借着我筹备新创业项目的契机， 过去三个星期我去中国跑了好几个城市，和很多朋友进行了深入交流，也有非常多的感悟和收获。这些也希望和大家分享一下。

这次创业之初为什么要去中国考察？我的职业和创业经历都在美国，上次创业基本上仅仅依托美国的创业生态系统，很少利用到作为华人的优势。但是我周围最优秀的朋友和师长都告诉我：一个优秀的企业Day 1就要是一个国际化的企业。如何能够整合全球的资源是一个成功企业的必要要素。尤其是我的华科师兄姚欣帮我系统的梳理了中国国内创业生态系统相比美国的生态系统的三大优势和劣势。1）产品思维。2）供应链优势，3）人才红利 。我在过去一年的创业过程中见到了很多非常好的中国出海企业, 对这些优势已经有了一定的了解。但是耳听为虚，眼见为实。这次回国也是希望能够更加系统的了解和观察。思考如何利用好这三大优势帮助构建下一次创业的护城河。

我先聊聊产品思维。上一波移动互联网对中国的影响力远远超过了美国。在这个过程中锤炼出了一大批非常优秀的产品人。通常来说对于国内产品人对产品的使用场景想得特别的细致。比如对比一下谷歌和百度的地图APP。谷歌地图是一个非常简洁的APP。用户选择目的地，获得导航信息，除此以外没有其他的设计。相比之下，百度地图至少就包括了 1）推荐车道的指示，2）语音包，2）一键打车。4）路况实时提示。5）违规拍照提示。这还只是一小部分，基本上常见的痛点都有一整套完整的功能设计。而且这个并非个例，比如滴滴和Uber相比对场景想得也精细得多。同时国内还需要大量美国完全没有出现的应用，比如本地生活这个门类在美国就完全没有出现。

我在回国之初我们项目只是想到了这些点 1）要做个性化大模型，2）首先切入陪伴，3）可能包含一些硬件。但是国内的一些优秀产品人聊过之后我意识到我的想法显然是过于粗了。至少我需要有这些问题的答案：产品形态是什么？用户为什么需要做陪伴？获得的价值是什么，什么样的产品功能能够体现这个价值？谁是获得主要价值的人？这个是给我的一个系统性的启发，让我开始仔细的思考产品的场景。

接着说说供应链优势。这次对我印象非常深刻的一点就是深圳的硬件生态系统在全球范围是遥遥领先的。在美国做硬件项目的难度极高，里面只要还有一点硬件元素基本难倒了99.999%的创业者。但是在深圳，具有相当完备的硬件生态的完善，使得硬件创业的门槛大幅降低。比如我短短几天至少找到三家可以大致生产我所需要硬件的供应商。而且大家对合作都非常的开放。

当然我还是感受到虽然深圳的硬件系统发达，在创业的起始阶段，碰硬件是一个非常危险的事情。主要两个问题。

1. 虽然深圳硬件的生态系统很发达，但是如果需要真正用上深圳的供应链优势，你必须对硬件指标有了很明确的需求。一旦出现错误，对于时间和资金的浪费是创业公司难以承受的。
2. 库存对于资金的消耗是非常大的，容易引发资金链断裂。

做硬件比较适合公司已经找到了产品的Product market fit，需要进一步稳固护城河和第二增长极的时刻，比如是B轮之后。

最后说说人才红利。在过去十几年互联网的发展也积累了大量的人才。而且随着过去两年的互联网的形势变化，和人民币对于美元的贬值，人才成本普遍下降了30%以上。使得在国内进行招聘变得非常的有吸引力。总的来说，国内一线城市的用工成本大概是旧金山湾区的一半左右。二线城市（比如成都武汉）是一线城市的70%左右。中国本身其实也分为几个小的创业生态系统，各个系统的人才还是不一样。一线城市里面，北京在互联网人才集中程度上具有明显优势。上海人的产品经理（尤其是在本地生活领域）特别强，深圳的硬件人才非常的多。二线城市里面我只去了成都和武汉。成都的软件人才是明显多于武汉。但是武汉有很多光学和硬件的人才，相对比较均衡。

另外我的感受是从人才密度和环境来说，国内二线城市和一线城市的差距要远远大于一线城市和硅谷的差距。尤其是AI方向的人才，二线城市非常的缺乏。一线城市在人才的密度，人的信息上来说和美国基本比较接近的。但是二线城市还是信息流通不畅。很多在一线城市大多已经比较常见的信息，在二线城市基本上还是很少人知道。相对来说，如果仅仅是比较传统的软件开发或者测试，放在二线城市没有问题。但是如果需要非常快速更新的领域（比如AI岗位），还是要放在硅谷或者一线城市。加拿大也是不错的选项，成本略高于国内一线城市，但是和硅谷没有时差，沟通起来容易很多。

另外，国内的APP开发已经达到了流水线化生产的地步。基本上APP开发的速度可以达到美国类似团队的两倍以上。如果能够合理的利用，这是一个非常大的优势。

说了这么多的优势，我也想说说我看到了需要注意的地方：

1. 一是国内对于diversity较不看重。这个导致了生态系统偏向同质化竞争， 创新性不足。如果有大量的国内团队，如何保证团队的diversity和创新性是一个需要注意的事情。
2. 二是中国的很多经验不能直接照搬到美国。前几年有一阵子Copy From China的热潮，有很多公司把国内的支付和本地生活的项目照搬到美国 ，但是没有特别成功的。这次我也对这个问题有了系统的反思。中国是一个单一文化国家，全中国14亿人的消费习惯都比较接近。而且由于竞争压力大，很多产品设计是对中国消费者的习惯过度拟合的。与此相比美国不是一个单一文化文化国家。和中国文化类似的人群只有600万左右的华裔和2000万左右的亚裔。每个人群具有非常明显不同的消费习惯。仅仅照搬中国的产品形态会对于华人群体形成过拟合，使得产品在切入美国其他族裔人群的时候遇见困难。但是美国的华裔的人口只相当于中国的一个地级市，仅仅服务这个人群又不足以支撑一个大型的公司。

中国的消费商业模式向美国溢出是一个大概率事件。但是并不是所以消费业务形态都会适合。 在美国要做好消费类的业务，必须打的是人类的普遍感情。不能够对于具体的人群过分的优化。什么事普遍情感？迪士尼的产品其实主打的就是一个非常朴素的人类普遍感情 — 真善美。这是它为什么能够迈向全球的原因。中国的亲子陪伴类业务基本上都完全转向了教育 — 比如课本绘本或者学习机之类。这个如果直接照搬是不行的。华人文化对于学习是非常的重视的，但其他族裔对于教育的关注的程度要远低于华人。如果针对教育过分优化，会难以跳脱华人群体。但是害怕孤单是一个普遍的情感，从陪伴这个角度切入会是更好的选择。

回过头来说这次的考察的思考。我觉得整合全球的资源是不仅是一个优秀企业家的机会而且也是一种责任。过去的几年似乎全球化碰到了一些波折，但是我觉得全球融合的大趋势是不会发生改变的 — 不论是大量的优秀中国公司出海，还是更多的外国企业整合中国的资源。无论文化或者族裔，人对于美好生活的向往是共通的，只有全球资源一体化，才能够更加有效的创造出优质的产品，为每一个人创造更加美好的生活。

link of this post: https://s.jing.me/2024-cn-us-startup-ecosystem

虽然大模型是在OpenAI推出了ChatGPT之后进入公众视野的，但是在ChatGPT之前大模型技术已经经历了很长一段时间的演化。我从2014年到2019年在谷歌工作，大模型的许多关键技术是在这段时间在谷歌大脑成熟的。整个技术的成型不是一蹴而就，而是由许多优秀的研究者和工程师接力完成。我有幸参与其中，作为一个亲历这个过程的人，这里希望记录一下这段经历。让大家了解一下这项划时代技术从零到一时期的一些故事。

大模型的开发不仅需要强大的计算能力，还需要解决于三个关键问题：架构、训练算法和数据。因为搜索引擎本质就是用自然语言进行互联网数据的查询，谷歌一直在自然语言处理方向的研究上面重金投入，最终逐渐解决了了这三个问题。

首先是架构。谷歌大脑一个很重要的任务是为谷歌的翻译任务提供模型支持。语言本身就是一个序列，所以很自然大家就开开始使用一种称为序列模型（Sequence Models)的神经网络来做这个。与上一代的卷积神经网（CNN）相比，序列模型是专门用于处理序列数据的。每一层的输出又称为下次迭代的输入。这样就可以处理很长的序列。

谷歌翻译是支持多种语言的相互翻译的，所以需要有一种架构可以非常容易扩展语言而不需要重新训练。从直观上来说，一种语言不过是为了表达特定含义的符号，翻译的本质就是使用不同的符号系统来表示同一个含义。于是大家考虑到如果能够用一个序列模型提取一种语言要表达的含义（编码器encoder），然后在用另外一个序列模型将将之转化成为另一种语言的符号（解码器decoder）。这样encoder-decoder模型架构就出现了。

Encoder-decoder模型架构刚刚出现（2014年左右）的时候效果不好，主要问题就是序列模型（sequence model）很容易遗忘信息，一般只能记住几个上下词，这就是我们提到的context window limit滥觞。这种问题之前也已经有一种方法解决，（LSTM， 长短时记忆模型）。LSTM效果不错，但是特别复杂，很难写。所以大家一直在寻在更加简化的架构。

Transformer架构（变压器架构）就是在这个背景下面诞生的 (2017年）。比起LSTM来说，Transformer架构简单很多，效果也非常的好。后来所有的大模型都是基于这个架构。Transformer的八位作者后来都离开了谷歌，几乎每个人都创立了一个独角兽公司，这就是所谓的“Transformer八子”。 Transformer架构刚刚出来的时候并没有引起大家的注意。主要是这样的架构在当时非常的难以训练，只有少数的人可以使用。

第二个部分是训练算法。2013年左右时候，谷歌发明了词嵌入技术（Word Embedding或者 Word2Vec）。这个技术能够把一个单词映射成为向量。如果两个词在语义上面比较接近，那么他们在向量空间的距离也会比较接近。词嵌入技术被首先用到了谷歌的搜索系统和广告机器学习系统里面作为特征，带来了很大的提升。但是很快大家发现了词嵌入技术存在一些问题。自然语言里面的词都具有多义性。同样的词随着它所处的上下文会具有完全不同的语义。

如何能够生成一个能够考虑上下文的词嵌入呢？ 这个时候大家考虑到可以将一串词序列顺序的处理。如果从前往后扫一遍就可以知道上文，如果从后往前扫一遍就可以知道下文。这样上下文就都有了。这种考虑上下文的思路就演进成为了BERT（双向变压器表征编码器, 2018年）。

BERT这种双向的特点和后来OpenAI的GPT只是从前往后的范式稍有不同，但是原理都是一样。BERT最大的优点就是特别适合生成词嵌入（Embedding）。当时BERT的词嵌入用到谷歌的搜索广告系统里面让产生了1%的营收增长。谷歌每年大概2000亿美金的收入，光这一项改进，就是一年20亿美金的收入。BERT的出现也直接催生了谷歌的TPU项目。

BERT论文一个重大的贡献是让预训练-微调范式发扬光大了。这个范式其实在谷歌内部很早就开始有了。主要是谷歌研究部门是一种混合制的研究部门。既有人做基础模型研究，也有人（Applied Scientist）到各个部门去做落地。最开始每个部门的模型都是从头训练。但是随着模型的规模变大，对训练资源的要求越来越高。而且基础研究的人对于各个部门的业务也不是十分了解。这个时候如果负责基础研究的人能够做一个预训练的模型。各个应用的人再依据各自的业务问题做微调。会起到事半功倍的效果。

而且由于将所有的训练资源汇聚到一起，预训练模型可以做的很大。BERT是第一个将预训练模型发布到谷歌以外的团队。而且当时他们除了模型权重，也一并开源了模型代码。掀起了一波自然语言处理（NLP）热潮。著名的HuggingFace其实最开始就是BERT的一个PyTorch开源实现。

第三个部分是数据。预训练大模型需要大量的数据。传统的机器学习训练都是通过监督学习，需要大量的文本和标注。文本这个事情好说，英文里面有维基百科，里面有大量的文本，维基百科本身是非营利性组织，而且谷歌是维基百科的最大赞助商，获取数据没有什么太大的难度。但是标注需要人工做，欧美的标注成本很高，非常的不实际。半监督学习（Semi-Supervised Learning）就是在这个时候诞生的。半监督学习利用某种规则可以自动生成标注。比如说BERT从一段文本里面随机挖掉一个词，然后让模型来预测这个词。这个原理其实和我们人做完形填空的原理是一样的。

随着BERT的完善，谷歌内部开始基于这个能力做很多应用。很重要的就是多轮对话式推荐（Conversational Recommender）。传统的推荐系统是基于排序的，但是多轮对话式推荐是基于自然语言处理的，并且利用强化学习进行对齐。其实这已经就是后来ChatGPT的原理了。而且当时已经达到了类似ChatGPT的效果。但是谷歌对外发布的一些产品因为一些偏见多样化问题招致美国主流媒体的抨击，这使得谷歌研究院高层对于大模型方向的支持开始犹豫起来。同时谷歌内部模型落地的时候遇到了强大的阻力。因为这个是对于已有业务的一种颠覆式创新。但是在谷歌内部业务线的负责人或是无法看清这个趋势或是担心带来的冲击，不愿意引入，导致除了在YouTube取得一些成绩外其他的落地项目全部折戟。多方原因导致很多优秀人才流散，很多人后来或加入了OpenAI或自行创业继续这一事业。

起初OpenAI并不是专注于大模型的，但是在2019年谷歌内部动荡之际，OpenAI扛起了大模型的大旗。他们在谷歌的工作基础上推陈出新，专注于模型的泛化和Zero-Shot learning — 也就是用户不需要微调模型，只需要一些提示词（Prompt）就可以在多个领域达到相当程度可用的程度。事实证明，这个策略是非常成功的。因为大多数开发者其实并不具备微调能力。Prompt Engineering进一步降低了大模型的使用门槛，让人人都可以用大模型。

整个大模型发展的过程绝非是事前规划好的，而是大家在好奇心的驱动下不断摸着石头过河，最终趟出了道路。科技创新虽然不能被规划，但是是可以孕育的。只要有合适的创新环境，就会不断有新的技术涌现。当时的谷歌大脑和如今的OpenAI都是一些共同的特点：高密度的人才，充分的自由，海量的资源。这是这些地方能够孕育革命性技术，不断拓展科技边界的原因。

最近在大模型圈有一个很有意思的事情。Perplexity AI是硅谷当红的大模型公司前两个月最近刚刚完成了融资，估值超过5亿美元。但是贾扬清利用Lepton AI的中间件，仅仅用了一个周末500行代码就实现了一个开源的版本。引发业界热议，相关demo 在Github短短数天就斩获五千Star。一叶落知天下秋，我这里结合自己过去一年半的创业经历也进行一些分析。

首先大模型公司目前分为三类。

1）底层的基础模型公司，主要提供大模型能力 。这个领域对于资本要求很高，资源高度向头部公司和巨头集中。

2）中间件公司，主要提供大模型到应用之间的中间件，比如向量数据库。贾扬清的Lepton AI也是中间件公司。

3）上层的应用公司，直接提供针对消费者的应用。应用层的公司也分为两种。平台型应用层公司。这里Perplexity AI就是一个平台型应用层公司。还有一种是针对细分市场的垂直类应用公司，比如说最近刚刚完成融资的Harvey AI就是法律类的垂直类应用。

Perplexity AI和贾扬清的这个小插曲实际上是戳中了应用层公司的一个痛处 — 竞争压力过大而护城河不够。比如Perplexity，主要解决通用型的信息寻找问题，处于四战之地 — 一要面临巨头（Google）压力，二要处理垂直类知识应用（比如Harvey）对于需求侧的挤压，三要防止其他的知识服务类的公司来抢夺市场。最后还需要应对像LeptonAI这样的中间件公司来掀桌子。做垂直类应用会压力稍小，但是这四方压力也都存在，并不轻松。另外垂直类应用的市场容量小，获得的资源会少很多。

那怎么办？很创业者认为只有积累私有数据才能构成足够宽广的护城河。这个当然是非常有道理。但是我觉得数据护城河有一个重要的前置条件 — 系统性的获得私有数据方法论。 我这里提出一个方法论：利用反常识获取时间差，利用创始人个人优势进行单点突破，构建数据为先的产品或者运营能力。

首先是反常识。所谓反常识就是大多数人都没有了解到的洞见。创业者的第一个护城河一定是反常识。只有走少有人走的路，才能用很少的资源构建出自己的核心竞争力。如果一开始就进入一个红海，你没有长大就需要面临竞争，会面临资源枯竭的问题。常识和反常识并不是一成不变的。比如说大模型和聊天界面的结合这个洞见在ChatGPT出来之前属于反常识，但是在ChatGPT出来之后这就是一个常识了。

其次是创始人的个人优势。反常识虽然可以提供一定时间的保护，但是无法持久。只要反常识被证明有用，很快就会变成常识。这个时候创始人的个人优势至关重要。比如说做垂直类应用，创始人对于用户的痛点的深刻理解就是一种个人优势。比较简单的获得这种优势方式就是找一个曾经做过这个方向的人来做做合伙人。比如Harvey，其中一个合伙人就做过律师。即使团队里面没有合伙人从事这样一个方向，只要之前的经历可以转化成这个行业里的优势也是很好的。 比如我前一阵子和一个朋友聊到，他之前的经历是在外面配送平台。新的创业项目是做宠物服务和大模型相结合的一个应用。 虽然表面上看起来没有明显的关系， 但是两个项目都需要有非常强的地面推广能力。

最后是构建数据为先的产品或者运营能力。创始人的个人优势必须能够内化成为系统的优势才能够长久。这里有两个策略，

1）一个是产品驱动 — 创始人利用对于用户需求的深刻理解的优势，在产品设计上下功夫，让用户在使用产品的过程中自然而然形成数据沉淀。并且数据的增长必须也能够进一步提升产品体验，形成飞轮效应。

2） 第二个是运营驱动 — 创始人利用资源和经验的优势，构建一个运营体系可以不断获取私有数据。并且私有数据使得之后的运营或者销售变得更快更有效率。

前者特别适合PLG（Product-led Growth）的产品，后者特别适合销售驱动的（Sales-led Growth）的产品。但是两者都一个共同的特点，就是必须是数据为先的。如果是产品驱动，每一个产品功能的设计必须思考这个功能对于数据沉淀的贡献。如果是运营驱动，必须在运营上把数据而不是营收或者其他指标作为核心的标尺。

回到Perplexity的例子，贾扬清可以用一个周末复现Perplexity 的主要功能，但是无法一个周末完成数据的沉淀。Lepton作为一个中间件公司，应该也无意把这个作为核心公司策略。但是大量的新应用创业公司会借此对Perplexity再次发起冲击。Perplexity能否应对，还是要看他们是否有能力私有数据的护城河。

上个月和两位创业很成功的师兄聊一下中西的的管理文化，两位师兄的很多的思考对我自己非常有启发。其中有一个很有意思的点就是优秀企业家的特质对比。中国文化里面的优秀企业家通常都是像诸葛亮，具有下面的特质：

• 战略驱动：在隆中对时期就制定了明晰的战略：跨有荆益，三分天下。
• 灵活实际：战略上既有宏观的坚持也有微观的灵活。当关羽大意失荆州，主动调整策略，北伐力图占据凉州。
• 持之以恒：但是整个职业生涯均是以兴复汉室作为自己的愿景。虽然历经困难，但是百折不回。
• 躬身其中：整个北伐的过程中，诸葛亮并不是仅仅只停留在大战略上，针对军需钱粮各种细节都十分了解。

这些特质在美国的华裔企业家身上也特别明显。比如说英伟达的黄仁勋。Cuda战略布局超过18年，跨越了互联网，移动互联网，最终在AI时代开花结果。不仅如此，英伟达的战略一直具有相当的灵活性，GPU从最开始的游戏起家，后来到到区块链，再到AI。一直都有具体的落地应用。英伟达无论高潮低谷一直坚持对于GPU的持续优化。构建了CUDA深而厚的护城河。最后黄仁勋本人对于技术就是很强的理解。（大家对Nvida感兴趣可以看这个acquired的 https://www.acquired.fm/episodes/jensen-huang）

西方文化的优秀企业家通常类似体育教练，具有下面的特质：

• 明晰目标：定义一个明确清晰的目标。
• 提供空间，给予团队足够的发展空间，不限定具体的方法。
• 持续反馈：对于每一个比赛进行复盘，落实到每个队员，提出详尽的反馈。
• 积极管理：招聘最好的人才，对于不好的团队成员，迅速manage out。

西方的管理是一个非常理性科学的过程。这也是为什么西方长期是在商业上具有优势。正因为此，中国（或者华裔背景）的创业者经常会有一种天然的不自信。这也体现在中国出海企业在面对美国企业的不自信。一方面我们要承认西方的商业环境产生了很多的创新。同时也要辩证的看待问题。这两个文化具有天然的互补性。问题不在于是用哪一种管理文化，而是是否愿意学习对方。谁会去学习对方谁就会更强。谁不愿意学习，谁就会落后。

西方管理同样具有自己的缺点。一来缺乏一种实用主义精神，让人感觉不接地气。比如移动端应用时代，中国出海应用对每个小国都会进行特定优化，在美国的公司里我很少听说。二来是缺乏一种战略韧性。比如像芯片行业这种需要十几年持续投入的行业，在美国创业圈里面很少人会碰。

为什么要学习，不是要盲听盲信，而是要见过各种优秀的模式，找到一种最适合当前环境的模式。我自己在美国创业一年多。也有很深的感触。今年一个非常重大的事件就是AIGC的SaaS出海。我能够感受中国出海创业者一种蓬勃的生命力。移动互联网时代80%的应用都是中国出海应用，目前据说AIGC领域这个比例已经达到了50%，以后只会更高。当然中国出海创业者也有自己需要成长的地方，比如普遍来说无法建立品牌，长期处于红海竞争，利润率低。西方的管理文化正好擅长解决这些问题

美国有多元文化的优势，大量各国移民参与创业使得美国创业生态中能够自然出现文化的碰撞。当然也不乏问题，美国很多本土电商企业为什么被出海，Temu，Tiktok Shop打得措手不及，很多的时候就是对于其他文化的学习意识不足。

对于华人创业者来说，既要有开放的心态，也要保持自己的自信。优秀企业家要学贯中西。不仅仅是学习中西的管理文化，更是能够将两者有机的结合起来。

由于许多IT大佬（比如微信之父张小龙）的倾力推荐，《失控》这本书在在中国互联网界颇为有名。他的作者凯文凯利（本文简称KK）在中国互联网界更是家喻户晓。虽然很多人都奉KK的话为圭臬，但是我相信真正读过这本书的人应当不多，因为这本书实在太晦涩和难懂了。很早之前我就尝试读过这本书，最后放弃了，最近才又重新捡起来。全书像是一个哲学家在自言自语，初读的时候你会觉得非常的凌乱，但是静下心来读，你就会被其中深邃的思想所折服。作为网络时代的启蒙者之一，KK在本书里面主要是探讨的是互联网及广义的信息技术对和人类的关系。但是，可以看出作者的思考并不只限于互联网，而是深入到生命的意义本身。

分布式系统

本书很大的篇幅都在讲分布式系统（也就是所谓的蜂群思维），分布式系统的特点是1. 没有强制性的中心控制，2. 次级单位具有自治的特质, 3. 次级单位之间彼此高度连接, 4. 点对点间的影响通过网络形成了非线性因果关系。KK毫无疑问是崇尚去中心化和分布式系统的，但是他也客观的总结了分布式系统和中心化系统各自的优缺点。总的来说，分布式系统适合多变的环境，而普遍来说中心化的系统通常有更高的效率，并且更容易预测和控制。KK承认没有一种模式可以包治百病，对于必须绝对控制的工作，仍然采用可靠的中心化系统，对于需要终极适应的系统，则需要失控的部件。

我在这里想谈谈日本９０年代的没落和美国同期的复兴。经过二战，日本基本成为一片废墟。但是在战后短短三十年的时间内，日本就通过学习赶超的方式占领了汽车工业和电子工业。同期的美国经济则持续疲软，三大汽车公司濒临破产，电子工业颓败，很多人预测日本很快就会超过美国成为世界最强经济体。７０年代末傅高义的《日本第一》的书深刻的反应了美国人对于日本的快速发展的错愕。但是，到了９０年代末之后情况陡转。日本经济持续低迷，而美国则进入了黄金的十年。

很多人将日本的没落归咎于广场协议。但是在我看来，广场协议充其量只是一个诱因。真正的原因是日本所垄断的电子和汽车工业的饱和，以及日本错失了互联网带来的新一波技术革新浪潮。美国从来没有在电子工业和汽车工业找回优势。事实上，美国汽车工业持续衰败，昔日的汽车城底特律俨然已经成为一座死城。电子时代美国东部的电子中心——波士顿１２８公路园区——八十年代在日本公司的节节紧逼下接连破产，至今电子工业也没有回复到当年的水平。而西部的电子中心——硅谷——现在已经基本被互联网公司占领。使美国重新强大起来的不是这些存量产业，而是互联网和生物技术等增量产业。

日本人将中心化的控制做到了极致，这使得他们拥有更好的效率，可以以极低的成本生产质量优良的产品。但是这种效率的优势只存在于成熟产业，并且中心化的控制使得日本人缺乏产生创新的能力。日本在汽车产业和电子工业发力的时候，汽车已经被发明快一百年了，电子工业也有几十年的历史。然而，互联网是一个新兴的事物，日本倾向于大公司的产业结构和终身雇佣的工作传统无法适应互联网所带来的变化，这就是在前互联网时代，日本卓越企业林立，而在互联网时代，日本乏善可陈的重要原因。不说日本，就是美国东部的波士顿地区，也是因为比硅谷地区更加中心化而在互联网时代被抛下。硅谷的西部精神和个人主义的文化使得这一地区有着去中心化的历史传统，从而在创新为王的时代有了更大的优势。

连接

分布式系统的最关键的要素是连接。KK的主要观点是进化与连接相生相伴。进化具有一个普遍的层级规律：在每一个层级，简单的成分通过不断的连接，形成一个完整的生命系统，而这个新的生命系统则成为新的层级进化的基石。生命沿着这个规律不断进化，拾级而上，从简单到复杂，从无序走向有序。早期的生命是单细胞的原核生物，而后一些细胞进入另一些细胞，成为后者的组成部分(线粒体，高尔基体等），这些原核细胞的结合衍生了真核细胞。多个真核细胞进行融合，形成了多细胞的生物。生物又进一步构成了群落和物种。每一个物种可以看作另一种形式的生命，因为究其本质，生命不过是由若干有机部分和无机部分组成的有序模式。所有的物种都生活在生物圈中，自然选择在其中的对物种进行着筛选，使得物种得以进化。同样的，生物圈（地球）也可被看作一种生命，即所谓的盖亚。

世界大势，浩浩汤汤。作为一个进化层级，人类社会的进化也服从连接的普遍规律。坦荡的华北平原和平静的地中海使得早期的处于这些地区的人类可以较方便的进行连接，最终促成了秦帝国和罗马帝国这两个区域性中央帝国的形成。而航海技术的革新使得地球上所有的民族都在大航海时代都自觉或者不自觉的卷入了世界性的连接中。中国从闭关锁国，到门户开放；从毛泽东时代的隔离于世界，到邓小平时代的改革开放，趋势都是连接代替封闭。

随着互联网的发明，人类社会正在进入一个连接的时代。丰富多样的连接使得所有人日益成为一个整体，生活在地球的人终将融合成为一个全新的生命体。和古代的连接方式相比，互联网的创新之处在于，它让信息的载体从实物变为光和电，信息传播的速度从普通物体运动的速度提升为光速。这使得地理位置的影响几近于无。从中国发一封电子邮件到美国，所需的时间比信号从眼球到大脑皮层的时间还要短。从这个意义上来说，人与人之间的连接的紧密程度，已经不亚于单个人各个器官之间的连接。

博尔赫斯的图书馆

KK不仅谈到了人与人之间的连接。他还谈到了人与信息之间的连接。人与信息的连接有两个方面。一是如何让人方便的找到信息；二是如何让信息自组织成为和人一样的智能。事实上这两个方面是息息相关的。

在《失控》中KK谈到博尔赫斯的图书馆。博尔赫斯是著名的阿根廷作家。在一个短篇小说中，他将宇宙描绘成为一个图书馆。这个图书馆由无数个六边形的小房间组成，存储了所有可能的模式。人们需要去做的是从中寻找到自己需要的模式。实际上博尔赫斯的图书馆就是万维网的原型。每一个网页就是一个小六边形的房间，而相邻的房间就是相互链接的网页。KK（或者说博尔赫斯）认为，宇宙的信息是由一种网状的结构存储的。KK还提到由于信息过多——也就是图书馆的房间太多，搜索的过程只能从一个房间到相邻的房间。其实这就是根据链接来进行搜索的思想。为了在网状的万维网中寻找信息，搜索引擎应运而生。《失控》写于1994年，那个时候，谷歌的创始人才刚刚进入斯坦福大学。

和现实的图书馆不同，博尔赫斯的图书馆存储了所有可能的模式，其中的许多都毫无意义。其中一部分已经为人所知，而另一些部分则等待人类的探寻。智能分为两个部分：对于既有知识的存储和对新知识的发现，用俗话来概括就是记性好和悟性高。从博尔赫斯的图书馆的例子，我们可以看出发现知识和搜索已有知识并无本质不同。

万维网存储了几乎所有人类已知的信息。而如今的搜索引擎技术在对于万维网的信息检索已经做得比较好了。按照《失控》的逻辑推断，科技发展的下一步便是实现在所有可能序列中搜寻新的有用序列，也即是实现有创造力的人工智能。确实，目前领先的搜索引擎如谷歌和百度都在致力于人工智能的开发， 可见KK的预见力。

结语

KK毕竟不是神，《失控》中也有许多观点被证明是不对的，比如KK相信网络的计费会像水电一样按比特收费，而加密将会使得这种计费方式可行。事实的网络上的主要收费方式是固定的接入费用加上广告或者增值收费。还有许多观点还有待时间检验，比如KK关于去中心化的电子货币成为主流的观点。智者千虑，或有一疏，尽管有这些争议性的部分，《失控》仍然堪称经典。事实上，《失控》影响了整整一代美国人，失控里的许多预言，都是被它的读者所实现的，这正应了一句流行语：最好的预言就是去实现预言。

二零一四年九月十日

王晶

我们常会听到这样一种说法：国有大型企业是中国经济的中流砥柱，个体经济，私营经济只是补充。自从国企改革之后，中国的国企越来越大，似乎这种趋势日趋明显。前些日子看到一个报道，120家央企的营业额和全国1000万家私营企业相当，也就是说，一家央企可以抵十万家私营企业。

在我看来，经济分为存量和增量两个部分。 存量对应的是技术已经完全成熟的产业，或者是资源垄断性的产业。这样的产业需要的是通过垄断来降低内耗，比如电力行业，汽车行业。 增量对应于正在蓬勃发展的产业，我们这个时代最明显的就是计算机和互联网工业。 中国的国营企业虽大，但是都是资源垄断性行业，或者政策垄断性行业。 而比较活跃的领域，国营经济都难以站住脚。所以有个说法是国营稳住存量，私营经济激发增量。

中国的私营企业发展模式不同于美国。 美国的企业终极发展目标是超大型企业，最终通过全行业垄断来提高生产效率。 中国的私营企业，更加适合走蚂蚁雄兵的中小型企业道路。 在现有的政策体制下， 一旦一个产业变得成熟，从增量变为存量，国营企业的政策性优势就会变得明显， 大型私营企业难以与之争风。

除了体制的因素外，下面两个因素也导致了中小型企业群的发展模式更加适合中国。

1. 中国劳动力过剩。 大型企业解决就业的能力不如中小型企业。 企业本身有自身的管理瓶颈， 一个超大型企业所雇佣的员工也不过数万。 世界500强全在中国也解决不了中国的就业问题。

2. 中国人生活方式的不同。 美国人的生活方式是高度“单一”的。 从波士顿到洛杉矶， 人们的生活方式完全一样。 开一样的汽车，吃一样的汉堡，买一样的衣服， 整个美国从东海岸到西海岸的差异甚至小于中国两个相邻的县城。 美国幅原之辽阔，并不亚于中国，美国拥有世界各地的移民，远多于中国的56个民族，那为什么会出现这样的情况呢？

这首先是因为集约型大工业需要广阔而单一的市场。 大工业时代普遍的商业模式是通过降价（甚至降至低于成本）来吸引顾客， 在资金链条断裂之前做到一定规模。在标准化的生产和物流下，随着规模的扩大，成本会逐渐降低，最终将低到有利可图。 沃尔玛的天天平价，Amazon免费物流，Google的各项免费服务， 说穿了都是这个模式。 规模在这个过程中至关重要。美国公司不会生产不能上规模的产品， 美国人民也买不到个性化的产品。 久而久之，美国人的生活方式就被大工业的熨斗熨成了平板一块。 另一个重要的因素是美国的历史较短，新移民由于在适应新的社会的过程中生活方式已经发生了改变，对于改变生活方式的抵触较少。

而与之相比较，中国人的生活方式就复杂而精致的多。 中国人，每到一个城市旅游，绝对少不了品尝当地的小吃。 而小吃的生意方式是美国的商人无法理解的。 夫妻开的小吃店，每天最多招待一百用户，怎么赚钱？ 另一个例子，中国很多的手工艺品，比如绣品，工序多达数百，每年的销量也不多，这样的产品，是没有办法放到流水线上去的。 这样的情况下， 市场不可能由少数几家大型公司来垄断，而只能由小企业，个体户来满足。

有一个看法是，小企业因为缺乏规模效应会降低社会的生产效率，美国的大工业模式才是发展的唯一正途。 这就是为什么小煤矿都被整合成了大煤矿。 而中国的个体户十年来锐减三分之一。 确实小企业何个体户有自己的弊病， 比如生产单元过细导致信息流通不畅， 又比如企业过小导致没有能力负担改进生产工业的投资。 但是中国的国情决定了最为可行的道路是将这些小企业何个体户整合成为蚂蚁雄兵。 在中国，最有可能出现的大型私营企业不是面对消费者的企业，而是帮助小企业进行整合的企业。

这就是阿里有这么大的想象空间的原因。 美国的Amazon远比ebay成功， 自发性的个人集市在美国这个单一市场上难敌集约化的Amazon。 而在中国，情况就完全不同，淘宝上的数百万个体商户构成了一个有机的生态系统，这个系统是中国私营经济的微缩版。 阿里目前的目光，还是放在已经在互联网上的商户上。 但是一个事实是， 中国绝大多数小企业和个体户，还和互联网没有什么联系。 让这些中小企业何个体户们跟上信息时代的节奏， 将会是一个非常波澜壮阔的事业。

谷歌编程之夏Google Summer of Code是由谷歌赞助的针对开源社区的暑期活动。学生可以通过这个项目参与开源软件的开发，并且得到5000美金的报酬。对于学生来说是个很好的经历。

参加者条件：

必须是大学本科或者研究生在读（不包括五月即将毕业的，或者九月入学的同学）。对开源事业有浓厚的兴趣。

更多信息请见：

https://developers.google.com/open-source/soc/

Honeynet Project 是一个活跃的网络安全的开源社区。今年Honeynet Project也继续参加谷歌编程之夏。有兴趣的同学可以访问下面的网站，选择一个感兴趣的idea，然后和对应project的mentor联系，或在honeynet maillist中询问

http://www.honeynet.org/gsoc/ideas

如果有同学对于network malware simulation感兴趣的，可以与我联系。我的email是hbhzwj@gmail.com

更多信息请见

http://www.honeynet.org/gsoc/ideas#project8

http://people.bu.edu/wangjing/open-source/imalse/html/

http://people.bu.edu/wangjing/open-source/sadit/html/

回家的旅途是辛苦但是富有收获的，在路上读了两本书《激荡三十年》和《邓小平传》。在这里结合以前读的《沸腾十五年》一起写一个随想。

林军的《沸腾十五年》和吴晓波的《激荡三十年》是两本关于中国产业变革的好书。前者讲的是中国互联网的发展，而后者则宏观的讲述了中国自从改革开放以来的一部经济改革史和企业史。在我初读《沸腾》的时候并没有太多的震撼，但是当读完《激荡》一书之后，我对于《沸腾》一书中的许多史实有了全新的认识。同样的，在读完《邓小平传》一书后，我对《激荡》一书也有了更多的感悟。

单一产业的发展从来是离不开整个国家的经济形势和政策，尤其是在中国这一个动荡转型的国家。理解了中国发生了什么，我们才能更好的理解经济和互联网领域所发生的这一切。

计划经济的弊病已经是无需证明的事实。中国三十年的改革开放，就是国家统死到放权给市场的过程。邓小平和朱镕基两个人在其中扮演了决定性的作用，可以说，中国的改革是由邓小平一力促成，而由朱镕基具体施行的。

1978年三中全会到1992邓小平南巡是改革的上半场，由邓小平主导。92年至今是下半场，实际的改革路线在92年到2002年的十年间由朱镕基确立。

在中国这样传统而又古老的社会，改变人们的观念从来不是一个容易的事情。中国花了14年的时间才最终下定了决心市场改革，而在1970年代末的中国，只有少数人对改革的必要性有清醒的认识。所幸的是，邓小平是其中一位。

和毛泽东不同的是，邓小平少年留法的经历使得他具有国际化的视野，他非常的清楚中国的落后和西方先进技术的重要性，并且邓小平具有更加灵活的思维。在改革的早期，邓小平着力破除毛时代留下的对于阶级斗争的观念，向全社会灌输尊重科学规律的观念。中国从此进入了一个不信马列，而信科学的时代，高考恢复，文化事业百废待兴。这为后来的一系列改革铺好了路。

正如清朝末期的改革一样，邓小平的改革开始也是仅仅限定于引进国外的先进技术，并不涉及市场经济体制。由于旧体制运行的惯性，国家妄图通过一次性引进120个大项目来迅速推进国民经济，但是实际收效甚微。国营工厂在这个时候已经积重难返，仅仅通过引进技术已经不能挽救这些共和国的长子们，国企的救赎最终在十几年后由朱镕基完成。

所幸的是另一种来自民间的力量在无意之中接过了改革的接力棒。在官方的宣传里邓小平是改革开放的总设计师，似乎是邓小平绝顶聪明，设计好了改革开放的每个步骤，其他人只是按照他的想法执行。这只不过是中国传统的脸谱式的描述方式。实际上改革开放的许多构想并非邓小平所提出，1980年代初的邓小平也没有对于中国该向何处去的清晰构想。他的伟大之处，在于给予民众试错的自由，随时准备接受每一个可行的方案。

伟人通常都是冷静而沉稳的，随时观察周围的世界，不因狂热否定任何一种可能。邓小平就是这样一位，他的做事风格使得他治下的中国人能够有更多自由，小岗村的包干到户，温州小商户的崛起，这些都是源自民间的尝试。而这些尝试，逐渐的使邓小平认识到，市场经济能够解放生产力，使得中国人过上计划经济时代不能想象的富裕生活。那么，为什么不呢？

可惜的是，这样的认识并不能一下子被整个执政阶层接受，于是出现了温州“八大王”事件，傻子瓜子事件。整个八十年代，像这样对于民营经济的迫害仍不少见。但是历史的车轮滚滚前进，民营经济最终成为改革开放的中流砥柱。过去三十年在中国发生的一切再一次论证了：一旦被给予自由，民众对于幸福生活的欲望将化作一个势不可挡的力量。

1989的运动使得改革的道路出现了曲折，左派重新开始抬头。在这个时候，邓小平以南巡的方式终结了全国对于改革的争议。南巡看到的成就使得邓小平下定了决心，他明确的表达出了对于市场改革的完全支持，对于极左派思想的反感。中国这艘航船开始向着市场经济这个方向大步前进，再无回头的可能。

和邓小平不同，学者出身的朱镕基更多的依据他的学术经验来进行中国的经济的改革。他治下的影响最深远的两个举措就是放宽汇率和国企改制。前者导致人民币大幅贬值，使得中国具有了强大的出口竞争力，中国成为世界工厂正是得益于这个措施。后者以一种非常痛苦的方式解决了国企积留的问题，抓大放小，国营经济仅仅控制能源矿产通信等国民经济命脉，其他的都放手给私营经济，现在中国的经济还是没有离开当时朱镕基设定的框架。最终国企得以重焕光芒，但是这也导致了相当长的一段阵痛期，遗留了一些社会问题。

在这样的背景下，中国互联网的许多事情就容易理解呢。中国错过了1970年代末到1980年代的PC产业革命，因为那个时候的中国虽然已经开始改革，但是整个社会并没有完全做好准备，市场环境刚刚处于萌芽状态，不可能去承载这样一个巨大的产业革命。

但是到了互联网兴起的1990年代中期，情况就完全不同呢。市场经济的总方向已经完全确定，创业不在会有八十年代那样的政治风险。加上78年高考以来储备的大量人才，中国第一次有了跟世界先进国家大约在同一起跑线上竞争的权利。

如果说中国和美国相比有什么优势的话，唯一的优势就是中国拥有大量精通美国社会的留学生，而美国人对于中国知之甚少。相对完善的市场环境，使得海归成为可能。于是田溯宁，丁健，张朝阳纷纷回国。这在1980年代是不可想象的。

资本的原始积累少有光彩的，尤其是在中国这样动荡转型的国度。中国的民营企业的资本积累通常有几种。第一种是来自于国有资产，这成为了这些企业家的原罪，许多企业家都因此落马，如伊利的郑浚怀，红塔的zhu时健。第二种是来自于变相非法集资和股票市场圈钱，早期市场监管的缺失时代使得许多人钻了空子捞到了第一桶金，他们中的一部分人最终将自己洗白，但是更多的人沉溺这种资本游戏中不能自拔，最终自食其果，比如牟其中。最晚出现的，也是罪阳光的一种资本积累的方式便是风险投资。风险投资是随着一批批海龟回潮而带入中国，最早在中国引入风险投资的人是张朝阳，他在1995年年携20万美金的风险投资回到国内创业，这时候距离改革开放开始已经有18年的时间。随着搜狐，百度，携程等一批批企业的成功，风险投资在中国逐渐的发展壮大。可以断定，由于社会转型的逐渐结束和金融监管的逐渐完善，风险投资最终必将成为最主要的资本积累方式。

最近三十年发生在中国的一切可以说是一种奇迹，在一个历史如此悠久，经济如此落后，社会如此复杂的国度进行改革，其难度可想而知，而改革一旦成功，其迸发出来的活力又是如此的令人吃惊。

常有人恨生不逢时，觉得现在已经没有机会了，我看并非如此。中国经济改革的舞台还远未到落幕的时刻，事实上，舞台的帷幕都尚未被完全掀开。中国，中国经济甚至中国互联网都远未成型。邓小平曾说：中国的改革是摸着石头过河。过去三十年虽然成绩斐然，但是我们的高速发展仅仅是在补以前落下的功课，而当我们真正迈入深水区，中国真正开始获得制度性的创新力的时候，更多的机会将会来临。