博客首页|TW首页| 同事录|业界社区
2019-06-17

在2019数博会上,畅销书《失控》、《必然》作者凯文·凯利(Kevin Kelly)举办了读书会分享会。在分享会上,凯文·凯利分享了他对现有科技巨头、未来科技发展趋势以及对下一代新巨头的观点。此外,他还分享了对于区块链、人工智能、大数据等新科技的观点和态度。以下基于凯文·凯利分享会的谈话,经过编辑整理。

Q:未来科技巨头的发展模式?

凯文·凯利:现在有百度、腾讯、阿里巴巴、Google等等,我觉得这些科技巨头现在的成功也可能会成为他们最终失败的源头,因为它们现在规模如此之大,以致于很难有新科技上的突破。我认为新的玩家不会在已经存在的科技巨头中产生,可能现在大家还不知道它,它可能还刚刚起步。在区块链或者其它一些新技术领域,一开始的利润低、收益低、市场小,所以现有的大规模的科技巨头承担不起这样的尝试,甚至是没选择的。总的来说,在新的平台或者下一个阶段,创业公司才可能会成功,成为占主导地位的公司。

很难预测某个具体的公司或者某个产品能否成功,但可以预测整体趋势和方向。未来有很多变量,比如整体文化氛围、经济因素等等。整体方向上,第一个数字化平台是一张网,它集结了所有的信息,使用了超链接的方式,达到机器可读这样一个目的,搜索引擎是由Facebook和百度这样的巨头引领的;第二个数字化平台就是社交媒体,它连接了各种各样的人际关系,将所有人联系在一起,这个时候能够在上面产生各种各样的算法,比如像微博和微信等等。第三个数字化平台即将出现,可能会是镜像世界,也可能是云计算等等,能够把世界上所有东西都数字化,再链接起来达到机器可读。会有公司成为掌控第三个平台主导者,但不会是大规模的科技巨头,比如百度、Google、阿里巴巴,新的巨头还没有出现或者是大家还没有注意到。所以,很难预测他们到底是谁。

Q:对初创企业家,有什么想跟他们说的吗?

凯文·凯利:初创企业是很让人兴奋的一个领域,初创企业有很大的成功可能性,我相信未来的霸主一定是现在的初创企业。在尝试过程中有着高风险,同时也有高回报率。很重要的是一定要有包容性,要有鼓励创业公司的创新环境。我觉得,应该去尝试不懂的东西,希望我们的环境能够给予更多的勇气,失败了就重新爬起来,这是不断取得成功的模式。这像是在坐过山车一样,要上去之后才能去体验。

Q:未来的成功与读书、分享相关,但现在社交平台上很难找到真正想读的书?

凯文·凯利:以前还没有互联网的时候,要去图书馆找信息,但现在几秒钟就能找到所需信息了。所以,现在要找答案,代价非常低。相反,越来越有价值的东西就是好的问题。很长一段时间,可能人工智能并不能够问出一些非常好的问题,而人类是好问题的来源。比如我想问一个问题,当今生活中,还有什么让您觉得兴奋吗?比如什么是5G,为什么要用5G,它能够给我们带来怎样的能量?华为和美国之间的竞争又是为了什么?我的问题还有,比如是否有可能组建代表全球性的政府?因为我们现在全球有80亿人,是否能有民间组织代表这80亿人呢?这是否可能,我其实不知道,但我觉得这可能也是很好的问题。比如说全球性政府的可能性或者这是人们想要的吗?

Q:怎么看待贸易战争,它会怎样影响未来的科技发展?

凯文·凯利:我觉得特朗普的想法很幼稚,他代表是美国政府非常幼稚的那一部分人,只想着在全球改变自己的现状,比如他们想要争取不同的地位等等,这些引起了贸易战争。我不知道未来会怎样,也不知道特朗普政府会引领我们走向怎样方向,但是我个人认为,如果中国足够耐心的话,中国的环境非常好,现在有更加集成的资源或者措施,但是未来到底怎样我确实也不知道。

Q:您的书对于未来的预测都很准,有没有发现当时漏判、误判或想补充的?

凯文·凯利:我写书是非常开放的,也在推特上公开,想到什么就写什么。可能我没有什么想改变的内容,当然有想要增加的内容。比如想更多谈一下经济,希望用更多篇幅描写经济模型和预测等等,但是当时确实篇幅有限,所以没有写。此外,也希望有更多关于电脑的集成内容。整体来说,我没有觉得有什么是希望写但没有写或者写错了,或者希望会写不同的内容。我意识到,我的书出版后,很多内容一直到当今才更有价值或者更被理解了,因为在那个时候其实很多人并不明白。

Q:您当时在写书的时候,是怎么分析的呢?

凯文·凯利:虽然我的书叫《必然》,但其实有一些是无法预测的。能确定的是,整个系统的未来发展大方向,因为生态或者整个系统可以说是不断以相似模式出现的,在检测这些模式的时候,其实会彰显一种大趋势。在任何事情都没有发生的时候,也不能说我的预测就很准确,但是可以说粗略的彰显了未来的趋势,也就是为我们指出了未来发展比较特定的方向。我们现在自然生活其实也有一个发展路径,我们的生活或者生命其实是不断创造新的思维或者思维模式。

Q:对于是否要拥抱和接受新科技,您站在哪一边呢?

凯文·凯利:我会尝试新的东西,同时如果我觉得不适合我的话,就会直接排斥掉它们。我之前是不用推特等平台的,现在我会在推特上发文。我在电脑上用,但是没有在手机上用。我只会一部分地使用这样的平台。AR、VR等技术,我会尝试它们,我不会经常的去使用,但是可能会几个月试一次,看一看有什么新的功能和技术出现等。我不会每天都用这些新科技,但会隔一段时间试一下,看看适不适合我。

Q:大数据对于隐私和道德保护等,怎么看待?

凯文·凯利:这个问题其实很难回答。首先最重要的是,我们的未来生活可能会被监控,这种监控行为可能来源于手机或者是摄像头等等,这确实是一个很大的问题。这一领域可以分成非常多的角度去谈论,现在对于隐私的伤害可能并不是短时间内就能消失的。整体来说,未来会有更好的科技、更好的去记录生活中的数据,同时也可以保护隐私。例如可以把数据的特性提取出来后聚集到一起,这是一个技术层面的解决方法,我们需要很多这样的解决办法。要解决这个问题,不是要放弃手机,而是要用更好的技术去收集数据。

Q:提到区块链、人工智能和物联网,您第一个想到的是什么?

凯文·凯利:我觉得物联网与区块链之间有一定的联系,这三个技术的融合会最终能够发展成一个镜像世界。我们世界上存在所有事物都有数字化的模式,比如戴上VR眼镜可以看到房间里的内饰,但同时这些物体也有数字化版本,它们之间互相连接不是因为设备里的芯片,而是由关系连接在一起的。

Q:如何看待比特币?

凯文·凯利:区块链的这种共识机制,在某种意义上就像生命的周期或者是有机的组织。我对于区块链的理解就,它是一个如此有机的存在,所以它其实应该要与大自然、基因等相提并论并且与之结合。我之前跟朋友聊天,也有一个共识,区块链这个领域更像是DNA一样的组织,因为就像我们的基因一样,每一个节点都是基于共识机制被连接在一起,所以我确实认为区块链在自然界有可以呼应的地方。

我本人不是加密货币的粉丝,也不喜欢去掘金。所有的这些可变性、多元性,我都觉得并不可靠也不稳定,所以其实不感冒。我很早的时候就已经开始写关于比特币的内容了,我认为它们其实非常有趣,尤其是如果想做微观支付的话,它是与生活是息息相关的。区块链本身也算是一种对于工作的证明机制,搭载了加密货币后能证明一些价值,比如就像是掘金的金矿一样。当然,现在“金矿”已经不是加密货币了。可能在未来会有更多的加密货币等等。

广泛来说,现在面临的是一个数字化的互联世界,数据能够让我们共同协同工作,进行大规模的多人同时工作,比如说可能一百万人实时线上的共同协同工作。希望通过这样一个系统,能够吸引人们去协同工作,建立这样一种信任机制。我认为区块链以及加密货币从某种意义上来说,是一个协同的工具,能够让我们进行大规模的工作,比如一万百人共同实时线上共同工作,这是前所未有的。

Q:未来有什么可能会毁掉人类和人类文明呢?

凯文·凯利:这只有一些比较耸人听闻的科幻电影中的愿景。要谈论未来的情景是很难的,也很难去想象未来是怎样。当然,如果要是能先去规划这样的未来,比如要容纳AI、基因工程、区块链等等科技进入日常生活,可能未来会有更大的具像化,据此可以幻想一下未来。(文/宁川)

2019-06-13

如今,数据平台已经成为企业数字化转型的关键一步。在刚刚结束的2019 IDC中国ICT市场年度论坛指出,数字化转型进入了2.0阶段:数字鸿沟正在形成、规模化越来越重要、平台与生态驱动创新速度倍增,企业正从单纯的数字化创新转向业务的全面数字化和智能化。而今年初,Gartner副总裁兼杰出分析师Donald Feinberg在谈到2019数据与分析趋势时曾表示,数字化颠覆带来的挑战——即数据太多,同样也创造了前所未有的机遇。

在全面数字化和智能化阶段,正如Gartner所指出的,数据的规模、复杂性与分散性质,以及数字化业务所需要的行动速度与持续型智能,意味着僵化且集中的架构与工具将会分崩离析,任何企业的长久生存都将取决于能够响应各种变化的以数据为中心的灵活架构。一个以数据为中心的规模化架构和平台,能够源源不断把数据转换为智能和洞察,在为企业灵活管理和分析处理数据的同时,创造更加敏捷的行动力与速度。

微软现代化的数据平台,正是这样一个以数据为中心的规模化和现代化架构与平台:这包括即将发布的操作型数据库和大数据以及人工智能分析为一体的SQL Server 2019、Azure SQL Data Warehouse数据仓库、Azure SQL Database托管实例、云原生的全球分布式数据库Azure Cosmos DB、Azure Data Lake数据湖存储与分析、Azure HDInsight大数据分析、Azure Databricks流数据分析、Power BI商业智能、人工智能及机器学习等一揽子本地及云端数据平台,以及完整的数据迁移服务。

“基于微软完整的数据平台,DBA数据管理员可以轻松升级为数据科学家。”微软全球数据平台解决方案总监Jack C. Tang在2019年5月12日的微软Azure SQL Database Managed Instance(SQL Database托管实例)以及Azure Data Migration数据迁移服务发布会上表示。自2016年SQL Server 2016发布所展示的微软统一数据平台愿景,正在转换为企业跨越数字鸿沟、驱动创新速度的数据生产力平台。

从DBA到数据科学家

(微软全球数据平台解决方案总监Jack C. Tang)

对于企业数字化转型来说,要推动从单纯的数字化创新转向业务的全面数字化和智能化,就需要大量的数据科学家。所谓数据科学家,是随着大数据和人工智能分析而兴起的一种新型的企业角色,主要指利用人工智能和机器学习对大数据进行建模,从而探索新型数据关系以及业务洞察。而当前,企业面向数据类岗位主要以DBA数据库管理员为主,DBA们更多的工作主要集中在数据库的日常管理和运维。

DBA是当前市场中大量存在的企业数据人才基础,也是企业培养数据科学家的天然人才库。根据美国非赢利性机构Data Scientist DC组织负责人Jeff Hale在2018年10月的统计,企业数据科学家所必备的前五大能用技能包括:数据分析、机器学习、统计、计算科学与沟通,也就是说数据分析与机器学习是数据科学家的核心通用技能,而统计与计算科学技能也是必备的基础通用技能。而数据科学家必备的前五大技术技能,则包括:Python、R、SQL、Hadoop和Spark。市场上的其它统计结果,也高度相似。

换言之,市场上对于数据科学家的期望,既包括了传统结构化数据处理、SQL数据库管理和以统计为代表的商业智能分析技能,也包括了Hadoop和Spark为代表的大数据处理和大数据分析技能,以及Python和R为代表的机器学习和人工智能分析新型技能。其中,既涉及到传统数据处理与商业智能分析的全生命周期,也涉及到大数据以及人工智能分析的全生命周期,可以说要求的技能和知识相当的全面与综合。

而对于企业的DBA数据管理员来说,也期望从对企业相对低价值的日常数据库运维工作,向着驱动创新的大数据分析与人工智能与机器学习探索转型。这对于DBA来说,就需要学习除了传统数据库之外的大数据、机器学习和人工智能知识与技能。而不论对于DBA还是数据科学家,除了需要弥补已有的知识领域不足外,还需要学习市场中大量碎片化的工具与软件,也造成了很大的困扰。

微软中国数据与人工智能产品负责人林默在5月12日发布会上介绍,前不久去拜访一家全球顶级的IT咨询服务与系统集成商,而这家公司有三个AI供应商从而导致了很高的学习成本,而微软的AI平台能满足该公司的所有需求,不仅学习成本低而且诸如微软Machine Learning Studio所提供的可视化数据和算法拖曳的方式,可简单高效处理数据与算法模型的适配,几个小时就可以完成一个机器学习项目,极大提升了数据科学家和工程师的生产力。

微软AI与机器学习的最大亮点,即一个平台适配本地和云端环境、提供从预配置的模块化可视化开发到深度代码开发等,所能提供的选择性非常多,包括即将发布的SQL Server 2019全面支持大数据分析和机器学习及人工智能等。微软让DBA数据库管理员能够在已经熟悉的SQL Server数据库基础上,轻松无缝升级到数据工程师和数据科学家,一个平台满足所有必需技术要求。

一揽子数据平台解决方案

(微软中国数据与人工智能产品负责人林默)

从单一数据库向全面的数据平台以及大数据分析和人工智能及机器学习转型,微软SQL Server这个已经上市超过27年的企业级数据库产品,如今也发生了根本性的变化。而微软最新在中国市场发布的Azure SQL托管数据库实例和迁移工具服务,为中国企业打通数字化转型2.0阶段的数字鸿沟铺设了云端和本地的高架桥,为DBA建成通往数据科学家的高速路。

首先是Azure SQL Database托管实例,也就是在Azure公有云上托管SQL Server数据库。托管的SQL Database实例,与最新的SQL Server本地 (Enterprise Edition) 数据库引擎几乎完全兼容,提供本地 SQL Server客户惯用的业务模型。托管实例允许现有SQL Server客户将其本地应用程序即时转移到云中,而只需对应用程序和数据库做出极少量的更改。

微软全球数据平台解决方案总监Jack C. Tang强调,SQL Database托管实例发布在由世纪互联运营的Microsoft Azure,将为中国市场客户将现有SQL Server迁移到云端,提供一条安全可靠的快捷通道。对于DBA来说,托管实例部署选项可以减少系统管理员花费在管理任务上的时间,因为 SQL 数据库服务可以自行执行或大幅简化日常运维管理任务,包括OS/RDBMS安装和修补、动态实例大小调整和配置、自动备份、数据库复制(包括系统数据库)、高可用性配置、版本更新,以及运行状况和性能监视数据流的配置等。

简单理解,采用Azure SQL Database托管实例后,马上就可以将本地数据库升级为云端数据库,进一步获得云端PaaS的所有功能,包括99.99%的高可用性、可同时使用Azure上完整的数据平台和人机工智能及机器学习服务等。特别是云端部署的SQL Database托管实例,同步提供最新版SQL Server 2019的全部功能,能够更好满足新开发业务应用以机器学习发掘数据洞察、推动人工智能应用的需求。

其次,即将发布的SQL Server 2019,内置集成了大数据集群功能,支持Hadoop和Spark大数据集群。这样,企业就可以在核心数据库基础上,同时用SQL Server查询大数据集,而数据科学家可以继续使用Hadoop等生态工具软件并轻松实时地接入SQL Server上所存储的高价值数据。而对于企业数据湖来说,可通过Transact-SQL统一查询所有数据并使用已有的SQL Server工具和应用接入和分析企业数据。SQL Server 2019支持Kubernetes及容器化部署,这样就可以大规模扩展节点和计算规模。

而在机器学习和人工智能方面,SQL Server内嵌式支持机器学习,可在数据库内部执行端到端的机器学习计算而无需移动数据,同时支持R、Python等机器学习语言以及微软的可扩展算法。一旦模型训练好后,SQL Server让机器学习脚本和模型运行就像在Transact-SQL里嵌入脚本一样简单。微软强调SQL Server是市场上唯一支持内嵌AI的商用数据库,包括SQL Server on Linux的机器学习能力以及在容错集群场景中支持机器学习等。

当然,本地环境与云端环境之间的迁移工具和服务也很重要。Azure Data Migration(Azure 数据迁移,DMS)服务是一种完全托管的迁移服务,结合了数据迁移助手(DMA)、数据库实验助手(DEA)、SQL Server 迁移助手(SSMA)等多个微软迁移引擎的功能,能够以最少的停机时间实现从多个数据库源到Azure 数据平台的无缝迁移,并支持多种主流数据库,充分满足各种不同场景的需求。配合Azure Data Factory(Azure 数据工厂, ADF)服务,企业可在云中创建数据驱动型工作流,协调和自动完成数据移动、转换,将复杂的数据集成项目部署到托管云服务平台,加快数据集成。

在Gartner最新的面向分析的数据管理解决方案魔力象限以及操作型数据库管理系统魔力象限中,微软都与Oracle并列领导者象限榜首,而微软还是唯一的全球大规模公有云、私有云和传统IT混合解决方案商。Gartner强调,用户喜欢微软的原因在于完整的数据平台能力、统一的体验以及能够为企业带来高价值回报,此外微软强大的培训能力和人才基础也是选择微软的重要原因。

今天,中国正进入数字经济上升的关键时期,2018年我国数字经济总量达到31.3万亿元,占GDP比重超过三分之一,达到34.8%。而随着我国数字经济规模将要推进到GDP的50%关键门槛,这就意味着数字技术将对全要素生产率的全面渗透和提升,而这就需要一个高效、简单易用而全面的数据生产力平台,让人人都有可能成为数据科学家、让高效数据处理与流转成为可能。而微软的一揽子数据平台,就是这样一个可跨越数字鸿沟的解决方案。(文/宁川)

2019-06-12

今天,我们正在进入大数据的新时代。在刚刚结束的2019数博会上,专家指出人类正式进入了数据时代,数字经济成为当今时代发展最快创新最活跃,辐射最广泛的经济活动,正在深刻的改变着人类的生产和生活方式。2018年我国数字经济规模达到了31.3万亿元,占GDP比重达34.8%。更进一步,5G、人工智能、大数据、移动互联网、物联网和云计算等新技术正协同融合点燃新时代引擎,为推动数字经济提供新动能。

作为数字经济的“燃料”,大数据中有大智慧,这是自2015年首届数博会就已经在全社会形成了广泛的共识。然而,从大数据中挖掘大智慧却并不容易。以人工智能为代表的分布式计算,被视为大智慧的普惠型挖掘方式。近年来,中国人工智能产业的发展迅速高于全球平均水平,但用好人工智能、真正发挥人工智能的商业价值却难。其中一个重要的原因,是承载人工智能计算的传统数据中心网络,正在遭遇AI算法的重大挑战。

今年华为发布了业界首款面向AI时代的数据中心交换机CloudEngine 16800,推动了数据中心的网络数据流量交换从云时代向AI时代的演进。基于CloudEngine系列交换机内嵌高性能AI芯片和独创的iLossless智能无损交换算法,华为推出AI Fabric智能无损数据中心网络解决方案,实现了零丢包、低时延和高吞吐的极致网络性能,100%发挥AI算力,全面解决AI算法带来的数据网络交换挑战。2019年4月,华为CloudEngine交换机荣获Gartner Peer Insights平台数据中心网络“客户之选”称号。这是Gartner在分析了来自拥有购买、实施和运营相关解决方案的客户的评论后得出的结论。

AI“挖掘机”的挑战

(华为数据中心交换机CloudEngine 16800系列)

通过AI人工智能挖掘海量数据的智慧,这是AI时代的最重要主题。人工智能和机器学习,从2016年AlphaGo的全球热潮,到各大技术厂商和云服务商推出各种AI算法、计算服务、软硬件设备和开源框架,已经在2019年形成了一个完整的商业化体系。华为GIV预测,到2025年,企业对AI的采用率将达到86%。越来越多的企业将AI视为新商业智慧的来源,利用AI协助决策、重建客户体验、重塑商业模式和生态系统,推动数字化转型。

AI要发挥和创造真正的商业价值,数据、算法和算力是三大关键挑战,而企业的数据中心则是大智慧的“挖掘机”和“智能+”引擎。传统企业数据中心,主要是处理事务型计算,特别是以ERP、CRM、数据仓库等为代表的企业级应用。而随着AI计算大量进入到企业的数据中心,数据中心正从快速业务处理型向高效数据处理型转型。而计算、存储与网络,这传统数据中心“三大件”,就面临重大的转型挑战,其中的网络是最难也是最关键的挑战。

实际上,随着传统数据中心的云化,即分布式架构化,为了满足人工智能分布式海量计算的需求,除了新型服务器和存储技术外,还需要满足海量计算的分布式信息交互需求,对通信量和通信性能的需求变得非常苛刻。Facebook曾对分布式机器学习平台Caffe2进行过测试,采用最新的多GPU服务器加速,8台服务器的计算任务就导致100Gbps Infiniband网络出现了资源不足而难以实现多节点的线性计算加速效果,网络性能正在严重制约人工智能算法发挥效用,更不用说实时人工智能计算了。

当前,随着数据中心工作负载的显著变化,数据中心的网络已经进行了很多技术变革,包括:低时延、高带宽的25GbE、40 GbE和100 GbE交换机以及更高速率的400 GbE交换机;升级到更高呑吐量的服务器网卡;InfiniBand、以太网、RDMA等各种网络通信协议,混合适应不同工作负载要求;显式拥塞通知(ECN)、流量控制(PFC)、以太网数据中心桥接(DCB)扩展等算法以改进交换机的缓冲资源管理,以及RoCE协议等支持零丢包消息传递等;此外还有虚拟化、SDN软件定义网络、基于AI/ML优化的自动化等。

总体来说,数据中心作为AI“挖掘机”,其网络技术生态已经陆续发生了变革,随着云计算以及AI/ML等新算法及应用的兴起,需要整体的网络技术生态管理,才能最大发挥AI算法,让AI创造真正的商业价值。

华为挖掘AI大智慧

(深圳机场)

为了满足AI时代的数据高效处理需求,应用分布式架构挑战,下一代数据中心网络具有三大核心诉求:零丢包、低时延、高呑吐。基于CloudEngine系列交换机,华为开发了面向人工智能时代数据中心的AI Fabric智能无损数据中心网络解决方案,以满足AI对于数据中心网络通信的变革要求。AI Fabric依靠AI智能芯片以及独特的iLossless智能无损交换算法,实现了零丢包、高呑吐和超低时延,为AI构建了一个统一融合的高效数据中心网络。

CloudEngine系列是华为公司面向下一代数据中心推出的“云和AI”级高性能交换机,包括业界首款面向AI时代的数据中心交换机CloudEngine 16800系列、高配置的旗舰级核心交换机CloudEngine 12800系列,高性能的汇聚/接入交换机CloudEngine 8800/7800/6800/5800系列,以及虚拟交换机CloudEngine 1800V。CloudEngine系列软件平台基于华为新一代的VRP8操作系统,支持丰富的数据中心和园区业务特性。

CloudEngine 16800全面升级了硬件交换平台,突破超高速信号传输、超强散热、高效供电等多项技术难题,单槽位可提供业界最高密度48端口400GE线卡,单机提供业界最大的768端口400GE交换容量,交换能力高达业界平均的5倍,满足AI时代流量倍增需求,同时单比特功耗下降50%、更绿色节能。而基于内置的AI芯片,CloudEngine 16800可大幅度提升设备级的智能化水平,让交换机具备本地推理和实时快速决策的能力,可构建分布式AI运维架构,实现秒级故障识别和分钟级故障自动定位,加速自动驾驶网络的到来。

基于CloudEngine系列特别是CloudEngine 16800,华为AI Fabric独创的算法,在保证零丢包的基础上,可实现最高吞吐和最低时延。业界通用的无损网络技术,难以同时满足零丢包、低时延和高吞吐这三个要求,因为这三个指标相互影响,存在着“跷跷板”效应。而在零丢包、低时延和高吞吐这三个指标背后,核心技术就是拥塞控制算法。华为独创的iLossless智能无损算法,通过动态ECN拥塞水线、Fast CNP快速拥塞反馈、VIQ虚拟输入队列等,最大程度满足了三个核心要求。

面对动态流量和海量参数的挑战,华为一方面投入研究团队分析各种应用,提炼出流量模型特征,另一方面通过交换机集成AI芯片实时采集流量特征和网络状态,基于AI算法、本地实时决策以及动态调整网络参数配置,合理高效利用交换机缓存、实现零丢包。加上智能分析平台FabricInsight,基于全局采集到的流量特征和网络状态数据,结合AI算法,对未来流量模型进行预测,从全局角度实时校正网卡和网络的参数配置。

根据第三方权威测试机构EANTC(欧洲高级网络测试中心,被公认为全球领先的电信独立测试中心之一)在2018年6月的测试,AI Fabric可以在HPC高性能计算场景下,最高降低44.3%的计算时延,在分布式存储场景下提升25%的IOPS能力,在所有场景保证网络零丢包。华为AI Fabric通过了EANTC的高性能数据中心基准测试,支持无丢包的消息传递和文件存储用例,高效地处理时延敏感的应用程序。在HPC和DFS基准测试中,华为AI Fabric在启用动态ECN时成功处理了数据中心混合流量,此外该解决方案对网络链路故障具有良好的弹性恢复能力。

另一家国际权威评测机构AvidThink在2019年出具的一份研究报告,指出华为AI Fabric是一种为数据中心以太网架构增值的创新方案,通过利用交换机内现有的资源,以及智能和自适应的管理技术来提升性能,包括利用AI来提供快速的故障解决,也受将到许多数据中心运营商的欢迎。AvidThink认为,如今的数据中心设备存在着很多的参数调优,人们很难找到正确的设置以优化数据中心负载。而随着负载的演变,人们更加不可能跟踪这些演变并不断优化Fabric设置。华为CloudEngine 16800核心交换机,通过嵌入式AI芯片和机器学习,在整个Spine-leaf(“脊-叶”)数据中心网络中自动调整端到端的性能,使用测试收集的数据构建初始模型,并根据客户的负载情况进行调整,最终提供最佳的端到端的无损性能。

2019年2月,华为委托国际权威测试机构Tolly,在三大应用场景(HPC高性能计算、分布式AI训练以及分布式存储)中,对华为AI Fabric解决方案进行了性能评估,并与思科Nexus交换机组网的性能进行了对比。华为和思科的方案均基于RDMA over Converged Ethernet(RoCEv2),在所有三大场景中,华为AI Fabric解决方案的性能均优于思科。

进入2019年,人工智能应用和数字经济建设面临着提质增速见实效的换档升级阶段。随着全社会积聚了越来越多的大数据,如何高效用好大数据和人工智能,为数字经济和数字化转型创造真正的价值,这就需要新的AI高速路。而华为新一代的CloudEngine网络交换设备以及AI Fabric解决方案,为AI时代创造速度新高度,帮助企业从大数据中真正挖掘大智慧。(文/宁川)

2019-06-09

近期的中美贸易战,既是挑战也是历史性机遇,将促使不少产业的产业链进行格局重组、重构甚至推倒重来。而芯片是本次中美贸易战的重点,由于华为受到的各种影响,全球芯片产业被置于国际聚光灯下。在贸易战背景下,芯片产业链的哪些环节会产生哪些变化?这些变化会对创业投资产生哪些影响?其中蕴含着哪些新的机会?2019年6月6月,中国发放了首批5G牌照,比原定2020年5G商用时间表提前了整整一年,这说明推动历史发展势在人为。

在新一代企业级科技投资人投研社第21期,钛资本邀请芯片领域专家时昕博士对相关问题进行解答。时昕博士是Imagination公司主管中国区战略市场与生态的高级总监,拥有处理器设计及软件生态的丰富行业经验,加入Imagination之前在华为公司担任智能计算业务部业务发展总监,此前,时博士曾在AMD、ARM、Synopsys、三星半导体韩国总部等国际公司担任不同的技术与商务岗位职责。时昕博士毕业于中科院声学所,研究方向为处理器设计,同时拥有北大MBA学位。

半导体和芯片

半导体,是元素周期表的某些元素,如硅、锗、碳等等,在一定条件下有导电或绝缘的特性。半导体大致可以分成几个大类:第一类是传感器,包括传统的传感器和MEMS(微机电系统)传感器,传统的传感器包括压力、温度、气体、磁场、惯性、指纹、声音等传感器,MEMS工艺可以做得更小;第二类是光电器件,包括现在常用节能灯上的发光二极管,以及电子面板如手机或电视面板,包括华为折叠屏手机用面板也属于半导体器件;第三类是分立器件,包括晶体管、功率器件、模拟或射频;第四类是集成电路,包括数字集成电路、模拟集成电路、射频集成电路。

我们今天讨论的主要是第四类——集成电路,特别是数字集成电路(集成电路还包含模拟集成电路和射频集成电路等,这些今天不做详细讨论)。比如一些高速AD,即模数转换、数模转换特定电路,也包括一些射频集成电路,如天线等。目前常用的芯片较多基于硅,所以芯片从业者经常自嘲是“硅农”。还有其它的元素,如基于钾的砷化镓、氮化钾在功率器件和微波器件方面很有优势,而碳作为替代硅的下一代半导体材料,在学术界已经火了很久。

全球芯片产业链现状

全球芯片发展比较领先的国家和地区:美国是半导体的发源地,芯片就是在美国实验室里发明的,硅谷的名字由来也与之关;日本有一段时间芯片发展得比较好,但因为受到打压,最后一蹶不振;台湾地区发展比较好的是TSMC这种代工厂,TSMC的崛起离不开张忠谋教父级人物的个人能力,以及当时中国台湾在电子方面的进步;韩国能够发展起来,实际上是用类似于财阀的机制,集中资源办大事,三星是从存储器起家,目前发展到不仅包含存储器,也有逻辑芯片和面板。韩国和台湾地区的存储器和面板产业对比是很明显的例子,存储器和面板等产业都需要巨额资金的支持,台湾地区也有政策资金的支持但比较分散,韩国相对来说比较集中投给了三星,所以最终在面板和存储方面,台湾地区完全被韩国抛下了。从这个角度来说,像存储、代工、面板等需要巨量资金的这种行业,不要分散力量,集中力量才能把事办好。

(2018年全球芯片公司Top15榜单)

(2017年Fabless公司Top10榜单)

2018年全球芯片公司Top15榜单,可惜其中没有一家中国公司。据海关总署的统计数据,2017年中国芯片进口总额大概为26万亿元,在2018年还继续同比增长13%。中国集成电路的自给率大概是1%~10%,每年的进口额高居不下,所以很多场合都说中国每年用于进口芯片的资金已经超过进口原油,一定要尽快发展自己的芯片产业。

投资人可能比较关心的是,怎样投出下一个NVIDIA,也就是随着人工智能大火的GPU公司。打游戏的人可能知道NVIDIA是做显卡的,GPU是显卡上用的主要芯片,在芯片行业里没有特别专门区分GPU和显卡。

想要投出下一个NVIDIA,要看在哪些赛道上出现巨型新兴公司的可能性比较高:在2018年全球芯片公司Top15排行榜中,内存公司最多,有三星、海力士、镁光;第二多的是处理器公司,NVIDIA的GPU就是一种处理器;另一个比较容易出巨头的赛道是做通信相关的芯片,像高通、博通。榜单里有很多家是IDM模式,也就是既有芯片设计,也有自己的生产线,像Intel、三星、TI、ST、NXP等公司;高通、博通、NVIDIA都是Fabless模式,也就是只做芯片设计。

在上个世纪,很多芯片公司都要自己做设计和生产,随着台积电代工模式的出现产生了一种模式叫Fabless,或者说叫IC design house,这些公司只做芯片的设计,而把生产交给第三方公司做代工。

2017年Fabless公司Top10榜单,十家公司中六家来自美国,一家来自新加坡,一家来自台湾地区,两家来自祖国大陆(华为的海思和清华下的嘉瑞集团),而欧洲和日本在榜单上都出局了。再考虑到博通把总部迁移到美国,那就意味着美国占了七家,比例非常惊人。其中比较看好的是海思,海思在2018年的营收将近74亿美金,之前有看法说如果海思的营收在2019年能保持20%的增幅,有可能超过图一中的NXP,不过在现在的形势下这个挑战的难度大大增加了。

我国芯片产业链的发展

从2000年左右到现在,国内的芯片虽然是高科技行业,却是以中低端产品为主。国内芯片公司被戏称为“一代拳王”,就是说凭借某一款产品盛极一时,却缺乏持续引领市场的能力。比如,2000年左右全世界MP3里的芯片基本都来自中国南方的一家公司,但当MP3市场萎缩后,该公司就很难找到下一类别的市场。

另一方面,国内芯片公司的技术进步主要依靠摩尔定律,也就是说更多是依靠代工厂、EDA工具和IP公司的技术进步。同时,国内芯片公司严重依赖第三方IP导致产品的同质化非常严重。IP公司和EDA公司里,经常听到客户抱怨公司像跑步机,必须不停地跟着跑,这也从另一方面说明,芯片公司没有能够从技术方面引领EDA和IP,而是跟在后面跑。

好的消息是,国家对芯片产业很重视。不仅给予国家级科研支持,像“863计划”和2001、2002每年几十亿的专项投资,还从产业基金方面给与了很多支持。2014年,国务院发布了《国家集成电路产业发展纲要》,奠定了未来集成电路的战略发展方向;同年9月,在工信部和财政部的指导下,设立了国家集成电路投资基金股份有限公司,被称做“大基金”。大基金参与方都是国内比较有实力的企业,一期的募资总规模1300多亿元,超募了原定目标的15%。基金所有权为基金电路产业投资股份有限公司,采取了市场化机制的管理模式和公司制的经营模式,跟以往的政府项目补贴模式有本质不同。大基金的一期从2014年到现在将近五年的时间,拉动作用显著,现在已经开始启动大基金二期,募资规模将要超过一期且投资方向也要围绕国家战略和新兴行业进行规划,比如智能汽车、智能电网、物联网等等,尽量向装备材料业给予支持。

芯片产业链和我国的薄弱环节

芯片产业链中主要的环节如上图所示,最上方是用户,既可以是ToB用户也可以是ToC用户。比如既可以是运营商使用的5G设备,也可以是一般消费者使用智能手表或智能家电等等。在用户下面有系统解决方案的提供商,像做智能手机的企业会有两方面的需求:一是硬件供应商,主要指芯片的供应商;二是软件供应商,比如智能手机需要AP和基带的供应商。封装测试很重要,像安卓从芯片系统商拿到是封装和测试后的。封装和测试在整个产业链里门槛不是最高的,中国有很多工厂做得不错,像长电在全球排名不错,它的芯片主要是做封装测试,芯片本身由代工厂制造,包括TSMC、三星、中芯国际等公司。

芯片代工厂的需求包括:第一,根据芯片设计公司的设计文件,生产制造芯片;第二,无论是芯片设计还是芯片生产都需要技术支撑,像EDA工具和IP模块,不仅存在于芯片设计公司的上游,还会与芯片代工厂有技术沟通和合作。比如代工厂需要做7nm工艺的研发,就要跟EDA工具提供商如Synopsys沟通确认,其工具能否支撑7nm的设计,甚至需要共同开发。开发IP模块,也要确定其是否能够在7nm上正确实现功能和性能,这可能要几方合作。甚至对于CPU,芯片代工厂提供给客户的不仅仅是CPU的设计,还要跟代工厂共同开发针对此CPU可能会用到的特殊基础库,没有基础物理库,CPU、IP也无法在客户最终系统级芯片里正确使用。

芯片代工厂的上游是TSMC以及国内的中芯国际。它们也有上游,比如光刻机90%以上由荷兰ASML提供。整个芯片生产线牵扯到的设备非常多,其中技术门槛最高的是光刻机,还有其他设备比如离子注入、蚀刻等等。除了设备之外,芯片代工还需要准备芯片生产过程中的耗材或原材料,比如所有的芯片最终都要做到晶圆上,包括每个工艺节点上要做光刻还需要有光刻胶等等原材料,都需要供应商。所以,芯片产业链条中的环节非常多,欠缺了任何一个环节,链条就会被打断,无法实现。

结合中国目前的现状,上图中用白色标出来的是不需要担心的。中国是全球最大的市场之一,最不缺的就是用户了。封装测试在中国也有不错的基础,芯片设计虽然在排行榜中排前十的不多,但至少有一两家公司。

其它的方面可能比较让人担心。软件算法方面,像操作系统OS、专用软件、底层数学库等大部分都受制于美国。EDA工具和IP模块几乎完全受制于美国。前两天对华为的制裁开始后,几家EDA公司比如Cadence、Synopsys、Mentor Graphics三巨头,都已经切断向华为的供应,不仅不再给华为提供技术支持,也不做软件更新。IP模块中,排名靠前的IP公司也以很快的速度说停止对华为的支持。

上图是IP公司的榜单。这些IP公司几乎全部来源于美国或受制于美国。排名第一的是ARM公司,原来是一家英国公司,后来被日本的软银集团收购了,但它也要受制与美国,所以所谓禁令出来后,很快就停止了与华为的合作。排名第二、第三的两家公司是EDA三巨头中的Synopsys、Cadence,都是美国公司。Ceva是一家以色列公司,虽然不是美国公司,但是美国的盟友。Imagination公司原来跟ARM一样是一家英国公司,在2017年被中国的资金完全收购了,所以目前在所有权上完全属于中国资金所有。同时技术也不来源于美国,因为在被中国国资收购前,把所有的美国技术全部剥离出去了,所以目前不用担心这家公司。

IP公司主要分成两类:第一类主要是处理器IP,像CPU、GPU、MPU、DSP等等,比如ARM是移动端的CPU,包括手机、汽车电子等等;另一类是接口IP,比方设备都会用DDR的memory接口,像PCIE接口、USB接口等等。

四个需要重视的问题:软件、人才、标准、开源

上边说的是芯片设计的上游,芯片设计的下游对于解决方案来说非常关键的是软件公司,特别是对于处理器来说。有些刚开始做芯片相关投资的投资人,可能经常会忽略掉这一点,芯片公司的软件实力经常是决定一家芯片公司能否成功的关键。很多号称做AI处理器、硬件芯片流程的公司,前端、后端、市场、融资都有大咖压阵,但是团队里居然没有一个软件大咖。如果这个芯片公司是与软件公司一起合作或由软件公司投资定制的一款芯片,那可能还好,但如果这家芯片公司独立地往市场上推,可能经常用户都找不到它。

大家都喜欢类比NVIDIA,但很多人都不知道,卖GPU芯片盈利的NVIDIA公司,软件工程师的人数远远多于芯片设计工程师的人数。NVIDIA的GPU和AMD的GPU比较起来可能各有千秋,为什么市场上用NVIDIA的GPU的比例要远大于AMD的GPU,主要就在于软件生态做得好。整个CUDA软件生态,不仅有对AI各种框架的支持,也包括在各行各业,像天文、科学计算、气象等基础运算库。在专用处理器方面,这是一个非常复杂的工程,不能完全由硬件出身的专家负责,因为不了解应用软件,另外也经常会忽视软件工具链的开发。设计一个专用处理器需要经历很多步骤,比如需求分析、架构设计、硬件实现等等,而软件工具链的开发非常重要,比如处理器上的软件编程环境如何、用什么样的编译器、提供什么SDK和函数库,是否能够支持AI所需的所有卷积运算、矩阵运算、FFT运算等等。芯片本身软件工具链之外,还有更多的软件生态。以智能手机为例,手机芯片上如果不能跑安卓系统就比较麻烦,安卓上还跑微信、支付宝、抖音等等应用。因此,把芯片做出来后,只是万里长征刚刚开始,后面还有更多数量级上的工作。

芯片面临的另个问题就是人才和资金的缺口十分巨大,虽然中国在这方面持续投入了很多年,但是目前来看可能还是不够。2018年,中国电子信息产业发展研究院(CCID)和工业和信息化部软件与集成电路促进中心(CSIP)联合发布了《中国集成电路产业人才白皮书(2017—2018)》,提到了中国集成电路人才缺口大概30多万,这个数字值得玩味。

十几年前就开始说,中国集成电路每年的人才缺口大概有几十万,很多专家、学者、大咖一直在呼吁,很多高校也都开设了芯片设计相关的专业,每年培养出了很多的人,为什么人才缺口持续一直是这样的状态?白皮书中也有分析,每年培养出来的人才,八成左右在毕业后转行做互联网或金融,因为从事芯片设计行业赚不到钱。芯片设计打工者赚不到钱倒不是因为芯片设计的老板比较抠门,而是芯片设计公司的老板自己也没赚到钱。

为什么?因为芯片设计行业的特点就是投入非常高,一次流片可能就是几百万,如果比较新的工艺10nm、7nm,投入的量级可能不变,但单位变成美元,而且一次流片还不一定成功,甚至两次流片都不一定成功。除了流片费用,还有EDA费用、IP的费用、员工养家糊口的工资,这些投入非常高昂,而且一个芯片项目基本周期是一年半左右。因为周期比较长,投入比较大,同时还有非常高的风险,一年半前定好的产品需求,即使流片一次成功,到上市时能否满足市场需求,就要在一年半后上市时才可能确切的知道。也由于这方面的原因,民间资本非常不愿意进入芯片行业,其财务回报率IRR等指标,相对于大规模的创新互联网公司也不好看。

所以如果考虑向芯片业进行投资,可能要做好与团队进行长跑的心理准备,很难像互联网那样一两年就获得比较理想的或至少是比较明确的回报。还有在开始时,公司很难从技术上就能做出一个判断,很多情况下要看选择的团队和团队的技术积累和技术能力如何、团队的市场潜力、团队之间是否能长期合作共事等更加重要的指标。

在芯片产业中,除了IP、EDA和代工厂等实体组织外,还有一些环节非常关键,比如标准。像WIFI联盟、蓝牙联盟等等行业组织,先是取消华为的成员资格,几天后又恢复了华为的成员资格,虽然这是一场闹剧,但还是让人揪了一把汗。还有IEEE学术组织,也在美国政府禁令的影响下,对华为进行了一些限制,后来又放开了。对于标准,可能有人认为标准制定后就是公开的,照做就行了,不是标准制定委员会的成员也没什么关系,这就想简单了。需要参与标准的制定有两点因素:第一,每家公司技术的积累和布局是不完全一样的,参与标准的制定有利于让标准向自己更擅长技术方向上去倾斜,这非常重要——有句话是“三流公司做产品,二流公司做专利,一流公司做标准”;第二,如果不能在早期参与标准的制定过程,可能就很难在早期深入了解、获得标准的发展方向,从而很难制定一个三年或更久的产品规划图。作为一个芯片公司在与客户沟通时,没有一个清晰的产品规划路线图,客户的信任可能就打折扣,对企业未来打一个问号。而且各家公司的技术积累的方向也可能不完全一样,如果能够使标准更加倾向自己积累的方向,那么技术公司就能够获得更好的领跑优势。

第四个需要引起重视的是开源问题。谷歌暂停了对华为手机的支持,这事对华为的冲击固然很大,同时也敲响了一个警钟,就是之前都没考虑过开源项目或开源许可证是存在风险的。之前只是觉得是开源的就可以随便拿来用,经过谷歌这事提了个醒,有人专门研究了关于开源相关的三个方面:开源基金会的声明、项目本身所使用开源license声明、开源代码托管平台的声明。大部分的开源基金会都会声明说,对项目本身一般不会有什么强制性的法律要求。开源许可证License通常关联的是知识产权,与出口管制无关,但是并不排除未来可能会出现将使用范围限定在美国,制定这样一个附加条款不需任何的额外成本,只需在条款上追加文字而已。开源代码托管平台是风险最大的,像GitHub默认遵守美国出口管制条例和美国法律,而且美国也声明了管辖权的范围,不仅仅是写代码的人,代码的资金来源,哪怕代码放在美国服务器上,甚至通过美国服务器邮件,都可以通过长臂管辖权来管理,所以开源项目可能目前暴露问题出来的时间还比较短,分析还有限,但是未来是否会有更多潜在的威胁,还需要观察。原来以为ARM可能不受美国管辖,开源的CPU架构可以完全自主,现在发现有非常大的隐患。关键在芯片方面,不仅是商业的CPU、IP,那些号称开源的CPU、IP也会有非常大的隐患。

实现突破的机遇点

前面进行的很多分析可能有些偏悲观了,但是其实我们也不必过分悲观。之前的一段时间可以看到一个趋势,芯片产业在国内的发展非常明显,特别在2014年国家的“大基金”推出后,芯片设计公司的数量几乎翻了一番还多,大幅增长。

(大基金一期:以IC制造为主)

在中国,政府的指引非常重要,一定要关注。在第一期大基金的工作中有一个饼图可以看到投资的重点,65%投资了制造方面,因此像中芯国际这些年的进步非常明显,虽然距离台积电或三星还有代差,但是对于大部分芯片公司所针对的中端用户差不多可以了。

大基金已经开始了第二期,募资规模将会超过一期,而且将围绕国家的战略和新兴行业进行投资,并且尽量对装备材料给予支持。在第一期中,设计方面的投资大概17%,在二期应该会明显对设计公司加大比例,同时设计公司相对来说在芯片产业里,与制造相比算是花费少的,所以应该会有更加明显的拉动。大基金二期目标是募集1500亿元人民币,这方面在未来可以期待很大的支持力度。

国家花大力气支持芯片产业有一个根本原因,中美博奕不是针对一家公司,中美两国博奕也不能再用过去的眼光考察了,根本是谁能够占领科技发展的制高点。所以针对国内的企业,从去年的中兴、福建的晋华,到目前的华为,接下来大疆、海康等AI四小龙等等,可以看到打击的目标都是高科技企业,所以这战争是不是场持久战?像华为可以通过囤半年或一年的货,用自有备胎从容应对就可以吗?

如果真的是两国博奕,要占领未来科技发展的制高点。若仅有设计公司,芯片设计的部分是完全不足以支撑的,像芯片的上游EDA、IP,还有芯片的代工、代工厂的上游,完全都在别人手里,想要把产业链重新连起来,里面相当多的环节都要重新开始自己建设,国内虽然也有EDA公司,就算不是重新开始也是从一个非常低的起点开始。

上图分析在几个方面中国与世界水平还差多少:封装测试方面不用特别担心;在设计方面,基本上具备了终端方面设计的能力;在代工方面,由于投入巨大,需要一定的时间。这些方面目前有差距,但是差距既是挑战,对从业者来说也意味着机遇。在迎接这些挑战中,需要远离浮躁,要能够坚持下去。一个芯片项目做一年半,甚至可能一次流片不够,还要经过更长时间的忍耐,这对从业者也是非常大的考验。

中国的芯片如果想要在某些方面有所突破,在哪些方向或赛道上有可能会出未来黑马?

首先,芯片相关的内存、代工、封测等等领域,基本上投入都非常巨大,以数十亿计的资金才有可能参与,这些领域可能更多需要依靠国家战略进行追赶甚至赶超;

其次,IDM厂商。世界上TOP 15里有很多IDM厂商,像Intel、三星,中国还是有机会出现年轻的公司,比如华为海思。因为有持续的资源保证,海思有华为十几年持续的帮助和投入,获得了现在中国芯片领域排名第一的位置。中国还有其它的IDM,比如像无人机,还有很多比较成功的互联网公司,也都在尝试进行芯片的研发。在手机厂商和家电厂商中,除华为外,没听说哪个品牌或资源声势特别大,更多的手机厂商应该做尝试;

再次,很多人说国内要做自己的EDA公司,而EDA公司数十年的历史已经证明了,初创EDA公司最终最好的结局就是被三巨头收购,除非国内的EDA公司将来跟美国是一个世界两套体系,那就几乎要从头开始发展EDA产业,不然这方向不太可能有较大型的公司出现;

第四就是IP公司。在IP公司榜单前十名没有一家国内公司,直到2017年年底时,收购了Imagination。在榜单上可以看到IP公司最近几年的营收,IP公司活得很艰难,市场份额都不大。如果只是做单一IP公司,没有机会做CPU或GPU这种比较大空间的IP,那单一或少数几个IP的公司是很难生存的。如果将来迫不得已发展自己的IP,那唯一的方式就是某个具有号召力的组织机构振臂一呼,大家一起做聚合平台,把很多单一的IP聚合到一起,才有可能被芯片公司所采用。

最后,在芯片设计行业里有更多的机会,芯片设计方向也很多,主要考虑这么几点:首先,开源处理器也有隐患,将来需要完全源自于中国自主的处理器架构,不管是MCU微控制器、手机AP(Application Processor,即应用芯片)的MPU,还是一些在特定场合下的对特定指标有要求的数模、模数转换器件和射频器件。

希望投资机构能做好陪伴团队长跑的心理准备。中国的优势在于巨大的市场,可以立足于本地市场做持续引领,不要又成为“一代拳王”。像安防、AI行业,中国不仅仅有巨大的市场,而且也有很多AI的初创公司,在算法和软件方面也非常有技术领导力,还有像能源、汽车等等行业,一定会有国内供应商的重要一席之地。

除此之外,类似中国基金全资收购英国IP公司Imagination,也是一条可行的道路。除了美国外,在其它的一些地方,特别是欧洲还有些小而美的公司可以进行国际并购,从财务上面取得控制权,然后再慢慢消化吸收、引进人才等等。

钛资本研究院观察

此前,钛资本曾在2018年12月邀请了湖杉资本创始人苏仁宏在“新一代企业级科技投资人投研社”在线研讨会第九期上分享了中国半导体领域的投资挑战和机会(在钛资本微信公号中查看)。当时认为未来十年,中国芯片产业链将重构,这是最大的整合机会。传统的模式已经越来越没有效率了,今后的世界会越来越扁平,信息流会越来越短,数据的传输效率会提升,也会带来新的应用模式,整个产业链条会发生重构,而产业价值重点是芯片、云、数据。

而到了2019年6月,随着中美贸易战的升级和持久化,打开了中国芯片产业的历史性机遇窗口期。在美国禁令发出后,不少国际芯片产业链上的公司切断了对华为的技术供应,这将在很大程度上警醒和影响中国的科技投资流向。相对来说,半导体行业新的技术并不多,推动力大多数情况下并不是新技术。而科技投资的流动,将影响全球半导体产业格局的发展。过去,没有中美贸易战,科技投资更关注应用创新以及产业链的整合;而在中美贸易战的影响下,科技投资将有可能关注在全球不同的区域重建半导体生态,以保证国际竞争中的可持续性发展。

中国提前一年发放5G商用牌照,这在很大程度上拉升了中国在全球半导体产业链中的市场地位,也为国内半导体产业发展和创业创新提供了广阔的实验场和产业空间。现在需要的是更大胆更具创意的想像和想像空间——如果要在亚太和欧洲市场重建整个半导体产业及生态,是否能够做的不一样,例如还需要专业人士完成芯片设计么,还是人工智能就可以完成?好的消息是,已经有了到目前为止的整个半导体产业发展历史可以借鉴和对标,需要思考如果推倒重来的话是否有更好的方式、方法和路径?不是每个产业都有推倒重来的机会,在大挑战面前也是大机遇。

2019-06-08

自2010年国际上首次提出“数据湖”概念以来,数据湖就被视为大数据的终极挑战。所谓数据湖,即把所有的数据以原始格式存储在一个统一的地方,以供后续使用。数据湖的出现,是为了应对城市和企业无法及时处理各种海量数据而先行将数据存储起来,后续使用的时候随需取用。“数据湖”被视为打破城市和企业的数据孤岛的重要基础设施,而且由于“数据湖”中存储了全量全域数据而更能为人工智能所用,从而创造更大的价值,例如用人工智能对一个城市或企业的全量数据进行分析,从而得出超越现有经验的全新洞察。

近年来,各地都在兴建“数据湖”,往往一个数据湖项目就涉及上百亩产业园以及数十亿投资。因此,“数据湖”也被视为智慧城市和智慧企业发展的重大投资。简单理解,数据湖就是要给城市和企业建立一个数据中台,建立一个打通城市和企业的智慧基础设施。然而,Gartner曾预测,到2018年将有90%的数据湖将毫无用处,因为这些原始数据,缺乏有效的技术手段去使用它们。换句话说,只有“数据+智能”的智能数据解决方案,才能唤醒数据湖的真正价值。

2019年6月5日,华为在北京发布智能数据解决方案FusionData,支持智能的数据全生命周期管理,让数据存得下、流得动、算得快、用得好,把数据资源转变为数据资产。华为Cloud & AI产品与服务总裁侯金龙表示:“不久的将来,可实现一家企业一个数据湖,一座城市一个数据湖,满足居民的生产与生活、企业的运营和发展、城市政府的管理和服务等各项需求,加速全社会的智能化进程。”

(华为Cloud & AI产品与服务总裁侯金龙致辞)

数字化转型也要不断升级

众所周知,世界上90%的数据是在过去两年内产生的,并且以每两年翻倍的数据往上递增,这些数据有结构化、非结构化和半结构化数据。从现在到未来五年,将有500亿台互联的智能机器,这些互联智能机器和设备用来分析、收集和采集数据。如何获得数据、如何有效使用数据并且把数据用以指导业务,这是新的课题。

国家战略性新兴产业专家委员会秘书长杜平在2019数博会的专业论坛上发言认为,数字经济是数字技术与资本、人才、市场相融合的一种经济形态,当前整个社会经济发展向网络化、数字化、智能化转型,在转型过程中由于人们的社会经济活动而源源不断产生新的数据,这是数字社会与之前工业社会和信息社会中前期最大的不同之处。

对于当前正在进行的数字化转型,杜平强调转型必须不断迭代升级,同时要取得投资回报,特别是长期要有投资回报,否则不可持续。为此,要同时强调成本和产出:成本既包括资金,也包括时间、效率、营商环境;而产出不仅要有资金回报,还要带来体验感,也就是数字社的便利性、安全感、获得感。换句话说,数字经济时代是大家共享发展成果,这与之前的社经经济模式不同,因此要统筹考虑成本和产出问题。

然而,当前的大部分应用仍为旧应用或传统应用。政府和企业拥有大量的数据管理员,他们当中的大多数在管理着传统数据库,日常管理包括打补丁和升级等,都属于重复性人工劳动。而政府和企业希望至少能拿出50%的人力进行创新和革新,希望这些人员用更多时间在数据建模、数据生命周期管理,以及前置性措施预测数据漏洞及安全,以保障和提升企业在市场上的声誉。

因此,不论对于政府还是企业来说,“数据湖”能够统一容纳和管理传统数据技术以及新兴数据技术,把所有的数据管理员集中起来重新分配工作特别是进行创新性工作,而不是像之前那样不同的数据库系统都要配备高级数据管理员从事日常管理工作。更重要的是,“数据湖”作为一个企业和一个城市的统一数据基础设施,可以在统一软件架构的管理下,不断升级旧技术的同时容纳新技术,最终实现可持续发展的基础设施。从这个角度来说,“数据湖”是大数据的终极基础设施。

持续释放数据的长期价值

华为全球产业展望(GIV)报告显示,全球数据量将从2018年32.5ZB快速增长到2025年的180ZB。但企业生产活动产生的数据中只有不到2%被保存,而其中得到分析利用的不足10%,数据价值没有得到充分释放,并且企业普遍存在烟囱式业务系统,导致数据管理、应用效率低。对此,华为IT产品线副总裁、智能数据与存储领域总裁周跃峰表示,“各行各业在实现数据价值时面临数据接入难、分析难、消费难等挑战,亟待更智能的数据解决方案。”

例如,北京把智慧城市建设作为推动政府决策科学化、城市管理精细化、公共服务便利化的重要手段,大力实施北京大数据行动计划,形成“四梁八柱深地基”的大数据平台体系总体架构,包括截止2018年完成了40个市级部门714类政务数据汇聚工作,涉及数据9.4亿条,这是今年初北京2019年经济和信息化工作会上透露的。而在北京大数据平台体系总体架构中,城市大数据湖就是建立在北京政务云和网络基础设施之上的关键“地基”。

作为企业代表,招商银行总行数据中心应用与数据库管理室经理田永江介绍,目前招商银行零售业务两大APP的总用户数超过1.4亿、月活8000万+、承接客户流量占比92%。随着两大APP全年365天每天都可能有新业务上线,用户浪涌特征非常明显,即事先难以估计客群访问量,对业务资源快速扩展提出非常高的要求,大量业务数据也带来了大数据决策需求。在关键的数据库技术方面,由于现有的开源数据库内核还达不到Oracle的性能和功能,并且会导致集群规模过大、性价比低、维护成本高,为此招商银行与华为进行分布式数据库联合创新,这就是前不久发布的华为GaussDB数据库OLTP版本,由招商银行负责需求和解决方案设计,华为OLTP数据库团队负责技术实现。

GaussDB OLTP数据库在产品架构上采取了三层架构设计,顶层是分布式扩展层,中间层是企业级内核层,能够承载企业级业务的高性能以及通用数据库能力,最底层是分布式存储层,采用云存储技术,构筑软硬件垂直整合的高性能、高可用、Cloud Native云数据库能力。GaussDB OLTP版本利用华为在数据库领域的经验进行自主创新,基于新型硬件能力进行基础设施整合,实现云上部署和三高一低的总体目标(高可用、高安全、高性能、低成本)。

招商银行在数字技术领域的尝试与互联网金融企业的差异性在于,招商银行是在非常严格的监管以及为客户负责的前提下进行规划实施,是在考虑了可用性、安全性和客户体验的前提下,实现的高可用、高扩展和高弹性。田永江强调,GaussDB在一套系统里统一解决了高可用和容灾的所有问题,而且具有自动路由分布能力,运维复杂度大幅降低。而此前,招商银行已经全面启动了基于华为FusionInsight HD的大数据云化服务化建设,实现了大数据的异地存储和容灾;随着各类业务快速发展,行内群集数量快速增长,在精准营销、客户推荐、风控管理经营决策数据分析等各个领域,发挥了大数据“发动机”的作用。

(华为IT产品线副总裁、智能数据与存储领域总裁周跃峰发布华为智能数据解决方案)

本次华为发布的FusionData智能数据解决方案,就是过去多年服务政企客户需求和联合创新以及自研技术创新的集大成的系统。FusionData智能数据解决方案支持智能的数据全生命周期管理,从三个层面重新定义数据基础设施:

数据连接层面,智能数据连接部件ROMA支持多数据源接入、消息和API的统一管理、智能通道选择等技术实现智能全连接并加速数据流动,特别是支持1100多种应用和异构数据源接入,通过开放式数据接入框架可灵活接入第三方数据源;在数据处理层面,包含分布式存储FusionStorage、分布式数据库GaussDB和大数据平台FusionInsight等,通过多类型数据融合存储、融合分析引擎等技术实现从单一处理到智能融合处理,特别是通过存储与计算分离技术打破系统烟囱式建设,通过智能分布式存储的多协议融合技术实现一份数据同时支持数据库、大数据、AI等多种业务的分析需求;在数据使能层面,智能数据使能部件DAYU通过智能元数据感知和OneQuery Turbo技术构建数据处理与业务创新的桥梁,特别是通过AI技术自动化智能化生成全局统一的数据视图,实现多数据源、多类型数据的统一访问等。

华为EBG中国区总裁蔡英华表示“站在智能时代的入口,在坚持‘被集成’的基础上,华为企业业务通过‘无处不在的联接+数字平台+无所不及的智能’,致力于打造数字世界的底座。”而这样一个数字世界的底座,向上支持应用快速开发、灵活部署,使能各行业业务敏捷创新;向下通过无处不在的联接,做到云管端协同优化,真正实现物理世界的数字化。

(华为EBG中国区总裁蔡英华致辞)

尽管FusionData为未来的“数据湖”世纪打下了技术底座基础,但“罗马不是一天建成的”,走向“数据湖”之上的数字经济与数字社会也需要经历一步一步的转型过程。而FusionData则是很好的新旧技术结合,截至目前,华为智能数据解决方案FusionData已经应用于全球60多个国家及地区,服务于1500多个客户,拥有500多家商业合作伙伴,并广泛应用于金融、运营商、政府、大企业等行业。

2019年6月6日,中国发放了首批5G商用牌照。专家认为,5G将以全新网络架构,数十倍于4G的峰值速率、毫秒级的传输时延和亿万级的连接能力,开启万物泛在互联、人机深度交互、智能引领变革的新征程。5G也将加深当前的大数据和“数据洪荒”困境,而面向“数据湖”的FusionData智能数据解决方案发布,恰逢5G商用时代的开始,无疑将成为“5G+大数据”的时代“地基”。(文/宁川)

2019-06-06

(微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文)

《中国新一代人工智能发展报告2019》指出,人工智能技术的成熟及应用催生的智能经济,将为我国经济高质量发展提供有力支撑。这份由科技部新一代人工智能发展研究中心、中国科学技术发展战略研究院联合国内外10余家机构编写的报告,体现了2017年7月《新一代人工智能发展规划》以来的推进情况。该报告同时指出,我国人工智能产学研协同创新能力仍有差距,人工智能学术研究仍以高校为主,与企业的结合程度较弱。

早在2017年11月,微软亚洲研究院就启动了“创新汇”项目,主要结合微软前沿的人工智能科技成果以及“创新汇”成员企业的行业经验,以人工智能落地为企业数字化转型的突破口,让科研与商业相互碰撞、相互启发,形成人工智能“头雁”与数字化转型“头雁”齐飞的连动效应,寻找大型企业的数字化转型之道。微软亚洲研究院“创新汇”主要针对行业领先企业,期望走出一条帮助大型企业转型的“智能+”之路。

2019年6月5日,微软亚洲研究院启动了“创新汇”二期,共有26家企业“入驻”成为成员企业,其中包括东方海外航运、华夏基金、辉瑞制药、三一重工、万科、万向控股、顺丰科技、培生集团、兴业银行、招商银行、中信银行、中国外汇交易中心等大型金融、制造、物流等企业。“创新汇”同期举办的为期两天的创新论坛2019活动中,成员企业将通过前瞻技术分享、行业前景探讨、闭门会议等形式与微软亚洲研究院的人工智能专家全方位交流、探讨。

微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文表示:“数字化转型不是终点,而是一个旅程。”作为数字化转型的“头雁”,如何基于人工智能找到一条有效而且能够普遍推广的数字化转型之道,是所有大型企业在当下的困惑。如何找到既不“小打小闹”又不“伤筋动骨”还能带来显著实效的数字化转型之道,是撬动大型企业向智能经济升级的关键。

全局智能拉动整体升级

(微软亚洲研究院副院长刘铁岩)

人工智能和机器学习领域有很多种算法和众多公司。据有关机构统计,截至2018年底,全球共成立人工智能企业15916家,中国人工智能企业数量多达3341家,位居世界第二位。而包括微软在内的公有云厂商,也提供了数量众多的AI服务,例如微软Azure就提供了视觉、语音、语言、知识和搜索等五大类别的20余种API认知服务以及支持TensorFlow、PyTorch、ONNX、Scikit-Learn等在内的多种机器学习和深度学习开发框架。

微软亚洲研究院副院长刘铁岩认为,很多人认为人工智能是一组现成的工具,可以直接打包提供解决方案,而从事人工智能研究多年的微软研究员则认为,更应该把人工智能视为一种方法论,需要根据具体问题进行定制化设计,才能真正成为可用的技术工具。每个行业所面临的痛点不同,每个应用场景的特点不同,因此人工智能想要真正落地,需要结合行业的领域知识,进行深入的定制。

自2017年11月开始的第一期“创新汇”,微软亚洲研究院就与成员企业合作,探索行业定制的方法和路径。而更重要的是,在定制行业AI方法和路径的基础上,提炼出一条具有普适意义的路径或方法论,进而普遍性提高社会生产力。而这就回到了本次全球人工智能热潮的起点——大数据。实际上,在过去的60年中,人工智能算法本身并没有本质的改变,而自2016年以来的全球人工智能热潮,其根本原因在于可以获得大数据和高算力。进入到2019年,越来越多的行业和组织能够获得全局全域数据,结合人工智能分析就能实现规模化撬动业务和经济板块升级的能力。

在中国,自2014年“大数据”首次进入政府工作报告,就在推动全社会全域大数据的积累。华夏基金总经理李一梅在微软亚洲研究院“创新汇”二期启动会上接受采访时表示,华夏基金有1亿多客户,以前并不知道这1亿客户都是谁,包括客户画像如何、行为表现如何、风险偏好如何等,而如果能够清晰地了解1亿客户的所有数据,就有机会提供更好、更适合客户的产品以及更好的心理辅导。因为很多时候,投资是一个心理行为,能否赚钱取决于持有的时间,期间必须要战胜恐惧、贪婪等最基本的人性特点,而如果能够认识客户以及预测客户的行为模式并提前干预,就能极大提升投资回报。

而另一个与微软亚洲研究院以及“创新汇”合作一年多的东方海外航运(OOCL)处于物流行业。与金融行业类似,物流行业近年来也积累了大量数据,可以获得接近全局全域数据。微软亚洲研究院机器学习组主管研究员边江介绍,全球一体化让世界贸易成为一个大而复杂的场景,其中存在着资源分配不平衡的问题。OOCL最大的资源就是集装箱,如何以最优方式有效调度集装箱,满足不同港口和区域的需求,这就需要一个高效的集装箱供需回路。传统的做法是对各个港口的空集装箱需求和供给进行预测,再利用组合优化方式获得合理的调度算法。但每一步的准确性就影响了下一步,例如一个港口出现问题,就会影响下一个关联港口的准确性。微软亚洲研究院与OOCL经过合作研究,提出了一个端到端的机器学习方法,也就是对OOCL全球航运网络的供需进行整体建模。这,就是全域全局建模的思想。

通过微软亚洲研究院“创新汇”第一期成员企业的实践,可以看出一个基本规律,也是一个普适性的数字化转型思考:那就是基于全局全域大数据,利用人工智能算法建立全局全域的认知能力,再反过来辅助传统靠经验完成的局部优化问题。在这个思路下,就有机会大规模拉动业务或经济板块的转型升级,创造出规模化的效益。

为什么是微软?

(华夏基金总经理李一梅)

Gartner和中国信通院联合编制的2018世界人工智能产业发展蓝皮书指出,当前人工智能仍处于早期采用阶段,仅有4%的被调研企业已经投资并部署了AI技术。对于企业的实际业务场景而言,不再是语音识别或图像识别等特征明显、规则固定的闭环问题,而涉及到复杂的干扰因素和开放的连动效应。即便是有了全局全域建模思想,也需要根据具体的业务场景进行优化和工程化,而这正是微软亚洲研究院的长项。

华夏基金董事总经理、数量投资部行政负责人张弘弢介绍:在金融投资领域,由于有更多人参与,任何行为的介入都可能会改变其他行为,同时投资者和投资结构也在不断变化,这让逻辑决策与响应过程更加复杂,对人工智能的落地提出了更大挑战。华夏基金在2017年就开始了与微软亚洲研究院的深度合作,在大量研究与测试后选择了量化投资——多因子选股这个领域首先展开合作。

传统的多因子选股方式,在建模过程中具有一定的主观性。而随着数据量与数据类型的增加,传统方式已不能兼顾所有数据,有些半结构化和非结构化数据无法得到有效利用。而在华夏基金与微软亚洲研究院互派团队进驻对方实验室进行密切合作之后,双方探索出了“AI+指数增强”的策略,该策略主要涉及两项核心的人工智能技术:时空卷积神经网络和时变注意力模型。简单理解,虽然可以获得证券市场的实时全局全域大数据,但整个市场处于实时变化当中,这一刻的全局刻画不一定能推理出下一刻的全局状态,这时就要引入实时的时空分析以及时变的市场动态注意力模型,以协助实时调整选股组合。

微软亚洲研究院副院长刘铁岩就此评论,“金融市场中的数据是一直变化的,数据与模型就如同鸡生蛋和蛋生鸡的问题一样,无法确定谁先存在。而机器学习利用实时变化的最原始数据,可以实时发现变化的因子,及时抽取α信号更改组合模型,时刻确保投资公式是当前最佳,避免了人工计算公式的滞后性,以及不断失效的问题。”微软亚洲研究院为华夏基金引入的不仅有时空卷积神经网络和时变注意力模型,也有基于博弈论的机器学习。通过不同的深度学习和机器学习的组合应用,解决了整个市场的动态变化和复杂开放市场环境的挑战,特别是在非理性的投资环境中如何获取更高收益的问题。

当然,微软亚洲研究院在为华夏基金解决问题的时候,也还要处理不少的工程化挑战。比如,金融和证券市场中的各种信息、数据和新闻等质量参差不齐,就要解决如何更好地获取新闻数据或者是文本数据中隐含的投资信号。虽然微软已经在国际的机器阅读理解等大赛中名列前茅,但那只是实验数据和实验环境,数据和文本质量都非常高。而在现实世界中,就没有那么多高质量的数据和文本信息了。这个问题虽然看似不难,但也需要大量的工程化努力。

同样的情况发生也在东方海外航运OOCL上。虽然是要建立一个全局全域的人工智能模型,但在反馈给每一个港口进行决策优化从而计算出整体优化的参数时,却不能简单的静态计算,因为所有的港口和空集装箱的情况也是实时变动的。为此,微软亚洲研究院提出了一套全新的解决方法——竞合多智能体强化学习技术(Coopetitive Multi-Agent Reinforcement Learning)。

相比于传统的全局求解优化方法,竞合多智能体强化学习技术把每一个港口和船只建模成智能体,在各个智能体之间建立了高效的通信机制,通过协调智能体之间的利益分配与转移,来促进智能体之间的合作以及协调竞争,对原来的全局复杂问题分而治之,以去中心化的方式进行求解,最终起到全局优化的目的。传统优化方法需要好几个小时进行的路径优化,利用竞合多智能体强化学习技术则可以缩短到毫秒级。当某个智能体遇到突发状况时,系统只需调动周围相关的几个智能体自己协调就能解决,无需从头开始重新计算。

开放创新汇,聚全力共赢

(第二期微软亚洲研究院“创新汇”成员企业代表)

当然,“很多事情看起来很美好,真正做下去就有很多细节”,刘铁岩强调在企业落地AI,算法只是其中的一项挑战。

微软亚洲研究院与OOCL的合作,核心算法的成功早已被证明了,但在具体部署的时候就遇到了“最后一公里”问题。因为一旦到了具体的区域,比如澳大利亚、新西兰等,就会有很多地方性的限制,超出了原先通用模型的范围,因此要解决“最后一公里”的方案。必须要有长期积累能做骨干算法解决方案,同时还要有精兵强将、有战斗力的公司,才能最终打通整个链条。

微软亚洲研究院的科学家与OOCL的科学家和工程师团队合作,就是完美的团队模型。很多具体落地的难题,OOCL的科学家和工程师团队就可以解决,双方形成优势互补。刘铁岩强调,利用AI探索数字化转型,是一个开放创新的过程,需要与真正想通过AI改变自己行业心态的专业人士合作。“在这个过程中,没有甲方和乙方、没有运动员和裁判员,大家都要做运动员,都要下场贡献,才可能踢赢这场比赛。如果想做数字化转型的公司,抱着裁判员的心态来看AI,其实就已经输了,因为没有办法全心投入,没有办法把自己最重要的知识贡献出来。我们能够与企业磨合,是因为这些合作伙伴特别开明,都本着公正、平等、开放的心态才走到今天。”

微软亚洲研究院为什么会选择“头雁”型大企业合作人工智能和数字化转型?刘铁岩强调,微软希望实现示范性的AI解决方案,就需要获得某个行业中最痛点、最难的问题,而只有在行业中摸爬滚打了几十年的大公司才能看透行业,提出最难的痛点问题。“我们希望找非常有经验、能看到全盘问题的公司合作,只有成熟的龙头企业才会做长远的布局和充分的思考。”而与“头雁”企业合作后,就有可能把个案抽象成某种思想、工具甚至是服务,最终提供给更广大的企业。

顺丰科技有限公司CEO幺宝刚表示,“经过多年的经营和前瞻性战略布局,顺丰已形成拥有‘天网+地网+信息网’三网合一、具有网络规模优势的智能物流运营商。加入微软亚洲研究院‘创新汇’只是一个起点,我们相信双方的深入合作将成为物流行业与人工智能深度融合的又一典范。”

“数字化转型已成为企业的普遍认知,由人工智能驱动的数字化转型将为企业创造独特的竞争优势。”而在这个过程中,微软亚洲研究院副院长潘天佑强调,主要的成功要素是AI科学家与企业之间的双方信任。“创新汇”一期华夏基金和OOCL的合作能够取得阶段性成果,就是因为企业高层亲自参与及承诺,其它参与“创新汇”的成员企业基本都是类似情况。而微软作为一家平台公司,不会与任何行业企业产生竞争关系,这也是“创新汇”成员企业可以充分信任微软亚洲研究院的基础。

2019年是中国经济“换档提效”的关键之年,从“互联网+”到“智能+”的升级预示了当前的数字化转型正从泛连接和大数据的积累,过渡到对大数据的有效和高效利用以及通过人工智能从更高维度解决新老问题的方式。

正如长江商学院人工智能与制度研究中心主任许成钢教授所指出的,人工智能在根本上是经济学模型,是从经济问题研究起步又再返回到对经济的贡献中。过去,由于缺乏数据而无法解决大量经济学家关心的问题,现在大数据已经能够开始反映全社会的运行状态,那么人工智能就给予了经济和商业以新的可能性。现在,新的“智能+”世界才刚开始。(文/宁川)

2019-06-04

对于企业来说,数据灾备就相当于买保险。而“保险”二字,相当于一个心理保障,对于灾难的心理恐慌有多高,购买保险的意愿和出价就越高。中国企业对于灾备的建设处于方兴未艾阶段,特别是随着数字化转型与数字经济发展,数据不仅维持着企业的运营,更与实体经济紧密结合,数据损失即意味着重大经济损失。

近年来,中国的业务连续性和数据灾备等建设仅局限于金融、电信等大型企业的少数领域,其它行业的认识和认知还不够,也没有认识到数据灾备对于企业生存和发展的重大关系。实际上,只有当企业亲自经历了数据丢失带来的重大经济损失,才会对业务连续性和灾备有深刻的认识。

根据有关市场分析,2015年我国灾备市场约136.8亿元,到2022年将达到329.1亿元。政府、军工、金融、电信、交通、能源等大企业市场对灾备的需求呈规模化增长态势。在灾备解决方案中,基于公有云的云灾备增长迅速。2019年5月29日,阿里云发布企业级云灾备解决方案,云上灾备成本相对传统线下节省50%。

对于企业来说,类似阿里云的企业级云灾备就相当于第三方保险公司,企业无需大规模自建线下成本高昂的灾备中心,而采购公有云灾备解决方案,共享业界最佳灾备实践,大幅降低灾备成本的同时,提高全面保障的能力。

数字经济,灾备升级

数据是新时代的能源,而我们正处于数据能源新时代的开端。市场调查公司IDC在2014年发布的第七次《数字宇宙报告》,预计到2020年,数字宇宙(指由全球所有消费者和企业所创建的数据,包括视频、音频和文件等)规模将达到44ZB。

140多前的1879年,爱迪生经过几千次试验发明了电灯,当时的人类对于电能的重要性还远远认识不足。之后过了90年的1969年美国把人类送到了月球,1970年空中客车公司诞生,全世界全面进入电力电能时代,几乎所有的人类文明都被电力化电能化。从大规模的现代化生产车间,到更大规模的城市建筑群,再到电力电能全面普及的民航、火车、医院等生命生活基础设施,每一次停电所造成的社会影响力量级,都在不断“换代升级”。

在DT时代,数据备份的重要性,将随着数据应用的深度和广度而不断加深。之前的信息技术时代,IT系统和数据的灾备就已经十分重要。有专家认为,如果不进行灾难恢复以及业务连续性规模,将有5%的概率引发企业的财务危机;而美国德克萨斯州大学的早期调查显示,只有6%的企业可以在数据丢失后存活下来、43%将彻底关门、51%将在两年内消失。

随着人类从信息化进入数字化和智能化时代,信息技术逐渐与企业业务和流程融为一体,数据丢失将会对企业产生毁灭性影响。数字业务对于灾难恢复的要求也远高于传统IT甚至更加苛刻,RTO(能容忍的恢复时间)从小时降到分钟以内、RPO(能容忍的最大数据丢失量)也要求尽可能低。

云灾备是灾备技术趋势

十三五规划明确提出“对于信息安全、数据安全,灾备是最基础的技术需求,几乎所有的信息资产都需要灾备保护,以确保在任何意外故障情况下,信息系统的正常运转”。

灾备技术国家工程实验室副主任、清华大学教授舒继武在阿里云企业级云灾备解决方案发布会上介绍,历史上的灾备主要是容错系统的一个研究方向,现在的灾备则是容错计算、信息安全和系统管理三个研究领域的综合。

云灾备是灾备业务的实现形式,主要包括云备份与云容灾,这二者是一个有机体,其中云备份是指备份技术将数据直接备份到公有云上,进而实现数据备份与恢复功能;而云容灾则是指通过数据/系统的云端迁移、高可用等方式实现业务的快速接管,保证业务连续性。其中,云灾备的特点包括:减少基础设施、降低IT成本;按需付费,具有高度机动性;可快速恢复,具备高度灵活性;安全备份,以服务为导向。

传统灾备具有“两高一低”的弊端:高成本、高浪费、低利用率。对于企业的传统灾备来说,通常要自建灾备中心,备份机房的平时利用率只能达到20%,但却要付出100%的成本,不仅硬件投入大而且三年过维保期,如果三年之年不出事故,备份机房就基本浪费了。

灾备对于企业来说,就相当于买保险,而如果要买保险,当然是找到第三方商业保险公司更为划算。云灾备已经成为大势所趋,Gartner预计到2020年,90%的容灾操作会发生在云端。

本次阿里云发布的企业级云灾备解决方案,采用了国内首个磁盘级数据持续复制技术,同时支持混合云和跨云的多平台融合架构,为企业提供五大能力:用户数据中心和公共云的相互容灾;业务不停机,完成容灾演练;首个云原生支持弹性容灾,只需部署最低负载;一键容灾快速恢复,RTO、RPO可达秒级;完善的数据加密体系,保证数据的极致安全。

陈绪强调,阿里云企业级云灾备的独特能力包括:本地和云上皆可快速恢复;首家大数据异地双活容灾;端到端的数据加密检验,云端容灾数据自动多副本保存;五分钟启动备份服务;高达1:30的备份数据重删比;异地备份方案成本比传统方案更低。

阿里云企业级云灾备还符合四个极限目标,即不在同一火山地震带、不在同一水系、不在同一电网、不在同一运营商网络出口,最大程度地保障业务和数据稳定安全。

阿里云企业灾备的实力

灾备对技术、管理、成本等有着综合的要求。《信息系统灾难恢复规范》GB-20988-2007国标中提出了6级相关要求,SHARE 78国际组织提出了7级国际标准,恢复时间从72小时到分钟级不等、恢复点从1至7天到0级不等。

陈绪强调,阿里云企业级云灾备体现的是包括网络、数据库、存储等在内的全方位的能力。例如,数据可靠,全链路加密,支持用户自己代理的密钥——即整个存储、传输过程都经过加密且只有用户可见全过程,而数据可靠性通过3AZ(3个可用区)实现,这在国际上也是先进的。而之所以能够达到高等级的安全可靠,一个很大的原因是阿里云的技术都经过了双11的演练。

双11作为全世界最好的技术练兵场,每年峰值都在不停的提升。阿里云是解决双11业务支撑最核心的杀手锏,在双11业务到来的时候,所有的环节都已经检测过一遍,系统能承受负载和压力也都百分之百测试过了。正因为有阿里双11的实战演习环境和模式,才保障了阿里云企业级云灾备的技术能力,包括为制造、金融、医疗等企业提供一键容灾,例如业务恢复、数据保护和网络自愈,最大程度保护本地和云上业务稳定运行。

灾备演练是任何灾备方案成功的关键,没有经过灾备演练的灾备方案,都不能称之为成功的灾备方案。而灾备技术并不孤立,涉及备份、复制、虚拟化、存储、网络、超融合等多种不同技术,系统复杂性高、建设要求复杂,而好的灾备方案要求实现用户的“故障无感知”,即业务平滑过渡、数据无损失。此外,成本还要可控,在同等级灾备能力下达到更低的成本。

具体来说,阿里云企业灾备背后的技术除了飞天整体能力外,还包括阿里高可用机房、超强容灾云服务器、存储、数据库灾备等极致的技术能力。

在高可用机房方面,阿里云的不间断IDC可双向引入独立市电、机架服务器AB路供电,通过双路供电让电池后备电源无缝接管25分钟,N+1冗余柴油发电机可在1分钟内接管;而阿里云的高可用骨干网,可实现不同AZ之间低延时高速互联,再加上AZ内双冗余网络架构以及IDC 3路由出口光纤冗余,进一步保障了网络的可靠性和高可用;最后就是3+N超多线接入BGP,保证客户在数据传输的过程中不被不同的网络困扰。在超强容灾云服务器方面,阿里云的云服务器部署从物理机、机架、数据中心和跨区域的可用区四个层面进行保障。而飞天的盘古存储,从数据保护、高可用性、IDC基础设施等层面进行了数据可靠性保障,其中包括与清华合作的多项领先技术。

在数据库灾备方面,阿里云对目前市场上的主流数据库,都能进行完全高效的灾备备份,可准确评估数据库到RDS的兼容性,具体到每张表、每条SQL;而DTS数据传输服务则能全量性能达到70MB/s、实时同步性能高达3万TPS,传输粒度可细化到记录级别,具有链路秒级恢复能力,链路可靠性高达99.95%。阿里云PolarDB还在近日发布重大更新,支持Oracle等传统数据库一键迁移上云,解决了企业核心业务上云的难题。

凭借多层次防护、跨区域容灾等能力,阿里云已连续三年入选Gartner全球云存储魔力象限,并被列为全球领导者。在数据安全领域,作为亚洲合规资质最全的云服务商,率先发布《数据保护倡议书》,是首个提出“绝对不碰客户数据”承诺的云厂商。

在发布会上,陈绪代表阿里云发布了TCO承诺书:在企业灾备场景下,同样的容量、同样的带宽、同样的RTO和RPO、同样的容灾等级,阿里云承诺比自建灾备成本等低。敢写承诺书的都有底气,而阿里云的底气就来自于其技术实力本身。舒继武教授介绍,灾备技术趋势还包括容器、边缘计算、超融合等,这些丰富的灾备场景,只有在云灾备的前提下才有可能实现。正如何IT终将向DT过渡一样,传统企业灾备也将过渡到云灾备。阿里云作为亚洲最大的公有云厂商,无疑将颠覆传统企业灾备,把普惠灾备带来千万企业。(文/宁川)

2019-06-02

对于企业的可持续发展来说,人才培养、企业文化都要有长远考虑。2018年教师节,马云从阿里退休时的演讲中说:“今天的阿里巴巴最了不起的不是它的业务、规模和已经取得的成绩,最了不起的是我们已经变成一家真正使命愿景驱动的企业。我们创建的新型合伙人机制,我们独特的文化和良将如潮的人才梯队,为公司传承打下坚实的制度基础。”这三件事全是关于人才和企业文化,没有一个与业务直接相关。

在股权投资活动的“募投管退”四个环节中,募资一般由基金管理人负责,退出是非常重要的环节但不是日常环节,日常环节主要围绕“投”和“管”。“投”就像押宝赛马,押宝后的马能不能跑得好,有两种说法:一种是基本靠命和眼光,选好了就跑起来了,否则再怎么折腾也无用;还有一种说法是起起伏伏很正常,陪伴公司走的过程很重要。创业公司的成长绝对不是一帆风顺,一定会碰到很多的挑战和问题,不同阶段碰到的问题都不一样。

在公司的初创期,投资人可能是看长板,比如技术过硬或在商业落地方面比较强。但是到了成长期,特别是扩张期,都很难再单独以产品或销售能力撑起整个公司,而是要看体系架构。这其中,软性的因素在发生着越来越大的作用,如领导力、组织、运营、文化等等。特别是当公司达到一定规模,例如超过150人后,公司管理的复杂程度增加了,公司高管也从开始创业时的三四个人经过反复扩张到十几个人,之后很长一段时间虽然人数可能没有大变化,但核心高管团队的领导力需要持续提高,“搭班子” 尤为重要。

以乐队的发展作比喻:当只有三四个人时,成员各有绝活,每个人都可以即兴创作像一个爵士乐队,自由尽兴。而当团队发展到一定规模,犹如室内乐团一样,需要按照既定的乐谱,需要大量排练;当团队的规模再大一些,成为了交响乐团,几百人需要分不同的声部,需要指挥、声部首席,这时依靠简单的人员技能互补很能产生和谐的音乐。当公司发展到一定规模,高管团队能否形成合力,能否把公司战略顺畅地传达下去,高效地执行,就变成了迫切的问题。

在钛资本新一代企业级科技投资人投研社第20期,全球顶级组织及人才咨询公司——光辉国际的全球资深合伙人邹克非带来了对创业公司打造高管团队以及进行人才培养的观点。邹克非拥有20年管理咨询经验,曾在IBM GBS、安永等任合伙人,专注于提升企业高管团队的领导力和组织能力,帮助过许多企业健康发展。

搭建具有竞争优势的人才发展体系

根据邹克非对企业人才发展的研究,搭建具有竞争优势的人才发展体系需要遵循四个步骤:

第一步,建标准

分析战略需求,甄别企业战略对未来关键领导岗位的要求,建立人才任用标准。也就是思考清楚,企业到底需要什么样的管理者来推动业务的发展,进而建立管理者能力模型。能力模型除了对于人才的常规期待,还受企业性质的影响,比如互联网行业要求具有更强的风险意识和快速学习能力、传统行业如新零售行业则要求具有更多的外部协作能力。

能力模型怎么用呢?它无外乎解决三个方面的问题:

首先,引领业务,实现未来战略。常见到一些创业公司用结果导向来引领业务,这虽然很重要,但往往会遇到天花板,因为结果导向使得管理者重视短期结果,不去倾听、交流或发散思维,容易忽略开放创新和战略思维。因此,需要定义最适宜公司的管理者,需要在战略思维方面具有什么样的能力。

其次,引领自我,成就个人目标。通常,创始团队的自我是非常强大的,然而像技术大牛、融资人才或特别有企业家精神的人,会有一些致命短板,比如极度的自信甚至固步自封、缺乏清醒的情景自我意识等。所谓情景自我意识,是定义不同环境下与人交往时,能否在短期内调整自我意识,而不是坚持自己的形象。很多管理者特立独行而且固步自封,这非常致命。作为管理者需要尽可能地建立信任并且勇于担当,坚忍不拔,勤于学习。

最后,引领他人,塑造卓越团队。通过有效沟通,构建关系,打造团队,推动愿景。

这三个方面对于不同的公司意味着不同的内容。影响因素有管理者的管理方式,有企业文化和价值观,也有个人的因素,包括“我是谁”,“我需要去成就什么样的事业”等。

有一些工具可以帮助公司很快做出界定。比如光辉国际的领导力能力架构模型,包括38种能力和10种职业延滞和阻碍因素,是经过几十年数据的提炼和经验共性固化而成,分为如何思考、如何认识自我、如何促进结果以及如何发展团队等。

从价值观层面走到能力层面,是一个基于讨论的判断,是集体成果。对于初创公司,一般不会使用非常重的模式。可以通过半天的会议,在专业人员的带领下,让管理团队一起讨论或自评一下,在这些能力里看中什么、什么对公司的未来最重要、重要性体现在哪些方面,如果需要一个新的团队成员,最希望拥有什么能力,要把能力定义出来。

第二步,盘人才

有了标准,就可以进行人才盘点,看有多少可用之才及怎样的可用之才,评估公司核心领导人才现状与组织所期待状态之间的差距。

具体操作上,建议从过去、现在和未来三个角度来进行人才盘点,通过线上及线下的方式来评测人才的潜力及能力,最终得出人才盘点九宫格,并最终形成人才盘点机制。

通常看人都看过去,从哪儿来、做过哪些厉害的事情,通常觉得牛人在公司肯定可以发挥作用,但很多时候会出问题。以前没有素质模型时,不知道CFO应该是什么样,觉得有知识、有技能就好,并不知道他是否具有自我驱动力、个人特点、是否善于学习等,因为只能基于过去的岗位进行判断。

也许一个人简历很优秀,好像可以胜任岗位,但未来能否成为一个业务单元的负责人?或者HR部门的总经理能否担任CEO的角色?怎么挖掘现有团队的潜力?怎样判断新加入者的潜力?可以采用测试潜力的工具比如KFALP,从七个维度对领导潜力进行测评。

KFALP测评中,高潜领导力由原材料、提升技能的经验、学习敏锐度决定:做测评时,会先测原材料,比如智商、应用型智力、情商、职业追求等最基本的内容; 其次,看经验。所谓“经验”,不仅是单一经验,还要看是否有挑战性经历,比如一个人做了15年或20年的CFO,挑战性经历可能也不多,而要看是否经历过岗位转换,经历过大型的兼并收购,或在研发领域里有很重要的突破,经验的丰富度也是重要考量;最后,学习敏锐度,就是快速获取新知识的能力,主要考量的是学习的加速度,当遇到一件谁都没接触过的事情,能否在最短时间获得新知识就更占优势。有的人说,自己已经是博士了,怎么还能没有学习敏锐度呢?但即使学富五车,也要看换了场景能不能在最短的时间内获得一定的能力,所以学习敏锐度是影响潜力非常重要的因素。

在这所有的潜力和能力中,邹克非特别强调了模糊容忍性。在数字化时代,领导者一方面要追求什么事都“门清”,从上到下都知道,而且内部步调一致。但是当公司如大船驶入迷雾中,领导者需要能够具有模糊容忍性,在信息不完全、不确定的情况下,仍然能做出决策,这就非常重要了。模糊容忍性和明确性,其实是个悖论,哪些人能在信息模糊的情况下,仍然能够不断地做出正确的决定,这是超越其他领导者的重要特点。

盘人才这个过程是可以团队一起做。搞团队建设时,团队都很愿意晒报告,对彼此有更深的了解。创业团队里一定要有很好的氛围,每个人都不是完人,要取长补短,用长项去做事情。对人才的开发不是一个冷冰冰的过程,一定要把人融入进来交流,这个过程是彼此照镜子的过程。

第三步,谋发展

通过人才盘点,了解到现有关键岗位任职者与岗位要求之间存在的差距,以此作为制定提升计划的基础。

通常不是送员工去读EMBA,这很有用但没有针对性。比较有针对性的方法,比如按照721的原则,即10%课堂学习、20%互动学习、70%实践学习,进行有针对性的发展。一般为时一年,因为人的发展不是上一次课就行,需要清晰了解人才的长项、弱项,有针对性在组织发展能力时做知识补充,比如商业敏锐度的补充、团队拓展时彼此教练和倾听、自我意识修炼等,还可以给出富有挑战性的任务,在内部推动过程中进行反馈。

上图是体现了721原则的例子:第一层面,通常由董事长主持开班仪式,十几人持续学习,请大咖上课,重点是基于个人能力模型介绍金融、财务、技术等领域的知识;第二层面,组织对话、交流、教练,包括行动学习,把公司中的重要项目分配出来变成议题,由不同部门的领导深入交流,这过程中会发现彼此的短板;第三层面,进行全面的自我意识修炼,包括走戈壁等融入体验式,这时已经不是单纯团建或找大咖上课,而是体系化、持续的、有教练和有设计,团队这时就开始变化,包括要弥补短板、团队相互融合,行为准则、文化、价值观等都体现出来了。

第四步,促转变

经过持续培养,要给管理者加担子,不能让他们在自己的岗位上太舒服。公司里有各种各样的岗位,怎么促转变、在不同的环境下发现自己,有六种手段——案例教学、主题任务、管理实践、教练辅导、公司交流、管理角色转换计划。

高管团队里,需要进行后台、中台、前台等不同业务角色的转换,不仅是技能的转换,也是对组织业务视角的转换。这就是为什么阿里能打造出这样的团队,不是永远在自己的舒适区,而是在不同岗位给机会、压担子、充分信任和授权,所以在这过程中会历练出很多未来的接班人,轮岗变成了有意识打造团队的真正体验式学习。创业公司的高管团队,从起步的培养一直到后期的轮岗,经过三到五年后,团队已经成熟时,刚好是公司爆发期,这时会发现三五年前播下的种子已经生根开花了。这套方法在大企业里用得最成熟,但是现在在创业公司也可以开始轻量级尝试,要灵活和定制化。

信任、放权与沟通

当然,公司对高管团队的打造,不是按照以上四步就能完全搞掂,而是需要实操的经验和工具,要结合公司具体问题给出方案、解决问题。

邹克非辅导的一家汽车新零售公司有八年发展历史,2018年在纳斯达克上市。2015年,当公司发展遇到瓶颈时,邹克非介入。公司有三个创始人,800人规模,因为有很多地推的工作,虽有互联网基因,但800人分散在全国,让CEO感觉鞭长莫及。更让CEO苦不堪言的是有二十多个人直接向他汇报,每天不向CEO汇报就好像低人一等。而另有两个创始人各有强项,一个擅长营销,一个擅长研发,经常难以达成一致的意见。

邹克非进去后做了几件事情:

第一,业务梳理和战略解码。公司的战略、商业敏锐度、市场判断都很好,但是随着公司规模扩大,战略往下传递的时候头尾不能相顾,基层员工不知道做事情的意义,只知道追指标,很痛苦。邹克非从业务梳理着手,做了战略解码,把战略意图变成行动,而且让每个人都知道;

第二,改善创始人关系。三位创始人从私人关系来说是兄弟,互相有信任,但在做事方法、风格上差别很大且缺乏沟通,无法互相照镜子。通过把高管团队扩大到十几个人,分担职责也能互相参照。此外,在沟通方面以及领导力方面做了很多工作;

第三,创新的绩效考核方式。绩效能推动组织的执行力,但不是按照传统咨询公司的方式,而是每个季度用两天时间、每个月用一天时间,针对一个议题进行讨论。先后断续辅导了两三年,多方面投入,后来团队逐渐成熟起来,又补充了一位专业的人担任CHO,发挥了很大的作用;

在这个案例中,凡事公司CEO一把抓的现象很多。如果只是制度上的原因,授权和职责划分的问题,很好解决。最关键的是公司CEO本人对团队的信任程度,如果公司CEO不信任也不想改变,那么无论采用什么方法都很难奏效。

钛资本研究院观察

团队建设、人才体系和能力培养、高管沟通、组织能力提升、企业文化发展等,都是MBA的经典课程内容。对于大型企业和传统企业来说,已经发展出了完整的组织行为学和人力资源管理方法论,这些经典的内容仍然适用于今天的企业管理,但需要针对当前的数字经济和数字服务商业模式进行调整,而在针对创业公司和创新管理时也需要发展新的内容。创业公司的组织能力和人才培养以及公司愿景、品牌、文化等软性建设,由于变化大、变化快、规模小、因公司而异,而未能形成一定的理论和方法论,即便具有长期创业公司历史的美国,也未能形成相应的管理理论,可见创业公司的管理之难。对于当今的中国高科技创业公司来说,必须要有相应的管理思维和意识,一些商学院如长江商学院、中欧国际工商学院等也提供了基于实践的创业创新管理培训课程,民营创业学院如湖畔大学、青藤大学等也提供了以实战为主的创业创新管理培训。具备好的组织管理、文化建设、人才培养等理念的创业公司,能够为长期发展打下坚实的基础。创业非一日之功,而从创业公司走向成熟企业,更需要在一开始就种下企业文化的种子,才能确保日后的基业长青。

2019-05-31

根据2014年数据,中国中小企业的平均寿命是2.7年,而美国中小企业的平均寿命是7.4年,日本是11.7年,欧洲则更长。中小企业的发展是世界性难题,对于中国尤甚。中国的中小企业面临着成本高、融资难、负担重三大挑战。自2015年中国SaaS元年之后,一批VC投资机构涌入ToB创业领域,用大量资本催生了ToB创业企业。这些ToB创业企业,同样面临着中小企业成长的烦恼,又有自己行业的特点。

对于投资机构或投资人来说,当他们完成了对某一个企业的投资后,角色转化为股东。通过适当的投后管理,加深对该企业、该领域的理解,检验投资逻辑和估值,调整投资布局,使得股东价值最大化、资本运作最优,是与投资行为一脉相承的目标。

国科嘉和执行董事吴一洲专注于新型IT技术如云计算、大数据、网络安全、企业服务等应用的投资,在新能源汽车及智能互联领域也有深入了解及广泛接触。她拥有8年PE投资经验、上市公司并购以及企业管理经验,且曾在德勤管理咨询参与过多家大型企业的战略规划、运营优化、合规管理、系统实施项目。吴一洲先后主导投资了包括易捷思达、长城华冠、柏睿数据、瀚思科技、迅达云、时代亿信、Hashdata、炼石网络、智课教育、驭势科技等项目的投资,在投后管理方面有很多实战的案例,摸索出了一套有自己特色的方法论。

以下是她在钛资本新一代企业级科技投资人投研社第19期上的分享。

投后管理的目标

完成投资投后,投资人的角色转化为股东,投后管理的目标就是股东价值的最大化以及资本运作最优。股东价值最大化是没有时间轴的,但基金通常有时间轴,所以投资人都希望最后在项目退出时达到资本利润最大化,即获得退出时间点的最优解。

周期越长的科技类投资,退出的最优解越难找。因此,在某种意义上,资本运作是在投资初期就要开始思考,同时在再融资时持续优化,直到找到比较合适的退出方案及退出的时间点,这也是投资人与企业在投后管理中,既相交又平行的点。

股东价值最大化通常包含几个方面,较通用的结构包括:收入增长、运营利润、资产效率、增长期望等方面。除此之外,还要考虑合规管理,因为合规可能就意味着最后资本退出的方式,比如企业上市或并购,都需要合规才能可持续发展。

投后管理的原则

投后管理是检验投资逻辑和估值、调整投资布局的一个重要途径。对于成熟期的企业,投资前的尽调可能持续六个月到一年的时间,但对于中早期风险更高的企业,投资前的尽调周期还会更长。而投后管理在某种意义上是加深对该企业、该领域的理解,检验投资逻辑和估值,当发现有问题之处,可以及时调整投资布局。

在这个过程中,有几个原则需要把握:

第一,多做“锦上添花”的功夫。除非投资人特别有信心,能力挽狂澜,否则大概率是不会“雪中送炭”的。当然这也与投资规模、被投企业所处周期有关系。

第二,时间配比有效。一般投资额大、占比高的明星项目要多管理。当投资管理规模扩大,周期长的时侯,难免会有不理想或者波动的情况,这时就有时间配比的问题。

第三,以终为始,多思考退出。任何项目的退出渠道都要重点关注,尤其投资额大或占比高的,当有潜在退出可能性时,不管是在并购还是IPO,都需要花更多的精力来保驾护航。

第四,帮忙不添乱。多观察,多聆听,多交流,加深互动,对接资源,弥补信息的不对称,但不能轻易下结论并干涉。因为很多时候,投资人并不是一线最接近炮火的人。

第五,被动监控指标,主动沟通调控。外部信息尤为重要,因为“自己家孩子怎么都好看”,看自己投资的企业也经常越看越喜欢,但指标永远不说谎,也就是说要把指标当基准,在市场上进行有效对标,找到问题,增强沟通,主动调控。

投后管理的范围

投后管理的范围可以划分为三类:监控类、咨询顾问类以及业务支持类。

第一类是监控类:在法律方面,政策的影响、诉讼、专利、股权、董事会重要事项,都是重点监控的内容;在财务方面,因为主要投资企业服务类企业,合同、收入、资金、工资、AR、AP、费用、抵押等是长期需要关注的;在业务方面有个比较好的判断成熟企业的方式,叫做有利润的收入和有现金的利润。这些核心指标能反馈出企业业务在未来是否真的具有可持续的盈利能力;在人才方面,创始团队的身体情况、关系、氛围都非常重要,因为当前创业的时间在不停加长,对于创始团队心态的考验是指数级增加的。心态的考验会体现在团队的氛围上,也会涉及到管理和格局的问题。

第二类是咨询顾问类:咨询及顾问类要慎重。首先,被投企业要真的有需求且主动要求,而不是投资方主动为被投企业提供服务。投资方毕竟不是“在最前线听到炮火声的人”。另外,企业要明白自己真正需要的,如果不明白而强制企业明白,其实也未必会真明白。

在业务方面,市场定位、业务模式等的商榷要非常慎重。很多事情咨询顾问往往不是做主导,而是为别人提供信息不对称下的信息补充,要相信创始人是最希望自己的企业变好的人,因为这是他们利益最大化的一个表现。

在融资方面,需要对下一轮融资的时点、估值、引入投资者策略等进行规划和商榷。每一次再融资的过程,融的其实不是钱,而是成功的资源要素,所以要与企业生命周期相匹配。

公司战略或治理合规方面,更多的是企业架构及组织结构、经营目标及预算、业务到财务的合规、管控流程及绩效考核等方面的建议和探讨,可以通过董事会或要求提供上报资料来逐步引导。对于人数超过了六七十人的ToB创业公司,预算加上绩效考核是管理的好抓手。管理目标落地时要做到闭环,能把战略转化成数字或具体描述。

第三类是对接跟撮合类:基本是法务、财务、业务、融资退出、公司战略治理合规、人才、PR等几部分。法律方面,为日常运营、拆VIE、股权激励、上市等重要时点方面,推荐有能力的律师或律所;财务方面,针对拆VIE、股权激励、上市重组等重要事项,推荐有相关能力的会计师事务所、税所、CFO、财务总监;业务方面,对接业务资源、产业生态资源等;融资及退出方面,引入融资渠道、退出渠道;人才方面,重要业务人才的引入;PR方面,可以帮助被投企业对接一切有效的出场机会、引入优质媒体进行推广。

投后管理实践总结

吴一洲通过企业级基础软件公司投资实践,对投后管理的过程中有几个感触:

第一,ToB公司受外部影响很大,比如当出现一些业务延后或业绩达不到预期,股东心理就会产生不确定性,创始团队也会开始自我怀疑,这时信念就很重要,包括对战略的坚定以及对市场的坚定,花很多时间去思考战略问题是很重要的。

第二,如果是比较重点的项目,除了与管理层沟通之外,至少要跟公司重要的核心人员都沟通,保证与核心人员建立良好的关系,因为往往企业的真实情况是从他们身上而不是从创始人身上反馈出来的。

第三,沟通要注意方式。有时投资人想给创始团队一些业务处理上的建议时,尽量以增量的方式去沟通,而不是指责原来做法不对,因为让人承认自己的错误很困难,但当尝到甜头时就会自然跟着走。可以有策略性的沟通或者推动企业在一些业务领域做新的尝试,让他们看到新视角。比如有一个成熟公司在某些地方做的更早且做得更好,那就让成熟公司的专家去指点,这样的沟通比投资人自己去说教更有效。

第四、注重建立管理机制。国科嘉和比较重视董事会机制。董事会是一个管理层会议,与战略层面、经营管理层面息息相关。一般董事会汇报的要求会设计的比较全面,包括:行业整体情况;公司的技术路线、行业细分、本年度经营情况回顾;产品、客户、销售人员的情况;未来三年的战略是否有调整、客户是谁、传递的市场信息;下一年的精细化安排,资源及建设、重要决策、重大事项……更重要的是,投资人要从中知道企业希望在市场上扮演什么样的角色,客户是谁,如何盈利,如何实现销售等,以及在人财物方面需要哪些支持,这其实就是创始人对一个公司的思考。

钛资本研究院观察

投后管理是投资管理的延续,是实现投资目标的重要保障。相比于大型企业和成熟企业,创业型企业的投后管理更为综合和复杂。优秀的投后管理人员,需要同时具备“股权投资+企业管理+行业积累”等多方面能力,综合要求非常高,产业老兵是投后管理的合适人选。

钛资本专注ToB科技创投领域的专业投顾+管理咨询,主要成员均是资深的产业老兵。在多年服务ToB创业企业融资和管理过程中,钛资本团队深谙企业、投资机构等各方的诉求和痛点,也探索出了专家咨询、陪伴式投顾、市值管理、独立董事等多种投后管理模式,有效促进了产投双方的价值共赢。

2018年底,钛资本推出了“新一代企业级科技投资人投研社”,为建立良性的ToB投资价值观和投资准则而努力。钛资本也期望与更多的专业投资机构、投资者、产业机构和创业者一起努力,把握ToB科技企业的发展规律,建立更成熟的投后管理模式,扶持更多优质ToB科技企业健康成长。

2019-05-30

随着“智能+”的推出,数字化转型正在进入关键时刻。

前期的“互联网+”意味着用云与互联网连接消费者、企业、产业与政府机构,拉通社会经济活动中各类主体的信息与数据;而“智能+”则意味着对信息和数据进行有效和高效的管理与分析,以创造新的价值。“互联网+”需要建立数字平台,而“智能+”则需要建立数字平台的引擎,数据分析管理技术是核心技术,其中既包括传统的关系型数据库和数据仓库,也包括新兴的大数据技术和云数据库技术等。

国际上,PostgreSQL开源数据库已经存在30年,是目前已知支持最丰富数据类型和开发语言的开源数据库,其支持的数据类型甚至超过了商业数据库。PostgreSQL也是全功能的开源数据库,支持丰富的数据库功能以及全面兼容ANSI SQL标准。作为最初诞生于学院和研究机构的开源数据库,PostgreSQL支持和兼容多种平台,后经改进而成为企业级数据库。诞生近30年后,2017年和2018年,PostgreSQL被DB-Engines连续两年评为年度数据库。

【Pivotal数据业务全球副总裁Jacque Istok】

作为全球最主要的企业级云原生技术供应商,5月26日,Pivotal公司在2019数博会上介绍上了刚发布的PostgreSQL企业版以及即将GA的Postgres MPP集群版Greenplum 6.0。Pivotal数据业务全球副总裁Jacque Istok表示,Pivotal已经能够在裸金属、私有云、公有云、容器和Kubernetes等任何企业级计算基础设施上部署PostgreSQL,可满足OLTP联机事务、OLAP联机分析、大数据、数仓、决策支持、数据集市等所有企业数据处理需求,结合支持SQL的Apache MADlib顶级开源机器学习库,形成了企业数字化转型的数字平台引擎。

数字化转型的核心计算引擎

Pivotal的核心能力是面向云原生开发的平台与技术。

作为云原生时代的开源巨头,Pivotal的产品包括开源PaaS平台Cloud Foundry、Spring等,构成了企业云的“操作系统”;而Pivotal的Greenplum和PostgreSQL等数据类软件,则构成了企业云的“数据库”;加上Pivotal支持的开源算法与机器学习库Apache MADlib,形成了极强的企业数据建模及计算能力,特别是在企业生产环境中部署和热升级的能力,支持金融等实时计算场景的无缝模型升级。

Jacque Istok强调,当前进入了数字化转型的关键选择期,即最佳数字化转型者应能选择何时进行选择。怎么理解?随着云计算技术发展进入了第13个年头,从2018年开始,面向应用开发的云原生技术进行快速发展期。在CNCF云原生基金会所提供的云原生技术全景图中,各种云原生技术虽然能极大程度满足开发者的自由选择需求,但碎片化的现状却让企业用户十分头痛,企业用户更需要经过商业厂商处理的缩小选择范围的高可用、高可靠技术。

正如零售企业的核心竞争力并不是开发数据库服务器、搭建服务器集群和优化网络性能等技术能力,而是自己的零售业务和流程管理等业务能力。Pivotal不仅支持Cloud Foundry、PostgreSQL、MADlib、Spring等开源社区,也全面提供和支持这些开源技术的商用版本,为企业用户提供易用、易上手、易维护、可扩展、可靠稳定的企业级技术服务。Jacque Istok强调,Pivotal不仅提供单项的技术,更把这些技术连接起来形成完整的企业级解决方案。

MADlib+PostgreSQL/Greenplum+Cloud Foundry就是一个完整的针对企业业务算法模型的开发、计算、部署、投产和运维的解决方案,让企业开发者可以根据自己企业的情况选择需要的技术组合,同时又提供了端到端的完整技术体验。

MADlib最早是EMC开发的基于Greenplum的数学算法和机器学习模型库,后贡献给Apache开源社区并由Pivotal主要维护。MADlib最大特色是内置于基于SQL的开源数据库的数学算法和机器学习库,由于内置于开源数据库中,天然就支持Greenplum大规模并行计算数据仓库,不仅能大幅提升企业级海量数据处理,还能热更新模型到企业应用中,无需停机即可升级和更新算法模型。

MADlib都提供什么算法模型呢?除了时下热门的机器学习模型外,值得一提的是创始于2011年的MADlib支持大量的数学和统计模型,例如回归分析、决策树、随机森林、贝叶斯分类、向量机、风险模型、文本挖掘、数据校验等,这些数学和统计模型正是各类企业业务的主流算法模型,例如金融、零售、互联网、医疗、汽车、制造等行业。而PostgreSQL企业版+Greenplum+Cloud Foundry则构成了MADlib的计算引擎和“底座”,让MADlib的算法模型可以运行在任意企业基础设施上,支持各种投产模式。

最新版的MADlib还支持GPU以及自动化模型部署,与Greenplum集成后能够大幅提升计算效率,支持和满足传统BI、机器学习、图计算、时空计算、文本分析、各类数据科学生产力工具等完整的企业数据分析与处理需求。

回到“选择何时进行选择”的问题,当下数字化转型进入了提质增效的关键时期,技术不应该成为企业利用数字技术优化业务流程、发展数字服务业务以及建设数字平台的障碍,而应该是促进加速引擎。Jacque Istok强调,为什么很多Hadoop大数据项目都失败了,归根结底并不是技术本身的原因,而是技术太复杂了而导致用户无法正确和高效应用技术。而这就是Pivotal的价值所在:结合在全球服务2/3财富500强和各国企业的经验,为企业用户提供经过Pivotal优化、简化和验证的开源技术及组合,保证数字化转型的成功。

全面布局数字化转型市场

【Pivotal副总裁兼大中华区总裁于志伟(右)】

进入2019年,Pivotal面向数字化转型的产品线,形成了完整的合围优势。

一方面,Pivotal全面支持Kubernetes,于2019年4月推出的Pivotal Cloud Foundry 2.5版本,是集PAS(应用服务)、PKS(容器服务)、PFS(函数服务)、Pivotal Services Marketplace以及监控、管理、安全、网络等管理服务和BOSH多云管理的完整PaaS平台解决方案,特别是无服务器技术PFS的推出,满足了企业对于PaaS云和开发的需求,而Pivotal Greenplum也全线支持Kubernetes。另一方面,就是PostgreSQL企业版和Greenplum 6.0的推出,从数据分析和管理角度,完善了企业对于数字化转型的需求。

Pivotal副总裁兼大中华区总裁于志伟也来到了2019数博会,他表示当前中国市场主要有两个大数据趋势:首先是在前期已经完成的大规模数据搜集和积累的基础之上,需要创造真正的业务价值;其次就是不断推动数据上云。而推动数据上云后,仍然需要通过分析和处理,由数据而创造商业价值。而这就是需要加强对于数据科学家的服务,特别是通过高度产品化的技术,服务需要结合企业业务的数据科学家。

目前,Pivotal已经在中国市场建立了总数超过100人的产品研发团队,其三大全球技术支持服务中心之一也设立在了中国。PostgreSQL企业版就是在这种背景下推出的,Pivotal中国研发团队对PostgreSQL企业版以及Greenplum 6.0版本有着突出的贡献。实际上PostgreSQL已经有30年的历史上,为什么Pivotal直到今年才推出企业版呢?正是中国市场需求所推动的成果。

2018年以来,基于开源技术的国产数据库不断涌向市场,特别是交易事务型数据库,成为了市场的一大热点。而PostgreSQL天然就适合交易型事务处理,是企业级高可靠、高稳定SMP单机环境开源数据库首选,也是为什么在DB-Engines监控的全球300多个数据库和数据管理解决方案中,近两年连续获得全球年度数据库的原因。

Pivotal PostgreSQL结合了Greenplum十余年的MPP分布式高并发数据仓库技术与经验,是自管理的企业级数据库。Greenplum本质上就是成百上千个PostgreSQL数据库连接起来并行处理结构化数据,相当于Hadoop是成百上千个文件系统连接起来并行处理非结合化数据,而Greenplum如今也能处理非结合化数据,加上Pivotal PostgreSQL企业版,结合起来就能一站式处理企业几乎所有类型的数据分析管理和处理需求。MADlib则支持SQL语句,无需编程即可实现程序员与数据科学家的无缝对接,强化了对数据科学家的服务。

在中国市场,Pivotal作为戴尔科技集团旗下企业,也加强了与其它戴尔科技集团公司的合作。经过认证的搭载了Pivotal软件产品和解决方案的戴尔服务器、超融合一体机等,可实现比其它硬件解决方案的更高性能和效果,为企业创造更高的商业价值。而戴尔的销售渠道和服务团队,也能帮助拓展Pivotal服务中国市场的能力。于志伟透露,已经有很多超大型企业成为了Pivotal Cloud Foundry的客户,而Greenplum的客户更是遍布各大企业。

为了进一步促进和繁荣中国市场,Pivotal有意在中国开展Spring技术认证工作。Spring是当下主流的开源云原生开发技术,已经在中国市场拥有大量的开发者和企业用户。接下来,Pivotal公司计划为渠道商、系统集成商、独立软件开发商等合作伙伴提供培训和认证,进一步规范和发展中国的云原生开发市场,也就是数字应用开发市场,以进一步推动数字化转型进入挖掘数据、创造商业价值的实质性发展阶段。

于志伟强调了Pivotal公司对中国市场的承诺与重视。在中国市场运作的Pivotal,也是中国与全球开源技术社区的桥梁。Pivotal首次亮相数博会,来自Pivotal全球的技术专家首次来到贵阳面对面了解中国的大数据产业,这让全球技术专家更加了解和理解中国市场的独特性、先进性和机遇所在。

英文“Pivotal”的原意为关键时刻,而首次出现在2019年第五届数博会上的Pivotal公司,不仅带来了全球年度开源数据库技术和全面的数据管理解决方案,为数字化转型和数字平台提供了引擎技术,更进一步把全球开源社区带到了中国市场,推动中国数字化转型进入“Pivotal”时刻。(文/宁川)