top of page

書海求源

Updated: Apr 28

筆者在觀塘有個私人工作室,主要用來收納多年來看過的書。自2004年從香港搬到北京,之後搬到上海再移居杭州,十幾年來一直跟着我的,除了家人外,便是那些不同時期看過的書籍。後來在2016年舉家回香港時,搬運公司點算竟然有70箱之多。

這些書籍裏有着跨越兩個世紀的互聯網發展歲月痕跡,也是我學習及寫作靈感的源泉。表面上很多書的內容已經過時,但我認為作者們的思路是歷久不衰。筆者在阿里巴巴(09988)工作的時候,曾閱讀過的書裏面,有3個分類有點意思:1.如何能發問好的問題、2.怎樣可以科學化管理業務、3.系統思維及網絡效應的關係。

在阿里巴巴工作那段期間,筆者帶領着數據團隊探索大數據對業務的成效時,不斷困擾我們的不僅是技術問題,而是傳統西方分析方法如何能融合到複雜的平台業務中。

第一類書籍的內容比較容易理解,因為釐清問題後,答案可能已經呼之欲出。當年在找尋相關資料時,發現此類書籍即使在英語世界也不多,中文原創的簡直稀有。第二類書籍正是道出亞馬遜(Amazon)及谷歌(Google)成功的主要因素,以數據為事件作出描述、診斷、預測、協作行動的能力做到極細緻,近年來隨着大數據在西方普及,此類書籍已不缺了。第三類是系統思維與網絡效應,正是筆者前兩篇專欄關於先後天的說法有關。

用一個中國民間的俗語解說:「善有善報,惡有惡報,若然不報,時辰未到。」這並非要導人迷信,而是想說明有些事情是要累積一段長時間才會出現變化的,而且有時不是直接「報應」,而是間接造成傷害。這類系統思維相關的書籍在市面上也不多,日後可以抽空在專欄內再作重點介紹。

筆者一直認為大數據時代(2009年起)的思考方式已經出現變化,獲取數據雖然變容易了,但要處理這些「新數據」卻非大家能容易應付,更遑論在城市中大規模使用它,這可能正是「智慧城市」只聞樓梯響,卻沒見很大成果的原因。正因如此,我一直在政府及企業層面進行大數據推廣,希望留下這點火種,為社會作出少少貢獻。

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page