从《三体》的降维打击，到数字化转型的数据升维 原创

在《三体2》开篇中，刘慈欣用了一只蚂蚁的视角来描绘人类的世界。但夏虫不可语冰，受限于生物体结构，二维空间中的蚂蚁就算爬遍了杨东的碑文也无法理解其中的意义。这样一段长篇幅的铺垫和陈述，映射的正是三体人与人类的关系——在高维的三体人眼中，人类也不过是“虫子”而已。

事实上，关于维度的情节在《三体》三部曲中还有很多，比如三体舰队建造智子时遭遇的降维攻击、歌者对太阳系发动的二维化打击；再比如在战争中使用四维空间碎片取得敌人大脑、利用四维空间破坏水滴结构等等。在小说中，维度战争给读者留下了深刻的印象，而在小说之外，“降维打击”还被总结为一套成熟理论，成为许多创业者信奉的准则——即用先进的商业模式去攻击落后的商业模式，从蛮荒之处发掘新的机遇。

在商业变革中，这种“降维打击”实际上就是数字化转型的过程。如何先人一步，通过“技术升维”抢占先机，成为了关键问题。技术能够赋予企业前所未有的运营效率和创新的巨大空间，而企业要获得敏锐嗅觉和洞察能力，数据则是基础。数据已经被视为当今时代新的生产资料，没有数据，机器学习、深度学习和人工智能等技术也无的放矢。

“具体来说，通过高阶算法对数据进行升维，抽取海量数据中的特征并描述出来，进而重构一个新的商业世界。这就是数字化转型的核心。”在日前接受至顶网采访时，天云大数据CEO雷涛抛出了这样一个观点。

也就是说，在实施“降维打击”策略前，首先要进行“升维”的准备工作，否则你的思考方式依旧是“低阶”的。而辅助人类去完成这一工作的，正是机器。“在多维的数据链条中，人类也像是蚂蚁，我们的视角和大脑抽象能力非常有限，而通过算法，就可以把复杂的问题通过长程的推演描述出来，进行量化表述。这实际上也是从BI向AI升级的过程。”雷涛表示。

数字化转型四阶段：BI是insight，AI是action

目前，国内许多企业用的BI系统很多还只是一个报表中心分析系统，而不是一个真正的数据驱动系统。相对于AI来说，这样的BI是没有闭环的。

用一个形象的比喻说明：这就像是电影《摩登时代》中卓别林扮演的生产线工人，在他眼中唯一的工作就是拧螺丝，并不知道生产线的终端产生了什么。在国内，许多决策者会通过静态的报表来进行业务分析和决策，但往往要在比较长的一段时间后才能从市场反馈中印证其决策正确与否，不仅反应迟缓，同时，非动态分析的方式也使得最终的分析结果很难被反馈回系统中进行反复的推演，无法形成闭环。

根据对数据应用程度的不同，雷涛认为，企业的数字化转型可以划分为四个阶段：第一，借助BI工具进行报表分析，它回答的是“发生了什么”的问题；第二，创建企业的数据仓库，为企业决策制定、业务流程改进、成本控制、质量监测等提供所有类型数据支持，它回答的是“为什么会发生”的问题；第三，利用机器学习、深度学习模型进行业务“演练”和预测，它回答的是“会发生什么”的问题；第四，通过“数据+算力+算法”的AI平台将预测的结果反馈回系统中形成闭环信息流，对业务模式进行干预和优化，它回答的是“最好发生什么”的问题。

天云大数据CEO 雷涛

“简单来说，出租车公司使用数字大屏的交通反馈结果做调度实际上还是BI，而滴滴打车通过动态规划算法每天完成超过400亿条路径的申请和规划，使用的就是AI。”雷涛表示，“BI是insight，AI是action，BI向AI的升级过程事实上也是企业从流程驱动到数据驱动转变的商业重构的过程。”

数字化转型是一个商业重构的过程

在过去流程驱动的模式下，企业往往会从行业经验和规则中总结出“最佳实践”作为标杆，而在数据驱动的模式中，其知识构造则由算法从数据中提炼而来，可以用更丰富的特征表达能力把人类没法抽象的复杂事物量化出来，不再受限于人类的大脑。这意味着，我们可以定义更多以前无法定义的“最佳实践”，创造出新的商业模式。

从目前来看，数字化的先行者中，有很大一部分是过去信息化基础比较好的行业，比如金融、运营商等等。因为基于完善的数字化前提，在其日常运营的背后，往往会产生大量的流程副产品数据，这些数据自然成为这些行业转型的驱动力。

以金融行业为例，基于其自身庞大的数据资源和天云大数据AI平台的算力基础，天云大数据正在帮助许多金融机构通过面向“答案”的AI方法论构建其中不确定的过程。比如，某证券机构利用深度学习算法，在短短数周内即提高了异常交易账户识别准确率，确认多起违规事项，涉及资产逾6亿。“形象地说，当我们输入黑白落子，输出的是输赢，中间的不确定过程用神经网络表达出来，而当我们输入大量消费者的行为数据与资金交易的结果数据，中间得到的是反欺诈风险评估的模型。

除此之外，AI方法的引入也给许多过去在IT投入并不大的行业带来了新的机会，比如能源、生物制药等等。与金融、运营商不同，他们的数据来自于“机器”的生产，这里的“机器”包括大量的传感器、智能设备、医疗仪器等无处不在的设备。

在这方面，我们以能源行业为例，在经历了十几年智能油田的布局之后，能源行业中拥有了大量的物联网传感器，实时记录着地面、地下机器的油压、温度、工况等高维度、高密度、高时效性的数据。然而，过去在BI面前，许多机器数据都是没有明确商业价值的，因此很难被人工所理解和利用，而在算法面前，所有数据都可以被解读，其价值也得到了最大化。我们甚至可以通过数据的分析和预测了解地底下的情况，而不需要真正把设备送到地下。

信息产业的变革：从IT到DT

在以上如此种种的行业变革背后，事实上最先发生的是信息产业本身的变革。雷涛强调说，“过去，我们往往是在一套IT软件中输入数据然后输出分析结果，现在反过来，我们只需要提供输入和输出数据，AI就可以帮助我们构建中间过程，即传统意义上需要编写的软件。”

这样一个看似简单的顺序变化，实际上就是从IT到DT的变化。“新的生产方式和生产资料的变化带来了效率的迭代，机器的角色从严格执行人类的指令写程序，转变成可以基于目标进行反复学习，将输入和输出过程中不确定的过程表达成一个软件模型或智能应用程序，这将大规模提高软件的生产效率，对于信息产业而言，这本身也是一次颠覆性的变革。“雷涛表示。

也就是说，未来信息产业背后的主角将由人变成算法，流程不再由人来直接制定，不再是一步步的“白盒”操作，而是一个个长程推演不失真数学表达过程。雷涛向至顶网记者强调，“但是，这个‘不可解释性’只是暂时的。事实上，90%的算法都是可解释的，只是在深度学习模型中，很多东西没有物理意义而已。它本身是一个实验科学，随着技术的发展，我认为这些模型都可以被解释。”

雷涛拿单反相机做了个比喻：单反的原理基于的是光学理论，而其本身就是一个实验科学。举例来说，由于“50mm狗头”相机镜头的局部瑕疵不适于在逆光下进行拍摄，日本与德国工程师靠实验的方式在其中加入了凹凸镜片，根据反馈最好的结构最终做出了13个镜片的“牛头”。这个实验过程跟深度学习的模型训练过程是类似的，即通过调参找出最优的模型结构。同时，在实验结论的基础上，光学理论也得到了进一步发展，因为科学家们可以根据结论再去研究其中的因果联系。

“放到行业场景中，比如金融机构中的一个资产管理产品，下面会嵌套信托，信托下面会嵌套大量的公司债券，而公司债券会涉及大量法人、自然人、机构持有者，会产生正回购、逆回购等诸多不同的行为……因此，在合约产品人之间存在着极其复杂的关系，这些关系之间没有层级、没有规律，如果全凭人力进行理解再梳理，用关系型数据库平面的去理解高维的经济活动，就会变得非常局限，而通过复杂网络等表示学习，构建金融产品本体的知识图谱，这将为新的商业世界的构建创造诸多可能性。”雷涛强调。

尝试前行才能不落人后

回过头来，我们再从维度的角度来思考“黑盒子”这件事——作为一个三维生命体，我们又何必去理解一个“高维机器”的工作原理呢？所以，与其怯懦不前，不如像蚂蚁一样，尝试性地迈出每一步，用“升维思考、降维打击”的方式，让自己成为时代“漩涡”中的赢家。

对此，雷涛进一步总结道：“技术的变革带来的是知识生产方式的改变。蒸汽机封装的是动力，电力封装的是能源，过去专家通过经验封装了知识，而在如今的数字化转型浪潮中，知识源自于数据，AI则是知识再生产的一次规模性变革。对于企业来说，可以借助最新的技术实现弯道超车，对于信息产业来说，也要清醒意识到被颠覆的风险。”“当所有人都在享受变革带来的益处时，而你还在纠结其理论的可解释性和技术的可行性，势必会落后于人。”。