中國計算機報觀察：大數據五大悖論

　　大數據已被提升到國家戰略高度。美國啟動了“大數據研究和發展計劃”，動用美國國家科學基金、國家衛生研究院、能源部、國防部、國防部高級研究計劃局和美國地質勘探局等6個聯邦政府部門的資源，大力推動大數據相關收集、組織和分析工具及技術的研發，致力于開放型、共享型政府建設。

　　大數據已被定義為科學探索的第四范式。繼幾千年前的實驗科學、數百年前的理論科學和數十年前的計算科學之后，當今的數據爆炸孕育了數據密集型科學，將理論、實驗和計算仿真等范式統一起來。大數據已被譽為“非競爭性”生產要素。

　　大數據具有“取之不盡，用之不竭”的特性，在不斷的再利用、重組和擴展中持續釋放其潛在價值，在廣泛的公開、共享中不斷創造著新的財富。

　　然而，大數據的3V特征也好，4V特征也罷，仍然沒有撇清與海量數據、超大規模數據的關系;為數不多的應用案例，依然難逃傳統數據分析和數據挖掘的嫌疑;大數據的實時分析、產品的關聯度分析，很難抹去精準營銷、精益管理的傳統思維定式。這更像是一種“新瓶裝舊酒”的困局，一種“唐?吉訶德式”的悖論——越是強調大數據的實踐應用，就越扼殺大數據的潛在價值。

　　為何如此?根源在于，大數據的價值在于預測未知領域、非特定因素的未來趨勢，在于破解長期的、普遍的社會難題。而目前的大數據技術和應用，依然局限于歷史和實時數據的關聯分析，局限于滿足短線的、特定的市場需求。

　　“解決我，不然我將吞掉你的體系”。正如當年羅素悖論試圖顛覆現代數據基礎——集合論一樣，破解社會難題與茍安于市場需求的悖論正在向大數據宣戰。解決悖論的過程，恰恰是理論和方法應運而生的過程。而人們試圖解決悖論的努力，正好是大數據落地生根的推動力。

　　方法論缺位

　　大數據與海量數據、超大規模數據有何不同?如何跨越學術與產業、技術與應用的鴻溝?

　　自2008年《自然》雜志推出“大數據”專刊以來，大數據概念就從學術大討論，轉向了企業的數字化轉型，進而上升到“開放政府數據”的戰略布局。然而，單純的數量上的規模龐大，并不能輕易地將大數據與以往的“海量數據”、“超大規模數據”等區別開，因為三者均沒有設置數量級等門檻。

　　概念的模糊，沒有影響到大數據概念的炒作，卻著實影響到了大數據應用的推廣。IBM對全球95個國家和地區、26個行業的144名業務人員或IT專業人士做了調研，該調研發現，大多數企業已經認識到大數據的決策價值和業務優化的潛能，但是他們對布局企業數據戰略卻束手無策，甚至多數企業不確定如何推進大數據應用。這一現象可以歸因于企業管理者對于大規模投資大數據和高級分析工具，特別是對數據科學家等人才的需求，表示懷疑。因為他們還沒有認識到從哪里獲取數據，一些企業還沒有抹去數據倉庫與業務無法融合的陰影。

　　老生常談的大數據3V或4V特征，更是讓CEO們望而生畏。“大數據是指利用廣泛信息源來推動實時決策的做法。”哈佛商學院客座教授托馬斯?達文波特在接受媒體采訪時的闡述可能曾讓企業家們怦然心動，但他接下來的解釋卻與IT企業的說辭沒太大區別。在達文波特看來，大數據的特征可以用3個'V'來描述：數量(Volume，大量數據)、速度(Velocity，數據變化很快)以及多樣性(Variety，數據源內部的和外部的，系統的和散亂的)。有時還有第4個V：真實性(Veracity，反映數據質量)。加上IDC和Teradata給出的另一個V——價值性(Value，數據的使用價值和潛在價值)，這些概念和定義均沒有回答大數據與業務融合的問題。

　　方法論缺位是最大的障礙。大數據發展的核心動力源于人們測量、記錄和分析世界的渴望，滿足這些渴望需要數據、技術和思維三大要素。在計算技術、通信技術日益成熟的今天，在廉價的、便捷的數字化存儲普及的當下，數據無處不在，技術正以標準化、商品化的方式提供，事實上思維和方法論才是決定大數據成敗的關鍵。但目前來看，跨越學術與產業、技術與應用之間鴻溝的方法論依然不完善，以至于被大數據暢銷書和大數據技術服務公司反復借用的大數據應用案例，均是一些蹩腳的例證。

　　預測能力待考

　　憑什么說大數據預測是準確的?有什么依據證明數據推動型戰略有利于提升企業業績?

　　“運用大數據做決策的那些行業前三名企業，比其競爭對手在產能上高5%，在利潤上高6%。”這是麻省理工學院的數字商業中心最近完成的一個調查的數據。該調研還發現：越是自定義為數據驅動型的公司，越會客觀地衡量公司的財務與運營結果。

　　的確，被譽為大數據應用楷模的谷歌、亞馬遜等數據型公司在2013年第一季度確實取得了不俗的業績。其中谷歌營業收入增長了31%，亞馬遜增長了22%。但是，一些大數據技術和解決方案服務的公司并沒有取得如此的業績。比如IBM第一季度營業收入下滑5.1%，凈利潤下滑1.1%;微軟第一季度營業收入下滑8%，凈利潤下滑22%;英特爾營業收入下滑2%，利潤下滑25%。

　　“幾家歡樂幾家愁”的業績表現，與大數據有關還是無關呢?這與大數據預測是否精準的問題同樣難以回答。學術界、企業界都不會質疑大數據的預測功能。《大數據時代》一書的作者維克托?邁爾-舍恩伯格說，大數據的核心就是預測。它通常被視為人工智能的一部分，或者更確切地說，被視為一種機器學習。他認為，大數據大大解放了人們的分析能力。一是可以分析更多的數據，甚至是相關的所有數據，而不再依賴于隨機抽樣;二是研究數據如此之多，以至于我們不再熱衷于追求精確度;三是不必拘泥于對因果關系的探究，而可以在相關關系中發現大數據的潛在價值。因此，當人們可以放棄尋找因果關系的傳統偏好，開始挖掘相關關系的好處時，一個用數據預測的時代才會到來。

　　遺憾的是，無論是IBM的大數據接受程度調研，還是麻省理工學院的大數據戰略效果評估，都是傳統的隨機抽樣，甚至是結構性訪談，而非大數據的全體數據、模糊數據采集。被廣泛引用的谷歌預測H1N1流感傳播軌跡、沃爾瑪將啤酒和尿布擺放在一起的故事，無非是產品和詞匯的關聯性分析。同樣，《少數派報告》講述的華盛頓特區警局預測犯罪的故事，也不過是電影的情節，而且與“無罪推定”、“犯罪的四個要件(犯罪主體、犯罪的主觀方面、犯罪的客觀方面、犯罪客體)”等常識相悖。

　　馬克?吐溫說：歷史不會重演，但自有其規律。技術的進步讓人類揭示歷史規律更加便捷和更有可能，大數據技術的進步就是其中之一。因此，與其說大數據的核心價值是對未來的預測，不如說是對過去沉睡的規律的揭示。在“自證預言”等復雜因素的作用下，大數據對社會的一些預測和判斷，很可能到后來只是“事實證明”。

數據并非萬能

怎樣做決策？誰來做決策？這樣的問題只能由企業家回答，大數據充其量是“用數據說話”的旁證。

　　數據之于信息社會就如燃料之于工業革命，是人們進行創新的力量源泉。沒有大量鮮活的數據和健全的服務市場，這些創新就實現不了。這是維克托?邁爾-舍恩伯格的觀點。一些學者更進一步，將大數據視作第三次工業革命的戰略資源。

　　不可否認，大數據標志著人類在尋求量化和認識世界的道路上前進了一步。這是計算技術的進步，是人類決策工具的進步。但正如《哈佛商業評論》所批評的：“高管們明明還是按照傳統的方式做決定，以那些高薪人士的意見為主，卻拿出一份香艷的數據報告證明自己的決定是多么英明。其實那不過是吩咐下屬四處尋找的專為這個決定做辯護的一堆數字。”這些所謂的“偽大數據決策”也許是一種常態，“高價智囊請閉嘴”、“讓數據做主”很可能只是大數據倡導者的理想。

　　《點球成金》的故事經常被大數據概念的倡導者拿來佐證“專家的消亡和數據科學家的崛起”。改編自邁克爾?劉易斯的《魔球：逆境中制勝的智慧》的影片《點球成金》，講述了一個真實的故事，介紹了奧克蘭運動家棒球隊總經理比利?比恩的經營哲學，描述了他拋棄幾百年延續的選擇球員的慣常做法，采用了一種依靠電腦程序和數學模型分析比賽數據來選擇球員的方法。比利?比恩的成功稱得上是對球探們經驗決策的顛覆，是讓數據說話的成功范例。但是，其所分析的數據根本稱不上大數據，甚至連海量數據也夠不上。比利?比恩成功的關鍵不在于“讓數據說話”，而是為“球隊為贏球而建，不是為球星而建”的經營常識找到了數據注腳。

　　正如維克托?邁爾-舍恩伯格將大數據視為人工智能的一部分，視為機器學習的一種應用一樣，數據決策和數據旁證的博弈其實是人和機器的博弈。熟稔經營之道的企業家們并不情愿輕易將決策權交給大數據、放任服務器。而且，數據有時候也可能是企業管理的“絆腳石”。

　　直覺主義讓位于數據分析，專家決策讓位于群眾智慧，只能是大數據倡導者的一廂情愿。一個折中的辦法是，數據做分析，專家做判斷，數據給答案，專家做選擇。但對企業家而言，專家可以找，思想家必須自己做。從數據戰略的構建，到群體智慧的萃取;從社會關系網絡的解析，到復雜的自組織系統的發現，均依賴于企業家的智慧，而不能完全依賴于機器。即便是有一將難求的數據科學家的協助，大數據決策依然是輔助系統。

數據產權模糊

可怕的不只是隱私泄露。被反復聚合、多次利用的數據，其產權屬于誰？收益歸誰？

　　“只要有電器的地方，他都不敢開會。”有媒體用這句話夸張地描述梁穩根和他的三一重工在長沙的窘境。然而，在基于社交媒體和數字化記憶的大數據時代，人們不僅擔心無處不在的“第三只眼”，而且擔心隱私被二次利用。因為，亞馬遜監視著我們的購物習慣，谷歌監視著我們的網頁瀏覽習慣，微博似乎什么都知道，包括我們的社交關系網……

　　可怕的不是這些隱私數據，而是大數據的全數據分析、模糊計算和重關聯卻不求因果的特性，讓隱私數據與社交網絡等關聯起來。按照維克托?邁爾-舍恩伯格的說法，危險不再是隱私的泄漏，而是被預知的可能性——這些能夠預測我們可能生病、拖欠還款和犯罪的算法會讓我們無法購買保險，無法貸款，甚至實施犯罪前就被預先逮捕。

　　面對大數據對隱私的瘋狂挖掘，傳統的隱私保護手段——告知與許可、模糊化和匿名化——幾乎無一奏效。維克托?邁爾-舍恩伯格給出了理論上的解決方法，即個人隱私保護從個人許可轉向讓數據使用者承擔責任，在使用預測分析時考慮個人動因以及催生大數據審計員。其實就是說堅持“對行為而非動機”負責的原則。

　　比個人隱私和企業商業機密更復雜的是數據產權的模糊。一方面，大數據能夠透過對公開數據的處理分析釋放出無限能量，發現其背后的潛在價值;另一方面大數據的頻繁重組、聚類創造著新的財富，并通過相關關系關聯到社會關系網絡。然而，數據的原始所有權和價值使用權、收益權消融在復雜的網絡之中。大數據倡導者將其定義為“非競爭性”資源。不同于物質性資源，大數據的價值不會隨著它的被使用而減少，而是可以不斷被處理，不斷被發現新的價值。這意味著大數據的全部價值遠遠大于其最初的使用價值，大數據應用的精髓就在于不斷發現其潛在價值。

　　大數據產權和收益權的問題隨之產生。“伴隨著互聯網成長起來的新一代，習慣于對創造力、知識、專業技能，甚至產品和服務的開放性共享，以促進社會總體財富的增長。”《第三次工業革命》一書的作者杰里夫?里夫金的這種解釋，也許是對大數據產權問題的一種回答，即交給“共享型經濟”來解決。正如云計算奠定了大數據的技術基礎、大數據釋放了云計算的商業價值一樣，共享型經濟有可能鋪就大數據的社會基礎，而大數據則有望確立共享型經濟的合法地位。

　　無論如何，大數據正在推動產權認知和結構的變革，以往IT產業鏈的主宰者或將在變革中遭遇沖擊。

商業模式困局

大數據服務公司如何構建商業模式？如何避免成為“鴻溝里的犧牲者”？

　　大數據的魅力在于它能夠讓企業在無邊界的數據海洋里遨游，發現社會進步的內在韻律，捕捉社會發展的先行參數。比如從消費者興趣圖譜中萃取研發創新智慧，而不局限于產品關聯性分析;比如對企業內外部利益相關者群體智慧的發掘，開展企業和產業的健康診斷，而不局限于短效的精益管理;比如對地震等自然災害的預警，構架社會應急機制……

　　一言以蔽之，就像云計算不是賣服務器一樣，大數據不是賣數據或咨詢報告。如果說云計算遵循SaaS(軟件即服務)、PaaS(平臺即服務)和IaaS(基礎設施即服務)的模式，而大數據將云計算引向AaaS(分析即服務)的階段。在這一階段，云計算是基礎設施，大數據是服務工具，兩者將滿足特定語境下的、短線的市場需求，更重要的是它們還能發揮其在非特定語境下破解社會難題的價值。

　　換言之，大數據將演繹“信息轉化為數據，數據集聚成知識，知識涌現出智慧”的進程。按照哈耶克在《自由憲章》一書中對人類知識增長和進步的論述，大數據應該是一個人類知識增長的復雜過程。首先大數據原本并不以具有明確的目標和對象為出發點，而是在不斷收集、重組和聚類中，發現社會發展的先行參數和相關關系。其次，大數據在社會難題中的應用不僅沒有設定的目標，也沒有設定的問題，能發現什么啟示是自然形成的結果。再次大數據發現的結果往往超出既有的思維和判斷，往往不能為社會所接受，檢驗其預測的準確與否。

　　但是，滿足市場需求的大數據應用模式，有利于技術和數據公司將既有的資源和能力轉化為商品，有利于這些企業尋找到以客戶需求和盈利模式為支撐的商業模式。而對于大數據應用者而言，數據的聚類和多次利用，也有利于實現跨部門、跨行業等跨界融合，有利于實現企業和產業的開放式創新。而致力于破解社會難題的大數據應用，卻很難在短期內找到盈利模式。

　　滿足市場需求與破解社會難題的悖論，與弗里?摩爾的高科技營銷模型不謀而合：企業不難從技術概念跨越到早期應用市場，卻容易在高速增長的主流市場階段“陳發式”滅亡，成為“鴻溝里的犧牲者”。

　　在社會難題中淘金

　　正如數學史上三次危機分別促成公理幾何的誕生、集合論的創立和現代數據的發展一樣，悖論是理論、技術和應用進步的巨大推動力。大數據悖論的解決，也將推動大數據應用的普及和社會價值的釋放。

　　經過新聞媒體和學術會議的大肆宣傳之后，大數據技術趨勢一下子跌到谷底，許多數據創業公司變得岌岌可危……根據這條著名的Gartner技術成熟度曲線，大數據已經走過了萌芽期和泡沫化的炒作期，并將在未來3~5年內步入低谷期。

　　市場中的鴻溝

　　大數據營銷模型將經歷創新者、早期采用者、早期大眾、后期大眾和落后者等5個階段。這5個階段之間存在著4條裂縫，其中最大、最危險的裂縫存在于早期市場與主流市場之間，我們稱之為“鴻溝”。

　　大數據的創新者大多是大數據技術和產品的開發者，他們通常在大數據技術和產品尚不成熟的情況下就開始嘗試大數據服務。隨后，有遠見卓識的早期采用者登場，例如互聯網以及具有良好信息技術基礎的金融企業等。它們與新聞媒體、學術機構一道，將大數據推向“過熱期”。

　　大數據的主流市場來源于實用主義的早期大眾和保守主義的后期大眾，兩者各自占據大數據市場1/3的份額。這兩個群組的共同特征是均具備良好的信息技術基礎和深厚的大數據積累，并深諳大數據的社會價值和經濟價值。有所不同的是，前者希望看到成熟的解決方案和成功的應用案例，它們大多是金融、能源、電信等公共服務部門。而后者需要有更安全可靠的大數據保障和廣泛的社會應用基礎，它們大多是致力于解決環境、能源和健康等社會問題的公共管理部門。

　　當然，落后者大多是懷疑主義者。他們或許不是大數據的支持者，充其量是大數據社會管理的被動受益者。

　　大數據技術和應用獲得創新者的追捧是顯而易見的，獲得早期市場的擁護也是輕而易舉的。但是，不因“時髦”而加入，不因“過時”而退出，才能成為大數據主流市場的掘金者。遺憾的是，不少企業或許會成為“鴻溝中的犧牲者”，而無緣迎接大數據真正應用市場的到來。

　　規劃整體產品

　　如何跨越鴻溝?現代營銷奠基人之——西奧多?萊維特給出了“整體產品”的概念。根據這一概念，大數據產品應該包括作為“核心吸引物”的一般產品、滿足初級心理需求的期望產品和實現更高階參與以及自我實現的延伸產品和潛在產品4個部分。

　　信息化3.0。信息化1.0布局了各個業務單元的軟硬件架構，但是帶來了信息孤島現象。信息化2.0致力于IT基礎架構的整合，為無縫連接和信息共享奠定了物質基礎，但是卻沒有克服數據管理和利用過程中的數字鴻溝問題。大數據的一般產品就是以信息化3.0的形態，釋放云計算的商業價值，完善開放式、共享型的數據戰略，為更高效的數據管理、數據洞察奠定基礎。

　　分析即服務(AaaS)。云計算為數據生產、傳輸、加工和應用提供了廣泛的基礎設施，而大數據讓云計算在商業、經濟及其他領域得以普及并取得實際效益。大數據的期望產品就是云計算各領域的具體應用，即在基礎設施即服務(IaaS)、平臺即服務(PaaS)和軟件即服務(SaaS)等基礎上，引導云計算轉向分析即服務(AaaS)。

　　智慧的商業模式。大數據與業務的融合表現為智慧商務模式的普及。一是員工和客戶可能是企業的資本家，而企業家或管理者則應該按照馬斯洛需求層次論的要求，為客戶和員工提供更高級別的需求滿足。二是“生產兼消費者”群體的形成，不是企業為客戶提供個性化的服務，而是客戶、廣泛的利益相關者直接參與研發和生產，進而促成大規模個性化定制的生產模式。三是企業部門間的圍墻被數據洪流推倒，企業之間、行業之間的界限因大數據涌現而模糊，“公眾科學”將成為普遍現象。

　　合作、分散、開放型社會的基礎設施。大數據應用的最高境界是“太上，不知有之”。正如普適計算所倡導的的，大數據的潛在產品形態就是回歸基礎設施屬性，成為扁平化決策結構、分散性合作研發和生產的基礎保障，成為實現生產者和消費者良性互動、研發與市場需求交互作用的關鍵資源。在這一階段，利益相關者的交易結構也將發生深刻的變革，大數據商業模式或許將朝著從固定成本結構到可變成本結構、從重資產到輕資產、盈利來源多樣化、利益相關者角色多元化、從剛性到柔性等方向發展。

　　誰都有可能成為領頭羊

　　2012年，諸多運動服裝品牌深陷庫存泥潭，阿迪達斯集團的銷售收入卻同比增長6%，歷史性地達到149億歐元，其大中華區銷售收入也同比增長了15%。

　　阿迪達斯的“新合作伙伴計劃”發揮了積極的作用。阿迪達斯要求，經銷商及各門店每天都將收集到的數據上傳阿迪達斯，經過總部整合、分析后反饋給經銷商。由此，阿迪達斯與經銷商之間的競合已經從利益的博弈轉向了數據控制權的爭奪，甚至雙方在數據上的競爭很難區分出優劣來。

　　交互型價值鏈

　　按照維克托?邁爾-舍恩伯格的說法，未來的大數據企業至少包括以下三類：一是大數據掌控公司，這些公司擁有大量數據或具備收集大量數據的能力，比如Twitter以及金融服務企業、UPS等快遞企業;二是大數據技術公司，包括提供大數據解決方案或技術支撐的IBM、Oracle、Google、Amazon、EMC等企業，甚至包括麥肯錫、Gartner等具備咨詢和實施能力的分析公司;三是大數據方法論公司，他們具備挖掘數據新價值的獨特想法和方法，專業媒體、小的創業公司或行業協會，都有可能成為這樣的公司。

　　數據掌控公司、技術公司和方法論公司構成了全新的大數據價值鏈，數據、信息、知識和智慧在這個閉環中交互循環。以阿迪達斯為例。在競爭優勢等戰略論模式下，阿迪達斯掌控技術和產品，經銷商接近市場和消費者。無論是供方市場還是買方市場，阿迪達斯對整個價值鏈的控制地位都是無法替代的。在大數據時代，經銷商既是數據的感知層和應用層，也是產品研發和生產的決策層。同樣，阿迪達斯總部既是數據的整合層和分析層，也是研發和生產的實施層，阿迪達斯和經銷商從上下游關系轉化為互補關系。甚至在大規模個性化定制模式下，最終的消費者將成為產品和品牌的定義者，成為其研發和生產的建議者。

　　正如哈佛商學院客座教授托馬斯?達文波特所言，任何一家公司都有機會成為大數據的領頭羊，只是那些已經具備分析實力的公司可能有一定優勢。不過，沒有任何理由阻礙一家公司突然進軍大數據領域，因為基本的計算能力可以通過諸如亞馬遜這樣的“云計算”供應商獲取，公司只需重點投資合適的人才、軟件和數據。

　　無門檻競爭

　　大數據讓依靠“信息不對稱”生存的商業模式無處藏身。

　　傳統的金融服務業是典型的“信息不對稱”商業模式。金融機構充當了資金供給者與需求者之間的橋梁和信任擔保;零售業存在的價值在于扮演了制造商與消費者之間的紐帶，形成了店大欺客、客大欺店的博弈;制造企業的競爭優勢源于對核心技術、生產能力和勞動力紅利的把控，在價值鏈關鍵環節布點成為理想的競爭狀態。

　　在大數據時代的水平、交互型價值鏈之下，企業的“競爭優勢”也可能即刻化為烏有。因為，大數據摧毀了基礎設施等資源壁壘，IT硬件包括云計算將更加標準化和商品化;社會資源和時空界限正在模糊，大數據將為企業提供無處不在、無所不包和無邊界的計算和分析服務;金融與實業、IT與業務走向深度融合，大數據能夠洞悉到存在于虛擬和現實兩個世界的信任網絡，形成多樣化的金融工具和信任體系。資金、人才、技術和品牌等傳統競爭要素即將在大數據時代淡出人們的視野。

　　無門檻競爭是最高級別的對決。因為數據和信息的透明度和共享性，讓“田忌賽馬”的博弈模式無從談起，讓邁克?波特的競爭力模型難以奏效。想當初，Groupon的團購模式在國內遍地開花，“千團大戰”烽煙四起，但大多數團購網卻沒能過上兩周歲生日。當下，金融業互聯網和互聯網金融化催生了無數蠢蠢欲動的小額貸款公司，盡管個別新金融企業存活不足28天，但馬云的“如果銀行不改變，我們就改變銀行”的言論不可小視。這一切都是大數據時代無門檻競爭的表象：門檻超低，參與者一哄而起，“挾數據以令價值鏈”者方能脫穎而出。

　　協同研發模式

　　大數據同樣挑戰著傳統的研發模式。“缺芯少屏”的核心技術缺失困境或許得到緩解，憑借關鍵技術擁有產業鏈掌控力的企業將日漸式微。微軟、IBM、通用電氣等跨國巨頭對開源的參與和對開放式創新的重視，是協同研發模式的最好例證。

　　作為大數據分析平臺的Hadoop，更是協同研發模式的典范。作為一個分布式基礎架構，Hadoop由Apache基金會開發。在Hadoop體系中，有GoogleLab開發的Map/Reduce的貢獻，有Facebook、谷歌、雅虎等幾位工程師創建的Cloudera公司的參與，也有雅虎與硅谷風投BenchmarkCapital合資企業Hortonworks的分享(據說占Hadoop的70%)，IBM、EMC、Intel等IT企業都是Hadoop的協助者和支持者。

　　Hadoop的實踐告訴我們，大數據讓偏安一隅的企業能夠獲取全球化的最新科研成果，而其供應線上下游企業已經不再是單獨的商業伙伴，而是其研發的參與者。以消費者為例，大數據技術和應用的普及，讓消費者不僅僅能夠找到適用的終端產品，而且能夠通過重新創造產品和服務成為“生產兼消費者”(prosumer)。

　　相比之下，一些企業迷信和依賴“高手”、“能人”的“大廚式”研發體系將面臨巨大挑戰。“大廚式”研發模式著實有利于攻克一些短線的技術或產品研發難題，但是對企業持續研發能力的積累造成了極大的傷害。首先是高手難尋，而且易于江郎才盡。其次是弱勢企業悉心培養的種子選手，很快就會被強勢企業挖走。再次是“高手”和“能人”往往自以為是，難以管理。最后“大廚”通常會制約研發后備力量的成長。

　　告別“大廚式”研發，就是要遵循“研發團隊為解決問題而建，而非為技術大難而建”的原則，萃取現群體智慧，開展協同研發。云計算、移動互聯網為協同研發模式提供了可能，大數據將這種開放性、共享性模式變成現實。一是最新的技術和標準能夠在全球網絡中快速傳播;二是借助大數據技術的新技術融合與重組，成就新的創新成果;三是最新的專門技術和有效的研究工具可以在共享中無縫銜接;四是產學研用自發組織的社會網絡使公共知識到私人企業的積極反饋更加快捷。

（責任編輯：孫悅）