重磅：美国顶级风投重点关注的16个互联网方向！

其实我们不按「主题」投资，我们投资的是拥有突破性创意的创业者。所以我们一般不会按照某个行业预设的一些理论进行投资。虽然这样说，我们也同时在做一些思考和观察。下面这16个领域就是我们未来会重点关注的投资领域：

　　 1.虚拟现实（VR）

在虚拟现实（VR）的世界里，「临场感」是一种艺术。这是说，一旦VR达到了某种水平，你的大脑就被欺骗了——在最原始最底层的层面——你就会认为你眼前看见的东西是真的。有研究表明，即使你的理性告诉你并没有真的站着一个悬崖边，你鼓起所有勇气准备往下跳，你的原始的掌管动作的大脑部分也会阻止你那么做。

有了「临场感」，你的大脑会让你感觉自己不是带了一个设备而是浸入了一个不同的世界。

计算机狂热者和科幻小说作家已经期待VR几十年了。但是早期的尝试，尤其是90年代，很让人失望。因为那时候技术还没有准备好。而由于摩尔定律、以及移动设备蓬勃催生的处理器、屏幕和加速仪等技术的发展——VR终于进入到主流世界了。

我们用一个专有名词「终止怀疑」（suspension of disbelief）来形容我们看电视和电影的体验。这也是说我们在看电影电视时的默认状态是「不相信」。我们只有在足够浸入的时候才能真的「相信」。

而VR技术，情况反了过来。大脑的默认状态是「相信」，相信我们看到的东西是真的。一切从「太无聊」变成了「太强烈」。我们需要不断提醒自己我们看到的不是真的。「终止怀疑」变成了「终止相信」。

这意味着有一些软件在VR环境里可能难以成功。比如像《使命召唤》这类大型游戏如果做出VR的东西也许会更令人感到害怕和不安。

而更可能成功的是一些简单的体验。比如：穿越时间看看古罗马是什么样子；攀爬摩天大楼以克服恐高症；为飞机降落进行精准训练；迅速回到你上次度假的地方（因为你当时拍摄了「3D照片」）；和一个失联很久的朋友吃个午餐；像如今在现实生活中与人合作一样，在VR世界中和人建立联系与信任。

未来几十年的VR，会像开始几十年的电影一样。电影制作者一开始什么都不知道：如何编剧、如何拍摄、如何剪辑等等。他们花了几十年的时间，建立了电影语言。在VR上我们也将进入这一时期。

VR上会出现很棒的游戏，并且它可能在很长时间里都会占据VR这个领域。但从长期来看，游戏只是媒体的一小部分。最开始的电视节目就是新闻栏目和游戏类节目，但如今电视屏幕已经被视为承载内容的输入/输出工具了。

VR会是终极的输入/输出工具。有些人把VR称作「最后的媒体」，因为之后任何媒体都可以在VR之内，用软件产生。回看历史，如今我们在用的电影和电视屏幕可能是电的发明以及VR发明的一个中间状态。孩子们会觉得，他们的祖先原来会盯着一个长方形的东西看并且希望自己相信里面发生的事。

　　 2.企业的「传感器化」（Sensorification）

几年前，一群消费级(2C)的互联网公司看到手机后说了一句「我靠」。他们都看到了，所有的流量以后都会来自于手机而不是PC。为了利用手机带来的商机，以前做的一切都要重做。直到现在，还有公司仍在进行这个转变（而有一些甚至还没开始）。

而在今天的企业环境中，类似的事情也正在发生——企业服务也要迎来「我靠」的时刻了。但这并不是把企业服务带到移动端这么简单。可做的远不止如此。

想想如今智能手机所展示的无限可能性。智能手机的形式及其功能的复杂性都将商业形式引向了以前无法想象的境界（比如共享乘车服务等）。而其中最重要的原因就是行业的「传感器化」，加上移动端的浪潮以及友好UI的共同作用。

同样的「传感器化」也要进军企业环境中。

企业UI严重落后。所有那些在智能手机上习以为常的操作动作——缩小，放大，滑动，点击，语音，甚至单纯用手指随意移动——在企业环境中都没有实现。用户界面永远是最后被考虑的，是建完数据库后做的最后一件事。这种情况正在变化。

那么「传感器们」从何而来？想想手机的特点。我们并没有那么多屏幕或者功能可以使用。传感器基本上是连接到信息和动作的「快捷方式」，用户不需要什么操作。比如，我们不用每次都手动输入地址，GPS只要简单地告知手机「你在这儿」就可以自动处理下一步工作了。

在企业环境中，传感器的价值在于成为用户界面的快捷键，甚至有可能消灭打字，然后我们就可以把注意力放在简单，有趣又有创意的事情上了。

　　 3.机器学习+大数据

在a16z, 我们认为「大数据」和「机器学习」是相关的两件事。一直以来，人们认为需要对各种数据进行更深入地分析和洞察，这点当然是重要的，因为直到现在我们一直都处在大数据的收集阶段。但在大数据的世界里，最令我们兴奋的创新点是，我们来到了预测阶段——处理收集到信息的能力、学习模式的能力以及基于已知预测未知的能力。

机器学习之于大数据就如同人类学习之于生活经验：人类归纳和总结过去的经验来处理陌生情况。而大数据中的机器学习会复制这种行为，并且是在一个巨大的量级上。

过去的商业智能 (Business Intelligence) 表现为对以往的关注（「在肯塔基州已经卖掉了多少双红色鞋子？」），现在我们则需要预测性的观点（「在肯塔基州将要卖掉多少双红色鞋子？」）。重要的是，机器学习并不是目的本身，它是每个应用的一个「属性」。它并不是一个独立的功能，「Hey，让我们用这个工具来预测吧。」

以Salesforce为例。目前它只能呈现数据，用户要自己分析这些数据，产生自己的观点。然而我们中的大部分人都被Google训练过了，习惯了从成千上百的可能性中筛选要使用的信息来定制我们自己的用户体验。为什么机器做不到呢？企业应用——在每一个能想象出来的案例里——也将更加智能，因为机器可以在海量的数据中不断学习并发展出「观点」。它就像是做任何事的时候都可以帮到你的一个聪明且经验丰富的助手。

　　在这里，关键的是要形 成大 数据本身就能带动应用程序来做出动作，而不需要人工干预。（我的同事Frank Chen称它为程序建筑中的「内部大数据」）。

但所有这些都会在基础设施层面推动创新，同时也从中获益。

大数据需要大计算：Hadoop和Spark在大数据技术版图的什么位置

把大数据和机器学习看作三步：收集，分析，预测。目前为止，这些步骤彼此分离，因为我们一直以来都从底层建立生态系统——选择各种工具——并进行针对性实践。

早期的Hadoop堆栈就是收集和储存大数据的例子。它允许其在一大群廉价的服务器上进行简易的数据处理。但Hadoop MapReduce则是批量处理的系统，并不太适合交互式应用；像数据流处理的实时操作；以及其他更复杂的估算。

对于预测性分析，需要一些基础设施，能更快响应人类级规模的交互：今天发生的哪些可能会影响明天？需要一直有大量持续的迭代，让系统智能，让机器「学习」——探索数据，将其形象化，建模，提问，得出答案，导入其他数据，然后重复该过程。

越实时，粒度越细，我们就可以更快响应，更有竞争性。

旧世界中「小数据」的商业智能（BI），只在数据库上放一个小型应用驱动就足够了。而现如今，我们要处理千倍于以前的数据，所以为了速度能跟上，我们需要平行的，以内存为存储机制的的的数据发动机(data engine)。为了大数据能解锁机器学习的价值，为我们在应用层面就展开部署。这也就意味着「大数据」需要「大计算」。

这就是 Apache Spark 的作用了。因为它是堆栈中内存、大计算的部分，比Hadoop MapReduce 快上百倍。同时它还能提供交互性并不局限于批量模式。Spark 在哪儿都能运行（包括Hadoop），把大数据处理环境转换成实时数据捕捉和分析环境。

在大数据/大计算生态系统中的每一层面我们都有投资，而这个领域仍有很多创新的余地。因为大数据计算已经不再局限于单一的政府机构和大公司了。即使早期的应用更倾向于出现在数据科学家工作的行业，机器学习作为所有应用的「属性」——尤其是和一个友好的用户界面相结合的时候——就能让大数据进入到各个不同领域，而在这基础之上有机会诞生出很多伟大的公司。

我相信每款应用都将重构来利用此趋势。同时感谢大数据和大计算的革新，让这一切成为可能。我们处在机器智能加速时期的起始阶段，这会对商业体系和社会产生无限益处。

定义

-大数据：收集大量的信息，无论是结构性的还是非结构性的。

-大计算：从大数据中提取价值所需的大规模（一般来说是平行的）处理能力。

-机器学习：计算机科学的一个分支，不用高级别的算法来解决明显的，命令式的逻辑问题，而是用低级别的算法来发现暗含在数据中的模式。（想想人类的大脑从生活经验中学习vs.从明确的指示中学习的区别）有越多的数据，学习就越有效，这也是机器学习和大数据会复杂地联系在一起的原因。

-预测性分析：用机器学习来预测未来的产出效果（外推法），或者从已知中推断未知数据点（内推法）。