还有一点值得一提的是，对于科技类产品在久攻不下的历史阶段时，通常弯道超车能起到一些作用。比如在智能手机PK的早期，iPhone成功异军突起是倚靠了iPod的先行社群效应，这是弯道超车的阶段化产品典范，而这成功的原因是听音乐和打手机的使用场景类似并且简单。然而VR却并没这么幸运，它的使用场景更加新颖独立，短期并没有更好的同场景弯道产品。正如马云所说，现在发展太快，弯道超车已经不管用了，可能还是想想换道超车的事情吧。

　　2. AI就在眼前，大众难想象，小众快跑微调迭代。

　　最近对AI的讨论是层出不迭，开复老师经常跑出来吓人说血腥的颠覆理论blabla，我作为多年的算法工程师出身，对于此当然一样是深信不疑的。互联网的发展打通了信息传递的渠道，云计算的成熟积累汇聚了海量超乎于常人想象的大数据，而如今我们正面对着这个巨大的数据矿山摩拳擦掌，正如十九世纪初一个配好装备想实现淘金梦想的西部牛仔。

　　赶紧醒醒吧，要不又跑偏了！正如云、纳米、量子、物联网一样，AI是一个一进市场就被立刻玩儿坏了的名词。所有公司从2015年16年都开始人工智能机器学习，迅速把一个新的技术循环倒逼到了上一个技术循环的IP概念销售加资本运作的玩法。很多的项目通常禁不住十个技术问题就倒下成为商业模式的营销，然而这也确实是市场发展过度中所需的必经之路。重要的是，谁能最快地切入下一个循环吃到第一波红利？

　　智能驾驶是AI应用的一个主战场，然而对此我却始终不能认同。我是一个北京的老司机，在北京甚至国内开过车的人想必都能理解，红灯停绿灯行对于你面前的行人和骑士们来讲只是停留在书本上的知识，然而中国的交通课堂上又有一个重点叫做保护弱势群体。所以如果你有美国开车的习惯比如过路口加速，直行不顾对面左转，打灯就可以并线等等在中国一定要小心，一不留神就会出现事故。曾经有一个荷兰的资深交通学家来中国解决交通问题，声称一年内一定搞定回国，结果待了三年后精疲力竭地离开并最后甩下一句话“That is China’s problem!”没错，这就是我们的交通，从北京的国贸到上海的静安寺，如果你没练出车推行人缓步走的功夫基本上就是寸步难行，所以在中国要想实现智能驾驶，那汽车基本上要具备跟人一样的高等智能，学习反应分辨率必须要细到厘米级，考虑交通规则和简单的突发情况是远远不够的。谷歌的智能汽车去年突破了300万公里的行驶里程，然而在强智能和超智能的界线面前仍然不足一提，目前的AI能制造出Alpha Go打败李世石惊动全球，但是离说第4局是故意输的这种超智能还有很远的距离(甚至于没有学习对象和可量化的锻炼过程)。所以到目前为止，智能驾驶的应用大多面向于慢速定制路线的行驶场景，使用在于降低人力成本和复杂轨道式交通成本，从单个项目来讲虽然具备一定应用价值，而从大行业来讲已经失去了智慧交通产业的意义(并不能对技术或商业模式给出行业溢价)。

　　智能驾驶是当前市场对AI理解和使用的一个典范案例，具备真实的需求，开始真正走向下一个技术循环的探索，然而靶向精准度却稍有偏差。AI的使用最重要的在于两点，一方面是要有成熟的海量数据，另一方面是要对场景问题进行精准的模型化设计。智能驾驶的确具备明确的使用场景，但场景模型化的算法方案却很复杂，另外也不具备已成型的可供训练数据集，需要模拟真实场景长期积累数据，可以说在上述的两个必要方面上都不具备优势。

　　AI市场的dilemma在于，大众认为好模拟的场景多是人为直观感性化的，其实对于数据模型来讲是很复杂的；而相反问题数据相对简单的场景，却又是大众不好想象的，通常都在于一些垂直专业的领域里面 (这非常像物理空间和谱空间的重点问题分析差异) 。在未来的几年中，AI势必会爆发在量化金融、物流仓储大数据、有数据积累和标准的传统产业升级、以及机器人运动行为学习等方向中。对于数据积累成熟，模型化场景清晰明确的这些行业，人工智能将会带来血腥的颠覆，正如今年摩根大通将华尔街36万小时的工作化为秒级。

　　3. 基因编辑打开生命之门，碳硅机电一体化拥有指数化发展的蓝海机遇。