器相比，虛擬機存在的劣勢在于無法在集合型操作系統(tǒng)上運行。就像Windows在Linux上運行。二是微型服務APP的架構使得Container充滿動力。這些APP架構非常適合Container，因為他們可以像樂高積木一樣獨立拼接。

　　系統(tǒng)管理人員發(fā)現(xiàn)Container之所以好的秘訣在于，它適用于應用程序的方方面面，無論是設備本身、操作系統(tǒng)或者其他相關的部分，它都是一個集合的整體。同時在避免超負、負荷、以及功能測試等各方面都有所提高，從而使得將很多Container放在同一主機并實現(xiàn)移動的便利變得非常容易。

　　在我看來，Container的下一步在于數(shù)據(jù)中心的完善，將所有的Container統(tǒng)一為一個大電腦或者一個客戶終端。現(xiàn)在很多的應用程序就像分散的系統(tǒng)，應用程序沒有被設限于一個container內(nèi)。一個應用程序可能存在10個Container在一起運行。如果有1000個應用程序，就有10000個Container在運行。或許我們可以使用一個包含全部相互依賴的應用程序的大數(shù)據(jù)庫。

　　所以這就需要一個總樞紐，管理操作環(huán)境并在考慮合理負荷、可靠性以及操作性的基礎上，使其被充分利用。這也是衡量一個數(shù)據(jù)中心運行良好與否的關鍵。最重要的是對整個操作環(huán)境的綜合掌控。這也正是目前亟待實現(xiàn)的。

　　注：Container：容器，是在編程語言中封裝和跟蹤零個或更多個組件的對象。