Andreessen Horowitz（a16z）是美國目前的頂級風險投資公司之一。他們剛剛撰文描繪了未來他們重點關注的 16 個領域，看完你會覺得，未來其實比想象的還要近呢。

其實我們不按「主題」投資，我們投資的是擁有突破性創意的創業者。所以我們一般不會按照某個行業預設的一些理論進行投資。雖然這樣說，我們也同時在做一些思考和觀察。下面這 16 個領域就是我們未來會重點關注的投資領域：

1. 虛擬實境 Virtual Reality

在虛擬實境（VR）的世界裡，「臨場感」是一種藝術。這是說，一旦 VR 達到了某種水平，你的大腦就被欺騙了——在最原始最深處的層面——你就會認為你眼前看見的東西是真的。有研究表明，即使你的理性告訴你並沒有真的站在懸崖邊，你鼓起所有勇氣準備往下跳，你的掌管動作的大腦部分本能性地會阻止你那麼做。

有了「臨場感」，你的大腦會讓你感覺自己不是戴了一個裝置而是進入了一個不同的世界。

電腦狂熱者和科幻小說作家已經期待 VR 幾十年了。但是早期的嘗試，尤其是90年代，很讓人失望。因為那時候技術還沒有準備好。而由於摩爾定律（Moore’s Law）、以及行動裝置蓬勃催生的處理器、螢幕和加速儀等技術的發展—— VR 終於進入到主流世界了。
我們用一個專有名詞「終止懷疑」（suspension of disbelief）來形容我們看電視和電影的體驗。這也是說我們在看電影電視時的預設狀態是「不相信」。我們只有在足夠進入的時候才能真的「相信」。

而 VR 技術，情況反了過來。大腦的預設狀態是「相信」，相信我們看到的東西是真的。一切從「太無聊」變成了「太強烈」。我們需要不斷提醒自己我們看到的不是真的。「終止懷疑」變成了「終止相信」。

這意味著有一些軟體在 VR 環境裡可能難以成功。比如像《決勝時刻（Call of Duty）》這類大型遊戲如果做出 VR 的東西也許會更令人感到害怕和不安。

而更可能成功的是一些簡單的體驗。比如：穿越時間看看古羅馬是什麼樣子；攀爬摩天大樓以克服懼高症；為飛機降落進行精準訓練；迅速回到你上次度假的地方（因為你當時拍攝了「3D照片」）；和一個失聯很久的朋友吃個午餐；像如今在現實生活中與人合作一樣，在 VR 世界中和人建立聯系與信任。

未來幾十年的 VR ，會像開始幾十年的電影一樣。電影製作者一開始什麼都不知道：如何編劇、如何拍攝、如何剪輯等等。他們花了幾十年的時間，建立了電影語言。在 VR 上我們也將進入這一時期。

VR 上會出現很棒的遊戲，並且它可能在很長時間裡都會占據 VR 這個領域。但從長期來看，遊戲只是媒體的一小部分。最開始的電視節目就是新聞和遊戲類節目，但如今電視螢幕已經被視為承載內容的輸入/輸出工具了。

VR 會是終極的輸入/輸出工具。有些人把 VR 稱作「最後的媒體」，因為之後任何媒體都可以在 VR 之內，用軟體產生。回看歷史，如今我們在用的電影和電視螢幕可能是電的發明以及 VR 發明的一個中間狀態。孩子們會覺得，他們的祖先原來會盯著一個長方形的東西看並且希望自己相信裡面發生的事。

2. 企業的「傳感器化」Sensorification of the Enterprise

幾年前，一群消費級（2C）的網路公司看到手機後說了一句「Oh, shit」。他們都看到了，所有的流量以後都會來自於手機而不是 PC。為了利用手機帶來的商機，以前做的一切都要重做。直到現在，還有公司仍在進行這個轉變（而有一些甚至還沒開始）。

而在今天的企業環境中，類似的事情也正在發生——企業服務也要迎來「Oh, shit」的時刻了。但這並不是把企業服務帶到行動端這麼簡單。可做的遠不止如此。

想想如今智慧型手機所展示的無限可能性。智慧型手機的形式及其功能的複雜性都將商業形式引向了以前無法想象的境界（比如共乘服務等）。而其中最重要的原因就是行業的「傳感器化」，加上行動端的浪潮以及友好 UI 的共同作用。

同樣的「傳感器化」也要進軍企業環境中。

企業 UI 嚴重落後。所有那些在智慧型手機上習以為常的操作動作——縮小，放大，滑動，點擊，語音，甚至單純用手指隨意行動——在企業環境中都沒有實現。使用者界面永遠是最後被考慮的，是建完數據庫後做的最後一件事。這種情況正在變化。

那麼「傳感器們」從何而來？想想手機的特點。我們並沒有那麼多螢幕或者功能可以使用。傳感器基本上是連接到資訊和動作的「快捷方式」，使用者不需要什麼操作。比如，我們不用每次都手動輸入地址，GPS 只要簡單地告知手機「你在這兒」就可以自動處理下一步工作了。

在企業環境中，傳感器的價值在於成為使用者界面的快捷鍵，甚至有可能消滅打字，然後我們就可以把注意力放在簡單，有趣又有創意的事情上了。

3. 機器學習 + 大數據 Machine Learning + Big Data

在 a16z，我們認為「大數據」和「機器學習」是相關的兩件事。一直以來，人們認為需要對各種數據進行更深入地分析和洞察，這點當然是重要的，因為直到現在我們一直都處在大數據的收集階段。但在大數據的世界裡，最令我們興奮的創新點是，我們來到了預測階段——處理收集到資訊的能力、學習模式的能力以及基於已知預測未知的能力。

機器學習之於大數據就如同人類學習之於生活經驗：人類歸納和總結過去的經驗來處理陌生情況。而大數據中的機器學習會複製這種行為，並且是在一個巨大的量級上。

過去的商業智慧 (Business Intelligence) 表現為對以往的關注（「在肯塔基州已經賣掉了多少雙紅色鞋子？」），現在我們則需要預測性的觀點（「在肯塔基州將要賣掉多少雙紅色鞋子？」）。重要的是，機器學習並不是目的本身，它是每個應用的一個「屬性」。它並不是一個獨立的功能，「Hey，讓我們用這個工具來預測吧。」

以 Salesforce 為例。目前它只能呈現數據，使用者要自己分析這些數據，產生自己的觀點。然而我們中的大部分人都被 Google 訓練過了，習慣了從成千上百的可能性中篩選要使用的資訊來定制我們自己的使用者體驗。

為什麼機器做不到呢？企業應用程式——在每一個能想象出來的案例裡——也將更加智慧，因為機器可以在海量的數據中不斷學習並發展出「觀點」。它就像是做任何事的時候都可以幫到你的一個聰明且經驗豐富的助手。
在這裡，關鍵的是要形成大數據本身就能帶動應用程式來做出動作，而不需要人工干預。（我的同事 Frank Chen 稱它為程式建築中的「內部大數據」）。

但所有這些都會在基礎設施層面推動創新，同時也從中獲益。

大數據需要大計算：Hadoop 和 Spark 在大數據技術裡佔什麼地位
把大數據和機器學習看作三步：收集、分析、預測。目前為止，這些步驟彼此分離，因為我們一直以來都從底層建立生態系統——選擇各種工具——並進行針對性實踐。

早期的 Hadoop stack 就是收集和儲存大數據的例子。它允許其在一大群廉價的服務器上進行簡易的數據處理。但Hadoop MapReduce則是批量處理的系統，並不太適合交互式應用程式；像數據串流處理的實時操作；以及其他更複雜的估算。

對於預測性分析，需要一些基礎設施，能更快響應人類級規模的交互：今天發生的哪些可能會影響明天？需要一直有大量持續的疊代，讓系統智慧型，讓機器「學習」——搜尋數據，將其形象化，建模，提問，得出答案，導入其他數據，然後重覆該過程。
越即時，粒度越細，我們就可以更快響應，更有競爭性。

舊世界中「小數據」的商業智慧型（BI），只在數據庫上放一個小型應用程式驅動就足夠了。而現如今，我們要處理千倍於以前的數據，所以為了速度能跟上，我們需要平行的，以內存為存儲機制的的的數據發動機(data engine)。為了大數據能解鎖機器學習的價值，為我們在應用層面就展開部署。這也就意味著「大數據」需要「大計算」。

這就是 Apache Spark 的作用了。因為它是 Stack 中內存、大計算的部分，比 Hadoop MapReduce 快上百倍。同時它還能提供交互性並不局限於批量模式。Spark 在哪兒都能運行（包括 Hadoop），把大數據處理環境轉換成實時數據捕捉和分析環境。

在大數據/大計算生態系統中的每一層面我們都有投資，而這個領域仍有很多創新的余地。因為大數據計算已經不再局限於單一的政府機構和大公司了。即使早期的應用程式更傾向於出現在數據科學家工作的行業，機器學習作為所有應用的「屬性」——尤其是和一個友好的使用者界面相結合的時候——就能讓大數據進入到各個不同領域，而在這基礎之上有機會誕生出很多偉大的公司。

我相信每款應用程式都將重構來利用此趨勢。同時感謝大數據和大計算的革新，讓這一切成為可能。我們處在機器智慧型加速時期的起始階段，這會對商業體系和社會產生無限益處。

定義:

• 大數據（Big Data）：收集大量的資訊，無論是結構性的還是非結構性的。
• 大計算（Big Compute）：從大數據中提取價值所需的大規模（一般來說是平行的）處理能力。
• 機器學習（Machine Learning）：電腦科學的一個分支，不用高級別的算法來解決明顯的，命令式的邏輯問題，而是用低級別的算法來發現暗含在數據中的模式。（想想人類的大腦從生活經驗中學習vs.從明確的指示中學習的區別）有越多的數據，學習就越有效，這也是機器學習和大數據會複雜地聯系在一起的原因。
• 預測性分析（Preditice Analytics）：用機器學習來預測未來的產出效果（外推法 extrapolation），或者從已知中推斷未知數據點（內推法 interpolation）。

4. 全棧型創業公司 The Full-Stack Startup

Q：什麼是全棧創業公司？你曾經提到過，這是一個非常重要的新趨勢，而且是近年來成功創業公司的很典型模式。
Dixon: 傳統的創業公司採取的方式是向企業兜售他們的新技術或者尋求授權。新的全棧創業公司則建造了一個完整的、點對點的產品或者服務從而繞開實體企業或者競爭者。
大公司中很好的對比就是蘋果和微軟。常年以來，微軟只建造全棧當中的一小部分，如作業系統、應用程式。同時依靠合作夥伴生產半導體硬體、文案、組裝、零售等等。蘋果公司卻全部一起做：他們設計自己的晶片、手機軟體、作業系統、應用程式、包裝、零售等等。蘋果告訴世界：如果你可以同時把很多事情一起做好，那麼你就有可能創造奇跡。

Q：舉個例子？
Dixon：我覺得一個很好地例子就是共乘，例如 Lyft 和 Uber。
在這些公司成立以前，很多創業者試圖建立一個讓出租車和私家車利用率更高的軟體。然後他們出外尋找出租車公司並且向他們推銷，使用他們的軟體。
基於各種各樣的原因，這並不奏效。出租車公司並不會把這些軟體作為一個競爭優勢。他們並沒有一個合適的估價機制或者相關人員去評估這樣的軟體。
所以，當技術創業者試圖將自己的技術和軟體應用到這些企業裡時，很難成功。
此時，像 Lyft 和 Uber 這樣的公司說：「既然如此，與其把我們的產品賣出去作為一個錦上添花的東西，不如使用我們的軟體打造整個服務行業。」他們想：「如果我們利用現有技術重頭開始，整個行業會是怎樣的？」
一旦他們真的做成了，消費者和司機都非常喜歡，這幾乎改變了整個行業，而這些公司才創建了幾年而已。

Q：自己建立這種點對點的公司的好處是什麼？
Dixon：首先，正如我之前提到的，全棧公司使得創業者得以繞過傳統企業以及對新技術抗拒的企業文化。
另一個好處就是全棧企業能獲取更多的經濟利益。在這之前，雖然他們提供的技術和服務可能非常有價值，但是由於和使用者沒有產生連接，很難直接從客戶身上獲利或者搜集正確的數據從而更新自己的產品。
最後，對使用者來說，全棧創業公司帶來更好的使用者體驗。因為一切盡在掌控之中。這裡的區別就是買到一個美好純正的蘋果產品和買到一個由不同小販組裝而成的產品的區別。

Q：嗯，那這是不是所謂的「垂直整合」呢？
Dixon：我覺得全棧創業公司並不是我們傳統觀念裡的垂直一體化企業。因為這並不是一個賣油的公司買了供應商，而是一個科技公司建造了一個完成的系統從而使得非科技公司為其服務。在我的觀念裡，「垂直整合」公司是一個過重而不太實用的說法。
但是誠實地說，我有點後悔稱之為「全棧（full-stack）」。這只是一個比喻而已。這只是對這種模式的一個異想天開的影射說法。「端到端」（end to end） 可能更好一些。或者還有一個詞是 Blii Davidow 說的「全產品」（whole product）。

Q：除了你已經分享的例子，還有哪些是全棧企業的例子。
Dixon: Altschool, Buzzfeed, Harry’s, Nest, Tesla, Warby Parker。

Q: 接下來會發生什麼？
Dixon: 我認為我們將會看到很多拒絕新技術的傳統行業越來越接受新技術，而創業公司也能找到自己的一席之地。
大而顯著的行業包括：教育、健康、食物、運輸以及金融服務。任何價格增長超過通貨膨脹的行業都是由於缺乏技術支持。

Q：對於全棧創業公司來說最大的挑戰是什麼？
Dixon: 全棧型創業者關注產品或者服務的方方面面，所以他們需要在除了軟體、硬體、設計、營銷、供應鏈管理、銷售、合作關系、企業規章制度之外的各個方面都有所建樹。需要非常全能的人才能做到。
好消息是一旦他們成功了，對於競爭者來說是極難模仿的。用這種全棧型創業模式將會開創偉大的公司。

繼續閱讀：
2016 年重點關注的 16 個科技投資領域（一）
2016 年重點關注的 16 個科技投資領域（二）
2016 年重點關注的 16 個科技投資領域（三）
2016 年重點關注的 16 個科技投資領域（四）

資料來源：Andreessen Horowitz