从稀缺到平凡的转换，藏着技术创业的规模机会

稀缺到平凡，是一个规模化的过程，技术创业促成这一个“技术大众化”的变化，就面向了更多的客户群体。以数据科学为例，市场已经进入到 “单例/局部” -> “集成/全局”的创新通道上，不是说单例和局部的优化没有价值，而是说当前的情况下，从集成和全局的视角出发，性价比更好。

使用越简单，客户群体越大

开发算法是数据科学家的工作领域，需要极高的学术能力；使用算法，是数据工程师的领域，需要极高的行业垂直认知。通常认为数据科学家的人数更少，难度更高，实际上深入行业的“高工”人数更为稀少，我们所看到的“大量”工程师，是指从事相对“高工”来说，更简单工作的。

随着使用难度的降低，客户群体会逐渐变大，这是对技术创新的奖励，属于“技术下沉”带来的红利。

每种“技术下沉”，都有对应的方法

1. 算法工程化，如机器学习框架（封装多种算法）/机器学习平台（封装算法和资源）

   • 稀缺的算法能力 -> 普通工程师，例：国产机器学习框架oneflow
   • 稀缺的工程能力 -> 算法开发者

2. 语言，有两类分支

   • 开发一种领域专用语言，降低使用算法或工程化的难度，如

     • Kur，一种深度学习专用语言
     • Gen，MIT提出的AI专用编程语言

   • 已有语言的能力拓展，让客户群使用熟悉的技术栈进入新的技术领域，如让数据分析师具备数据模型的能力

     • Byzer，类SQL语言，用于数据智能
     • SQLFlow，类SQL语言，用于数据AI

3. 低代码/无代码，让具备一定逻辑能力的业务方，进行简单数据开发，也可以是提高数据分析师和工程师工作效率的工具

   • 海致BDP

4. 创新型BI，通常基于NLP等技术，通过近似问答的方式，由AI自动输出数据智能结果，直接将数据能力下沉到一线的业务人员

   • MagicBI，AI驱动和搜索式的下一代智能分析平台
   • 北极数据，增强型数据分析工具

每个方法都有受众，只是多寡不同

一种技术能力扩散到更广泛的客户群，都伴随着降低准确性、牺牲效率、舍弃高难度能力的代价，从目前的市场趋势看，创业机会的分布是哑铃状的，底层框架难度大，成功后价值高，有垄断效果；应用层的增长型BI客户群基数大，收费更容易；而中间的语言类和低代码类，更多像是实现框架或数据应用的工具，需要投入更多运营资源，才有机会形成规模。

标签：无