​既然数据技术是延伸人类的“思考”能力，那么人们就需要从仿生的角度研究人类“思考”的方式，从而打造大数据的“思考”能力。

大数据底层模型

先想象一个生活中的场景，如洗澡，先打开水龙头，在绝大多数情况下，人们会把手伸在花洒下用手感知水的温度，如果温度过高就会调节阀门，把水调凉一些，然后伸手感知水温，如果温度过低则再调节水龙头阀门将水温调高一些，这个动作会一直做下去，直到获得合适的水温后才去洗澡。这个过程就是典型的人类“感知—思考—行动”的基本模型。

人们通过手感知水温，就相当于人们通过手采集数据的过程。手将水温数据通过神经网络传递到大脑，这是数据传输的过程；大脑就会对这个数据进行思考，做出判断，应该将阀门向哪个方向调节，调节多少，这就是数据分析和挖掘的过程；然后大脑做出决定，形成指挥手进行调节的指令，这就是决策指挥过程；然后将决策信号通过神经网络传输到肢体，指挥肢体做出响应。这就是一个感知到响应的完整过程。

手做出调节阀门的响应之后，继续伸到花洒下去感知水温，之后水温信息通过手传递到大脑之后做出判断：水温是否合适，如果不合适，再指挥手做第二次调节，这就是人类“感知—响应”系统的第二个循环，不断循环，直至得到最合适的水温。

如果是在自己家中洗澡，则人们可能会有一个记忆，当阀门在哪个位置时水温是最合适的，调节多大的幅度会带来水温多大的变化，这些就形成了“知识”，基于对这个水龙头的“知识”，人们可以更快地调节到最合适的温度。这个过程通过“感知—思考—响应”模型的循环完成知识沉淀，并使整个行动变得更加高效（见图 2-3）。

图2-3      大数据底层模型：“感知—思考—响应”模型  

生活中处处都是“ 感知— 思考—响应” 模型， 有些是有意识地构建这个循环闭环的过程，有的是下意识的。当人们第一次做某事时会主动构建这个闭环从而对外部世界的变化做出主动响应，这个过程需要大脑的积极参与；当人们对这个循环形成多次循环，获得“知识”之后，就会交给“下意识”或者自主神经处理这个过程，此时这个循环闭环已经成为人们自己的“能力”。在企业管理中也是如此，第一次做事时， 人们缺少经验和知识， 所以需要探索， 这时候的决策不精准，当经营管理中的活动做过多次之后，人们就会有经验，形成自己的方法，成为企业的诀窍，能够更加高效地处理日常经营和管理活动。人们的经验越丰富，走的弯路就会越少。

下面用生活中的场景解释这个过程。例如，人们驾驶汽车。最初，人们不会驾驶汽车，需要到驾校找教练学习开车，取得驾照且购买汽车之后才开始上路开车。开车的过程是一系列“感知—思考—响应”的闭环。当看到前面的障碍物时，需要告诉我们的肢体，向某个方向打方向盘躲避障碍物，因为不知道该转多大的角度进行变换，所以会出现过大或者不足的情况，致使汽车行驶不稳；当速度减慢，则会告诉肢体减速，告诉脚抬脚松油门， 当看到前面有速度更慢的汽车需要减速时，就告诉脚去踩刹车。开始的时候，人们不知道一脚踩多深能获得什么样的刹车效果， 往往会使劲踩， 车在急刹车时会剧烈震动。整个开车过程中， 大脑不允许被打扰，所以人们开车时非常紧张，大脑随时在思考和判断，并不断修正转方向盘的角度和踩油门、刹车的幅度。当进入一个陌生的市场或者陌生的领域时，人们都需要一个学习和适应的过程。

当开车时间长了，就会非常熟练，很多动作已经变成下意识的动作，而且在转方向盘的角度、踩油门和刹车的幅度上有了很好的效果，这时候人们甚至不知道是大脑在指挥手脚在开车，变成了“老司机”。很多开车的动作都是下意识的，甚至是无意识的，这时驾驶能力得到大幅度提高。对应到管理上，当人们在一个行业中时间很久，就会深谙这个行业的“窍门”，就能够游刃有余，驾轻就熟，轻松处理各种情况，如果企业中所有的人都是“老司机”，那么企业的竞争力就会大幅度提升。

实现瞬时决策

未来的大数据技术或者数据技术也正是一个这样的循环闭环。人们通过各种智能硬件设备采集数据，然后通过互联网技术、 移动互联网技术、 物联网技术、通信技术等将数据传输到数据处理器， 在数据处理器中通过建立的模型算法，对数据进行分析和挖掘，形成对事物的认知和判断，基于认知和判断，中央处理器做出如何响应这些数据的“决定”，然后形成响应指令，将指令通过通信设备、互联网技术、移动互联网技术、物联网技术传给控制器，由控制器对事物进行调节控制，再进行下一个循环闭环。如果上一个循环闭环发出的指令没有很好的效果，则中央处理器的算法必须能够自动调节，针对响应得到的效果，形成反馈机制，这样一个基于数据和算法的大数据技术的闭环就能够形成，从而逐步构建智能化的体系。

在这个闭环中，任何一个环节的缺失都无法创造真正的价值，在任何一个环节缺失的企业都不是真正的大数据企业。现在市场上有很多大数据企业，有的是做数据采集的，有的是云计算企业（但只提供计算能力），有的企业是做算法的，有的是做通信的，有的是做数据传输的，都自认为是大数据企业，但如果不能构建这个闭环，则都只是大数据领域的服务商而已。

传统的市场调研企业或者数据检测企业的核心职能就是采集市场数据，帮助甲方实现基于数据的反馈，但这些数据最终如何影响决策，这些企业可能并不知道。所以，市场研究企业如果没有与广告公司结合，就无法深度加工市场研究数据并形成真正的决策报告，而只是提供数据分析报告而已。有些媒体监测企业通过在各种媒体上进行数据埋点采集消费者端的行为数据，但是这些数据是否真正形成决策，也存在无法形成闭环的缺陷。

企业的经营和管理决策也必须是这样一个循环闭环。如果缺少其中一个环节，企业经营和管理决策可能就会出现问题。在洗澡场景中，如果手因为事故失去了感知水温的能力，那么将手伸到花洒下试水温就没有意义，如果不知道现在的水温是高是低，那么调节水龙头阀门的动作就变得毫无意义，有可能本来合适反而会被调节为不合适。在企业的经营和管理中，如果没有足够的数据，企业的经营和管理决策就变得不仅没有任何意义，反而是非常危险的。如果企业的领导者不能感知更全面的数据，就会造成“盲人领导盲人”的情况。所以，在企业管理中，应主张“无数据，不管理；无判断，不决策”。

具有敏捷性

“ 感知— 响应”是人们认知世界、改变世界的基本模型，是大数据技术的底层模型。在这个模型中，还有一个参数就是从感知到做出响应的时间，这个时间可被称为“感知响应周期”。再次回到洗澡的场景，如果手感知到温度很高，需要调低温度，人们会马上调节，而不是等待 10 分钟白白浪费大量的水资源。如果等待 1 秒就调节则很正常，如果等待 5 秒再调节就会显得慢腾腾，如果等待时间超过 10 秒就会有人感到着急，但没有人会等待 10 分钟再进行调节。

在企业经营管理中，经常开月度经营会，主要是对上个月的数据进行分析，研究这个月如何调整，从而做出新的调整方案。如果每个月 1 日开上个月的分析会上个月 1 日发生的事情，现在才做出调整，时间已经过去 30 天， 但 30 日的事情可以算是及时调整，那么在开月度会的情景下，平均“感知—响应”的周期是 15 天。

即使如此，绝大多数企业很难做到 1 日就开月度会。这是因为很多统计数据还没有完成，财务可能需要3 天才能完成财务数据统计；人力资源部需要 5 天才能核算出所有的工资和人力成本，做分析报告可能也需要 1 天，做完报告还需要寻找数据分析找到的问题点，找到问题的根源才能汇报，所以还需要 2~3 天，这样月度会到了 10 日才能召开。在这种情景下，该企业经营和管理决策的“感知—响应”周期就从 15 天变成 25 天。

未来的市场竞争将越来越激烈，企业间的竞争都是争分夺秒的，谁在这个过程中能够更快地做出正确的决策，谁就是市场上的胜利者。 因此， 必须将“ 感知响应周期”逐步缩减，从 25 天缩减到 15 天，从 15 天缩减到 5 天，再缩减到 1 天，甚至缩减到 1 小时， 直到达到“ 瞬时决策”。 要想做到这个体系化的“感知—响 应”，利用数字化技术实现的闭环必须构建起来，并能够自动执行。而这个要求在信息化时代的软件系统是无法做到的，必须借助最新的智能硬件自动采集数据， 在分析模型上逐步优化，能够及时做出分析判断，在响应指挥系统上，尽可能采取自动化的控制器自动做出响应。

迭代升级的模式

从数据技术背后的“ 感知— 响应”模型可以感受到，数据技术不是一次就做正确，而是在做的过程中不断思考和总结，然后形成更加正确的决策，从而保证能够持续做出更好的决策。也就是说，“感知—响应”的闭环，每一次循环之后都能够比上一次更好，这种模式就是“感知—响应”模型的闭环循环效应，即迭代效应，换一句话说，数据技术与信息技术不同，信息技术是一次性交付的完整的软件产品，可能会存在迭代升级的可能。当安装 Office 2010 版本时，必须卸载 2007 版本； 当安装 2016 版本时， 需要卸载 2013 版本。 但是数据技术是不断迭代的版本，不需要卸载之前的，因为数据必须保持连续性，所以必须在原有数据模型的基础上进行优化迭代，从而保证第二代比第一代更好，而且在每一代产品上必须实现每日都迭代， 不断成长， 积累经验。 这就类似于人类知识的积累， 当一个知识被发现并传播之后， 人类能够不断传播，并在原有的知识基础之上进行深度迭代，比上一代更强。

另外，信息技术往往要求的是产品和服务的一次性到位，而数据技术对应的产品和服务往往是迭代效果，一次比一次更强大，一代比一代更优秀，每次算法的升级都是数据技术的进步，而这个进步的频率和周期不是按照软件的版本进行的，而是基于数据与应用场景应用的不断反馈带来的，这个迭代周期可以是一年，也可以是一个季度，还可以是一个月、一周、一天，甚至可以是一个小时。数据技术的迭代效应比软件技术的升级更加猛烈和快速。

很多企业和 IT 从业人员对这个效应认识不足，在对数据技术项目招标时，希望供应商提供的是一个完整的解决方案，是一个成熟的产品，是一个既适合 A 公司也适合 B 公司的产品。如果一个算法能够适合所有的企业，那么这个算法就是没有价值的；如果一个客户的标签算法适合所有的企业，那么对客户所打的标签就没有任何竞争优势可言。例如， 将客户分成男女， 但产品是男装和女装， 所以将客户分成男性和女性带来的优化效果其实不会有太大的差异，因为这是普适性的标签。

但同样是女装，如果将女装产品打上完全不同的标签，如外向型、潇洒型、内秀型、张扬型、知性型、聪明型、乐观型、潇洒型、信仰型、贵族型、淑女型、主妇型、奋斗型等，那么所涉及的服装款式绝对比只将人分为男人和女人受欢迎。数据技术的应用需要结合业务场景不断迭代和升级，一次比一次更优化，一次比一次更精细，能够做到从千人千面到一人千面。

数据驱动工业互联网转型升级

信息化提升了人们交易的效率，在终端的交易环节，利用信息技术实现了超越时空的交易模式，各类电商提供了便捷的交易方式， 但这仅仅是在整个供应链的单点的环节上。企业采购可以使用电商模式，企业的销售也可以采用电商模式，但两者往往以孤岛的形式存在，并没有从产业链整体效率角度出发建立新的打通产业链的交易模式。也就是说，信息技术为商业环境带来的变革还是不够彻底。

随着数据技术的应用，如果数据技术在所有产业链环节被应用，就能够出现一种新的电商模式，这个电商模式是基于产业链的，从最初的原料端到零部件端，再到成品的销售端，同时每个环节的生产也都加入这个新型的电商平台，除了能够实现物的交易， 还可以实现技术的交易、 流程的交易、 生产的交易、 劳动力的交易、 空闲资源能力的交易，包括生产线、 生产设备、 厂房空间、 库存空间、物流车辆、 司机、 生产工人等。 因此， 未来的这个机遇产业链整个产供销环节的所有人、财、物和技术都可以通过这个平台进行共享与交易，从而大幅度优化整个产业链的效率，大幅度降低生产成本，大幅度提升响应终端需求的能力，大大消除整个产业链的各种浪费（见图 2-4）。

图 2-4  基于“感知—判断—响应—反馈优化”闭环的工业互联网概念框图  

这种整合全产业链条的基于数据技术构建的互联网称为产业互联网，英文简称为 IIoT，英文全称为 Industrial Internet of Things，也可称为产业物联网，因为在这种互联网中，上网不仅仅是人们使用的手机、电脑、服务器，还有生产设备、终端智能化产品及整个产业生产环节的各种物理存在，也包括物理空间的上网。

一般情况下，当终端商超有产品采购需求时，通过终端电商环节在该网上提交采购需求，这时就需要确定生产该产品的 A 厂家是否有库存，如果没有库存，就要确定 A 厂家是否有足够的产能接该订单，如果 A 厂家没有空余产能可以使用，那么订单就会被推迟。但是，如果终端商超、A 厂家、B 厂家、供应链和原料供应商都在一个互联网平台上，终端商超的采购系统和销售系统接通该平台， 物流厂家接通该平台，并将车辆信息和运行信息接入该平台，有N 个能够生产此产品的厂家接通该平台，将设备情况、设备使用情况、设备使用计划等（即产能信息）上传平台，同时，针对该产品的M 个原材料供应商能够将其库存、生产产能等信息上传平台，此时，当终端发起一个订单需求时，系统自动安排有闲置产能的厂家进行生产，以有最高效率和最低生产成本的产能优先利用为原则，然后自动安排前端原材料供应商为系统指定生产厂家供应原材料，以原材料价格、品质和交付周期的综合考评为原则，自动安排相关的闲置物流车辆将原材料运送到生产厂家，并在厂家生产完成之后自动安排物流车辆将产品配送到终端商超下订单的商家，这个过程中 A 厂家的产品可以由 B 厂家生产，按照 A 厂家品牌、研发和设计的知识产权分享收益，各个环节都有利可图，并且效率得到大幅度提升。

基于多次智能交易撮合的产业互联网平台概念图如图 2-5 所示。

图 2-5       基于多次智能交易撮合的产业互联网平台概念图  

这个配置过程不需要人为干预，所有上平台的主体都签署智能合约机制，并对自己的产能利用和生产产品进行各个环节的动态定价。这种跨产业链条和供应链条的多次智能匹配与交易撮合类似于美团现在的后台机制，只是美团后台只进行两次智能匹配和撮合，后台指挥商家接单、骑手接单的都是算法在指挥，没有人为的干预过程，只要将算法设计好，就可以自动运行。上述场景只是比美团的场景更加复杂，跨越了更长的产业链和更长的订单下单交付周期。

上述工业互联网平台并不只是一种想象的场景，而是已经被某些企业付诸实施，笔者曾经参与到至少两个这种产业互联网平台的规划设计中。因为项目还在规划设计和初创时期，处于保密期间，所以不便透露具体的平台运营方和平台的实施主体，也不便透露目标产业。