头图来自视觉中国
无论了解或认识什么行业，时间都是一个绕不开的方法。但很多时候，时间也可以在某种程度上进行“压缩”，我这里不是在谈所谓歪门邪道的捷径，而是指出一种可能性，通过获取高质量的行业信息，从而实现更快了解并认识某个行业，达到事半功倍的效果。
本文所指代的信息，更多还是狭义上的公开信息，也就是每个人可以（付费或免费）获取到的行业信息，至于小圈子里的内幕信息，不再讨论范围之类，就目前信息获取的类型来看，大体上分为以下几类：
碎片类的信息：比如行业新闻，这里包括文字、语音和视频；
整合类的信息：比如早几年门户网站经常策划行业新闻的专题，近几年则有一些投资机构的分析报告等；
深度整合类的信息：这其中，图书是最重要的一个类别，最近几年一些付费视频课程也在做类似的事情；
上述三类信息构成了了解、认识一个行业的不同切入点。这其中，碎片类信息最易获取，但由于数量多、质量良莠不齐，很容易让读者陷入到处处都是要点的信息消费漩涡。而深度整合类的信息，则需要花费大量时间与精力，或阅读或观看，才能有所得。更重要的一点，消费这一类信息需要一定的行业背景知识，否则很难理解其中的要义。
正是在这样的情况下，整合类信息就具备了一定的价值。一方面，它在篇幅上少于图书或付费课程，不会太过于花费时间；另一方面，相对于碎片化的信息，整合类信息在内容深度与广度上有了巨大提升，它不再局限在“发生了什么”，而是把“为什么发生”、“如何发生”以及“未来会如何”等要素整合起来，同时因为不追求时效性，所以能够更全面展示某个行业事件的发展脉络。
这也是我在本文前面所谈的“时间压缩”之道，把时间花费到高效获取行业整合类信息方面，提升行业信息的信噪比。最终的目的，则是用更少的时间，但更快速、深入理解某个或某些个行业。
作为一份专注人工智能行业分析的内容产品，本文不会过多讨论如何消费上述三类信息，而在这期 AI 内参里，我发现、挖掘了一批目前非常值得阅读的行业整合类信息，话题涉及机器学习、云计算与未来驾驶，多数都是行业分析报告，这些不同机构（投资机构、智库、媒体机构）、不同语言（中英）的信息整合，拥有更具新闻价值的分析和洞察力，同时在时效性与实用性更胜一筹。
接下来让我们开始。
机器学习
关于机器学习有多神奇的信息非常多，但我更愿意先推荐这篇论文，作者设计或发现了 10 个愚弄机器学习算法的方式。正如作者所言，这篇论文不是要抵制机器学习，而是希望研究者们注意，愚弄机器学习算法是有多么容易。你可以在这里免费读到这篇 11 页的论文。
在机器学习的“有害”应用里，基于 Deepfakes（不限于图像，包括音频视频）的犯罪已经成为 AI 犯罪的主要类型。
这其中，基于音视频的 Deepfake 正在成为主要威胁。这也是相对开放/开源的 AI 研究成果与越来越便宜的计算能力相结合的“产物”。而通过自然语言相关的犯罪行为还很少，但我们也不能过分乐观，毕竟 GPT-3 已经展示了足够的潜力。你可以在这里免费下载 UCL 的研究报告。
自 2012 年开始的全球 AI 热潮更多还是来自机器学习的发展，我非常推荐这份由 IBM 编写的机器学习读本。它没有设置太多技术门槛，也没有将 PR 元素带入其中，而是非常详细、客观地展现这个领域的基本名词、概念，以及值得关注的变化。你可以在这里快速获取这本 75 页的读物。
另一个值得深度阅读的报告是由两位英国投资人 Ian Hogarth、Nathan Benaich 制作的 AI 行业年度报告 State of AI。在去年的报告里，两位投资人用 177 页的篇幅，详细展示了当下 AI 领域——从机器学习基础研究到基于量子计算机的机器学习——的变化与未来发展路径，非常值得一读。
而在机器学习应用领域，波士顿咨询与 MIT 斯隆学院发布的这份 Expanding AI’s Impact With Organizational Learning 很有洞察。它展示了企业部署落地 AI 技术过程中的难点与痛点，特别聚焦在为何不同企业可以从 AI 技术中获得不同的收益。
必须看到一个事实：AI 技术在企业市场的使用与过往企业市场的技术，比如 ERP 完全不同。AI 技术的落地，需要结合不同的业务场景，制定不同的实践方案，一个公司或部门的做法，并不一定适用于其他公司或部门，这是理解企业 AI 落地部署的重要前提。
你可以在波士顿咨询的官网获取这份 21 页的报告。
机器学习引发的社会变革，正在深刻并广泛地影响到社会的方方面面。我们必须接受一个现实，全球主要国家正不可避免地进入自动化社会，由此带来的是技术、伦理与法律挑战。推荐这份 200 多页的报告，通过梳理欧洲各国社会的自动化问题，展现一个真实而可怕的未来社会。你可以在这里免费下载这份报告。
云（SaaS、Low Code）
Low Code 是过去一年云计算火热的领域，国内外的创业公司、巨头都在挤进这个赛道，我首先推荐各位先看看 Gartner 去年发布的企业级 Low Code 应用平台魔力象限（下图）。
这份 32 页的报告以魔力象限的视角，逐一展现了这个赛道上的不同公司及产品、技术实力，也是宏观上了解 Low Code 最快的方式之一，你可以在这里免费获取 Gartner 的报告。
Low Code 潮流对于云服务商而言是一个新的机遇。通过封装一系列复杂的底层架构，构建新的平台接口，从而抢占新一批云服务用户，正在成为新的风口。在一篇论文里，来自欧洲的几个学者提供了一个新观察角度：打造一个 Low Code 开发平台的难点在哪里，特别是在一切都追求 “Scalable” 的互联网时代，Low Code 开发平台将面临怎样的挑战。你可以在这里免费下载这篇论文。
很多创业公司也在通过制造 Low Code 的概念推广自己的产品，其实我对这类不那么 PR 的内容并不反感，这些创业公司会从更具市场价值的方面，呈现出 Low Code 的发展态势。
这里推荐两个：
云计算领域另一个值得关注的议题就是 SaaS，特别是中国市场。相比美国，中国云计算的三个层次——IaaS、PaaS、SaaS——呈现倒挂态势，如下图，SaaS 占比太小，这也意味着，SaaS 还有巨大的市场增长空间。
正因为与海外（主要是美国市场）差距巨大，因此这份介绍海外 SaaS 赛道和空间的行业报告就非常值得一读。一方面，这份报告介绍一系列上市 SaaS 公司与他们所涉及的领域（赛道）；另一方面，通过对比中国市场，提供了一些观察未来中国 SaaS 发展的切入口，你可以在这里下载这份分析报告。
而在另一份报告里，围绕 SaaS 的产业机会和特殊的财务体系以及估值方式，会让读者更清晰了解为什么软件即服务会如此复杂与有趣，你可以在这里获取这份报告。
如果你想进一步了解中国 SaaS 市场的基本态势，我推荐这份 136 页的报告，它从行业、市场与企业等不同维度，勾勒出中国 SaaS 领域的众多有趣看点，图表信息非常完善。你可以在这里获取这份报告。
未来驾驶
不管是特斯拉及其中国造车新势力被追捧还是苹果、微软加入造车阵营，面向未来的驾驶场景，软件定义、自动化、智能化、电动化都成为新的变量。
沿着这个思路，我首先推荐的这份报告，关注未来驾驶的芯片与软件领域，梳理出未来驾驶终端领域最值得关注的底层芯片与软件解决方案的技术与产业发展方向，你可以在这里免费获取这份报告。
在未来驾驶的自动化路径里，激光雷达的重要性不言而喻。就目前来看，L3、L4 级别自动驾驶的发展，依然需要激光雷达的技术突破。我推荐的这篇报告，从技术、行业与公司等不同方面，展现了激光雷达领域的关注要点，你可以在这里免费获取该报告。
未来驾驶的技术和产业发展绝非仅限于中国和美国，在汽车行业高度发达的欧洲、汽车重要市场的澳大利亚等地。从政府政策到产业格局再到围绕未来驾驶的数据与安全问题，各个国家都呈现出不同的“解题思路”，我推荐这篇 179 页的报告，详细介绍了各个国家目前对于未来驾驶发展的思考，你可以在这里免费下载这份报告。
汽车工业作为分工高度明确的工业之一，其庞大的产业生态也会在未来驾驶的产业变革中重新洗牌。透过这份 100 页的深度报告，全面而系统地展现了汽车产业链生态所面临的机遇与挑战，你可以在这里免费获取这份报告。
尾巴
我一直相信一句话，大意就是“你所读的东西塑造了你”。在当下这个信息极度繁荣的时代，减少碎片化信息，增加整合和深度整合的信息消费，看似是花费了更多时间（上面任何一份报告的阅读时长都比读一则新闻更长）；但长远来看，这种时间投资的回报会更高，也是我所说的“时间压缩”。
但需要提醒一点，与所有类型的信息一样，这些分析报告背后都藏着执笔人或团队的价值观，对读者来说，任何期望通过一份报告就能达到深入了解某个领域的想法都是不现实的。我们需要做的，是围绕某个话题或领域，通过多份相关内容的阅读、整理、分析，形成自己的认知框架，然后将其应用到工作之中，结合工作中的新想法与新的阅读，不断修正这个框架。
最后的最后：上述这些行业报告里对于股市投资的建议不代表我的观点，事实上，我也没有持有任何一家公司的股票。
评论