所以有时候，那些所谓“极大丰富”的客流数据在春运领域里作用真不大。但这些数据放到地方是有用的。诸如山东这样的省份，一个城市里高达11.7%的人口都在外地务工，为了应对这些人在春节集中返乡，这些地区水电使用量等数据的早期预测很重要。也就是说，春运数据用在其他领域反而是合适的。

　　但春运数据怎么公开？这个事就变得非常非常折腾，理论上是公开不了的，特别是关系到隐私问题。

　　现在中国数据开放程度在全球排名很靠后，排到八九十位，美国排在第八位。数据的开放程度与对人权及对个人的隐私的尊重成正比。只有保护隐私才能够去开放。这一点从侧面说明了数据碎片化一定会越来越加重。

　　场景增益要做顶层机构调整

　　第二个推进器叫场景增益。

　　移动互联网领域有着严重的To C逻辑，而To C消费类互联网服务讲究沉浸感，大家绞尽脑汁为了增强用户体验而完善产品，比如帮助用户查询时间缩减一秒，帮助用户在使用APP时少翻页、少点击，获取更准确结果。这些都是产品的提升。但AI正处于婴儿阶段，现在就进入商业环境，对场景的增益有多强？这个问题值得认真思考。

　　场景增益决定光谱的价值。

　　还有一个需要理解的场景叫马赛克。我们用一个比较污的话题来讲这件事儿。

　　现在有很多人在做图片鉴黄，一个国家部门找我们咨询，说有人在做图片鉴黄，识别率是98%，这种技术该花多少钱去买？合不合适？

　　利用人工智能的深度学习技术来鉴黄。图片来自投资界。

　　98%是什么概念？是给你100张色情图片，有两张检测不出来。假如说新华网用这样的技术，它一定要保证它的网站内容绝对不会出现任何差错。所以98%的识别率在这种场景下没有用。

　　反过来，另一家小公司也做图片鉴黄，给它100张图片，能识别出3张来，保证这3张图片100%一定是黄色图片，人工只需要鉴定其余的97张就好了。

　　场景落地的时候，企业端看的是投入产出比。我投入极低价格，帮我解决一部分价值，对我来讲就是个极大效益。

　　所以到了场景增益的时候，我们要做的是顶层结构的调整，这个顶层结构的调整从两边来讲，一边是做AI的公司，一边是应用AI的公司。

　　早期AI公司都是To B的增益，我们一定要去理解产业上的一些问题，知道产业症结在哪儿，进去之后能够对这件事有极大增益作用，我才能去拿到数据，持续在上面做学习和改进。

　　AI应用型公司也是一个投资方向，看哪些产品可以去附着到AI上来变成增益。在这个过程中我们需要不断切换，从一级市场、二级市场、一级半市场三个部分去切换着看这件事儿，不同事情在不同市场下一定是不同的。

　　我个人估计，一级市场和二级市场的收益差在逐渐降低，这个数据一旦加速，迭代周期就会缩短。所以在这个时候要找到需求侧的投资，因为它会在场景落地时产生极大的项目价值。

　　无人驾驶：换一种思路

　　底层结构的更改方面，我们在去投资一些AI类、技术类公司时，一定要看到它在商业上的一些思考和方式。

　　这里举一个相对比较集中的例子：无人车自动驾驶。

　　从传统意义上来讲，我们对于无人车的认知已经不再仅限于怎么躲避障碍路、怎么躲避行人、遇到紧急情况时怎么保证驾驶人和行人安全。现代自动驾驶里边应用最成熟的是uber，它去年收购了一家公司叫otto，专门研究货车的无人驾驶。他们的思路是要把无人驾驶变成火车：前边一个驾驶员开车，后边八辆无人驾驶大卡车全都跟着，这也是为什么现在大家都说这家无人驾驶公司做的科技叫跟随式技术，它根本不是自动驾驶，而是跟随。

　　跟随其实是没有错的，这就是顶层结构性调整推动事物回到底层做重新认知，再把它推到商业环境中来。

　　我们研究自动驾驶，如果都考虑让它像人一样学驾驶，是一种思路，但这种东西的研究可能会非常非常的慢。实际应用过程中，落地场景会遇到各种障碍。做无人车很难，但是做火车就简单多了，铺一条轨道就可以。