但不同的是，美国的公司普遍是世界性公司，硅谷一向的理念是出生第一天就强调全球化（born to be a global company）. 但美国的移动应用的普及数不如中国，因为人口数量和移动应用的活跃度这两项指标都不如中国。但他们的数据可以通过全球其他市场来弥补。美国文化的全球性也让很多美国科技公司的产品容易被别人接受。

中国的数据基本上就是国内产生，但架不住人口绝对数量巨大和高活跃度，中国大型互联网公司产生的数据规模并不比美国同行小多少。换而言之，我们局域网的体量可以和其他所有国家加到一起来媲美。开玩笑说，没有手机陪伴，中国用户都不敢一个人上洗手间。早上起床之前和晚上睡觉之前一定要先批阅奏章才能安心入睡。

共同特点是两个国家的数据呈现几个封闭大岛周边围绕很多数据孤岛的现象。像谷歌垄断了搜索相关的数据，知道用户在 Web 上面从哪里来到哪里去。Facebook和腾讯接近垄断了社交网络，知道你关注了谁，和谁沟通了。阿里巴巴接近垄断了线上交易数据。

这些都是属于封闭的数据大岛，美国公司的特点是愿意用 API 的方式开放部分数据出去，中国大公司的特点是要么投资要么深度合作才有可能实现部分数据的开放。在这点上，微信的开放度是远远不够的，有巨大的改进空间。

但生活之中除了这些普世性的大应用，还有金融，内容，娱乐，交通，饮食等等一类的垂直大应用，也会形成很多数据孤岛。这些孤岛的数目在中国要多于美国，愿意和科技公司合作把数据交出去的概率更高 —— 一是中国的移动化更加彻底，形成的移动数据量更多；二是中国的各个垂直领域更加传统，对于移动化，智能化的需求更加迫切。

这点可以参照支付宝的成功案例，支付宝很大的成功要归结于中国信用卡支付系统的不成熟和移动支付需求的旺盛。这些数据孤岛如果能够被打通的话，是有机会出现1+1大于二的效果。比如反欺诈领域的领头羊公司同盾在综合各公司的交易相关数据形成的用户画像质量和分级能力要强于任何单个客户，而这些二次处理产生的数据，就是属于你自己的独特数据了。

2.算法。

在算法层面，最大的贡献还是泛学术界，包括各大高校和科技公司的实验室。比如 谷歌 微软 IBM 百度 等的 AI Labs。在算法的原创性上，美国的学界要走的更加激进一些，基本上CNN, DNN等等基础方法都是在美国的实验室里最早被提出来。

但有这么几个趋势 : 一是这些原创者当中越来越多的出现华人的面孔，有人做过统计，近四成的机器学习领域的优秀论文是华人所写。二是越来越多的学术界的人往工业界跳，新加坡国立的颜水城教授加入了360负责研究院，山世光老师整合计算所的力量做了中科视拓，谷歌找来斯坦福教授李飞飞来负责新的机器学习部门。三是越来越多的优秀海外华人学者往国内走。我相信的是我们会看到越来越多的原创性的优秀算法会在国内的公司或者高校里出现。

从工业界的进展来看，算法经济作为一个创业角度美国要远比中国做得好。美国的两家代表公司，一是波士顿的datarobot，二是西雅图的algorithmia，强调的是把算法作为一种服务提供出去，但并不触及具体的领域落地。

国内不管是创业者还是投资人，基于对于风险的恐惧，主动的把这个机会让渡于大公司，过于强调闭环和垂直整合。人为的增加了这块创业和融资的难度。殊不知，大公司在提供算法（以及下面会提到的算力）来满足整个业内的需求这点上，不见得有相应的动力和团队激励机制让他们获得持续可靠的竞争力。

在这点上中国的创业者缺乏对愿力的信仰, the power of vision. 而美国的创业者，尤其是西岸硅谷的创业者，创业的第一天就想着改变世界，go big or go home, 这一点是值得我们的创业者也很值得我们的投资人来学习。

3.算力。

神经网络的层数越来越多，所解决的问题也越来越复杂，对于算力的要求越来越高。

拿围棋来说，落子博弈树的空间复杂度是10^300，比起宇宙中的原子数量10^80次还多。各种算法都对于算力提出了巨大的要求。这也是为什么 nVidia 在过去两年内股价上涨了6倍的原因。

这块的创业有两种类型，强调软件和服务，AI computing as service，结合算法+算力，强调技术产品输出的运营能力；另一类是强调软件和硬件的深度结合，更强调创新。如 nVidia，Google，中国像地平线，寒武纪等等，都在尝试不同的角度软硬结合。