机器的方式

如今，机器也可以组成集体——网络——来计算信息。以前，机器只是从事一些计算工作，也许还能够将输出结果存储在数据库中，当有新的信息输入时，可以进行同样的计算。现在，机器可以将输出结果输入计算机，运算之后将数据转化为信息，并通过新信息进行学习。这种学习能力随着新信息的加入而快速成倍增长，并且使第三波工具变得非常强大。用智能机器构建数据学习效应的步骤是：①捕获临界量的数据；②开发将这些数据处理成信息的能力；③将这些信息输入计算机，计算机通过对数据进行计算来学习新知识。

公式如下：

数据学习效应=数据规模经济+数据处理能力+数据网络效应

用一句话来说：获取大量数据，将其处理成对决策有用的东西，并创建一个自动生成更有用数据的系统。这是一个简单的等式，也是理解本书其余部分的基础。你可以跳过下面的四个方程式，而对于那些想用更多数学术语来解释这个概念的人，可以用一个生成输出的函数来表达：

输出=功能（数据量、数据处理能力和质量、数据网络效应）

将其视为产生输出的操作顺序：

输出=功能{（数据网络效应［数据处理能力和质量（数据量）］｝

通过一个数据导数，我们可以计算数据的边际价值：

数据的边际价值=数据网络效应价值×（每增加一个数据处理单元所增加的网络价值×每增加一个数据单元而增加的已处理数据的价值）

取两边的对数，除以初始输出，得到一个公式，告诉我们有多少增量输出来自增量数据：

来自增量数据的增量输出百分比=log（数据网络效应价值）+log（数据网络已处理数据的价值）+log（数据规模经济）

这一概念的阐释表明：

●这是一条价值链，通过多个步骤提高输出。

●该价值链每一部分的价值都取决于该链其他部分的价值，例如，商品数据需要高度网络处理和网络增强，才能转化为有价值的资产；而差异化数据需要较少的网络处理和网络增强。

●数据收集、处理和网络效应构建的需求较少。

当数据与数据处理能力和数据网络效应相结合时，数据产生边际输出。

商业战略术语是这样定义数据学习效应的：

数据学习效应=供给侧输入优势+供给侧处理优势+需求侧不断增长的规模回报

如今，数据学习效应之所以成为可能，是因为三种基质最近发生了变化。

数据规模经济：大量从个人设备和工业设备上的传感器获取的数据通过互联网传输。

数据处理能力：能够以合理的成本对这些数据进行计算的功能强大的计算机，以及能够在不同数据集之间建立连接的人才。

数据网络效应：研究人员找到了将数据组织到网络中的方法，在网络的一个部分运行计算，然后将结果发送到网络的另一部分进行更多计算，最终形成新的信息。这是神经网络，或者更广泛地说，就是智能系统。

有了这三种基质，数据学习效应就可以形成。现在，我们来对每一种基质进行研究，并将它们与当代的概念进行对比。