Ray Ozzie - The Future of Intelligent Machines - [Invest Like the Best, EP.391]

本期速览

Ray Ozzie（Lotus Notes 创始人、微软前首席软件架构师）在节目中探讨了智能机器的未来，核心观点是：物联网（IoT）与 AI 的结合将引发下一波技术范式转移。他重点介绍了其新公司 Blues Wireless 在物理世界连接领域的实践，并指出当前构建智能机器的核心挑战在于边缘计算与云端的协同效率。重要结论包括：Azure 云平台的诞生源于微软内部对技术趋势的预判；IoT 在现实世界的应用（如 RadNote 辐射监测设备）已展现巨大潜力；AI 将催生全新使用场景，但需解决数据实时处理与隐私问题。 节目还提及 SafeCast 的起源故事，以及 Bill Gates 与 Steve Ballmer 在微软决策中的独特互动。

---

主题小节

1. 智能机器的核心是“云端-边缘”融合，而非单纯 AI

Ray Ozzie 认为，当前对“智能”的讨论过度聚焦于 AI/LLM，而真正的智能机器是云端计算与边缘设备的深度融合。他以 Blues Wireless 的 RadNote 辐射监测设备为例：该设备采用太阳能供电，能根据能量可用性动态调整采样频率，并在检测到异常辐射时自动通知周边设备提高采样率——这种“群体智能”（swarm intelligence）是机器间协作的典型范式。

• 历史脉络：Ozzie 在 2011 年 Fukushima 核事故后参与 SafeCast 项目，发现传统辐射监测设备依赖电网和有线网络，灾后立即失效。这促使他思考如何构建自主、低功耗、自适应的物理世界传感器网络。
• 机制拆解：Blues 的 NoteCard 硬件模块集成了 SIM 卡、安全元件、闪存和协议栈，开发者只需关注业务逻辑，无需处理蜂窝网络认证、数据加密等底层问题。NoteHub 云服务则负责数据接收与分发。
• 推演：未来所有物理设备都将成为“数据泵”（data pump），其价值不再仅由硬件本身决定，而是由服务化能力（如预防性维护、客户体验优化）定义。证伪条件：若设备连接成本无法降至与 Wi-Fi 模块相当，则普及速度将慢于预期。

2. IoT 的“失望周期”源于硬件复杂性，而非需求不足

Ozzie 指出，2015 年前后 IoT 概念被热炒但未爆发，核心原因是硬件开发的门槛远高于纯软件。企业级 IoT 项目失败率极高，因为 Wi-Fi 不适合商业产品（需配置、安全性差），而蜂窝网络又面临设备认证、运营商数据计划等复杂问题。

• 数据链：Ozzie 在微软时调研发现，大量企业 IoT 原型项目因“Wi-Fi 不适用于商业产品”而失败；改用蜂窝后，又因“设备认证困难”和“数据计划不匹配”而停滞。
• 竞争格局：大型企业（如汽车制造商、John Deere）能负担自研 IoT 系统，但中小企业（占全球制造业 99.9%） 缺乏相应人才和预算。Blues 的目标是让这些企业也能“像使用 SaaS 一样”连接物理设备。
• 推演：商业 IoT（如工业设备、冷链物流）将率先爆发，而消费级 IoT（智能家居）可能因“为连接而连接”陷入新一轮失望。信号：当设备连接成本低于硬件 BOM 的 5% 时，普及将加速。

3. Azure 的诞生源于对“服务化”范式的预判

Ozzie 回忆，2005 年加入微软后，他观察到公司各业务线仍固守“盒子思维”（box mentality）：Office 是 PC 上的软件包，Windows Server 是部门级服务器，Xbox 是家庭游戏机。而 Google 已率先进入“服务化时代”（services era）。他撰写的《互联网服务颠覆》备忘录（Internet Services Disruption）逐一分析了每个业务线在服务化世界中的形态——最终催生了 Azure、Office 365 和 Xbox Live。

• 历史类比：Ozzie 将微软当时的处境比作大型机时代向 PC 时代过渡——IBM 因固守大型机而错失 PC 浪潮。他警告微软不要重蹈覆辙。
• 机制拆解：备忘录的核心方法论是“跳到未来再回看”（jump to the future and look backward）：假设 10 年后所有技术都已商品化，反推当前业务应如何转型。例如，计算和存储的未来形态就是 Azure。
• 推演：当前 AI 浪潮同样需要这种思维——不要问“如何用 AI 赚钱”，而要问“AI 将如何重塑行业”。证伪条件：若企业仍将 AI 作为“功能”而非“基础设施”嵌入产品，则无法获得长期竞争优势。

4. AI 与 IoT 的交叉点：从“数据清洗”到“数据洪流”

Ozzie 认为，传统机器学习需要人工标注数据、清理数据集，成本高昂且难以规模化。而 LLM 的大上下文窗口能力，使得企业可以直接收集原始数据（无需清洗），让模型自行学习异常模式。他正在实验“仪表盘即查询”（dashboard by query）——用户用自然语言描述需求，LLM 自动生成查询并绘制图表。

• 数据链：Blues 的客户 True Manufacturing（商用制冷设备）通过连接设备，能实时监测冰箱温度、能耗和开门次数，从而预防性维护并优化能源管理。另一客户 SoFar Ocean 通过海洋浮标收集实时洋流数据，帮助航运公司优化航线，节省燃油成本。
• 机制拆解：AI 在 IoT 中的角色分为两类：人类界面加速器（如自然语言查询）和异常检测引擎（如设备故障预测）。后者需要大量未标注数据，而 LLM 的上下文窗口能力使其成为理想工具。
• 推演：未来 5 年，数据量将取代算法精度成为竞争壁垒——谁能以最低成本收集最多原始数据，谁就能训练出最有效的异常检测模型。风险：数据隐私与传输带宽可能成为瓶颈。

5. 硬件开发的“软件化”是下一波浪潮

Ozzie 指出，当前硬件开发仍处于“卡片时代”（card deck era）——需要多次原型迭代、物理测试、认证，周期漫长。而 AI 和 LLM 有望缩短这一周期，例如自动生成电路原理图、优化功耗管理算法。

• 历史类比：Ozzie 将硬件开发比作 1970 年代的软件开发——当时程序员需要写卡片、提交作业、等待结果。如今软件已实现“即时迭代”，而硬件仍停留在“物理世界的时间尺度”。
• 机制拆解：硬件开发的瓶颈在于系统思维（systems thinking）人才的稀缺——能同时理解芯片、固件、云端和业务逻辑的人极少。AI 可能通过积累这些专家的知识，辅助新人完成跨层设计。
• 推演：当 AI 能自动完成硬件设计中的 80% 常规工作（如功耗预算、天线匹配）时，硬件创业的门槛将大幅降低。信号：出现类似“GitHub for Hardware”的平台，或硬件原型迭代周期缩短至 1 周以内。

---

提及的标的

标的	嘉宾态度	关键数据
Blues Wireless（未上市）	看好（创始人公司）	客户包括 True Manufacturing（商用制冷）、American Crane（大型起重机）、SoFar Ocean（海洋传感器）
SafeCast（非营利）	看好（参与创建）	全球最大开放辐射数据集；RadNote 设备太阳能供电，续航 10 年
Microsoft Azure	看好（曾主导创建）	2005 年备忘录催生；当前由 Satya Nadella 团队实现愿景
John Deere	中性（创新但封闭）	早期 IoT 创新者，但封闭系统引发农民反弹
True Manufacturing	看好（客户案例）	商用制冷设备连接后实现预防性维护和客户体验优化
SoFar Ocean	看好（客户案例）	全球最大私有海洋传感器网络；通过卫星+蜂窝实现数据回传
American Crane	中性（客户案例）	大型起重机嵌入智能系统，用于国防和能源领域
Skylo / AST SpaceMobile	看好（技术趋势）	卫星技术有望实现 100% 全球覆盖

---

值得记住的判断

1. “智能机器的核心不是 AI，而是云端与边缘的融合。”（Ray Ozzie）——RadNote 设备通过群体智能实现自适应采样，证明机器间协作比单机智能更重要。

2. “商业 IoT 将爆发，消费 IoT 将经历新一轮失望。”（Ray Ozzie）——企业级设备连接有明确 ROI（预防性维护、客户体验），而智能家居“为连接而连接”将导致用户疲劳。

3. “Azure 的诞生源于‘跳到未来再回看’的方法论。”（Ray Ozzie）——假设 10 年后技术已商品化，反推当前业务应如何转型，而非增量改进。

4. “AI 将让企业从‘数据清洗’转向‘数据洪流’。”（Ray Ozzie）——LLM 的大上下文窗口能力使原始数据直接可用，无需人工标注，数据量成为竞争壁垒。

5. “硬件开发仍处于‘卡片时代’，AI 有望将其软件化。”（Ray Ozzie）——当前硬件迭代周期长、人才稀缺，AI 可能自动完成功耗预算、天线匹配等常规工作。

6. “商业价值与领域特异性成正比。”（Ray Ozzie）——通用平台终将商品化，而垂直领域（如医疗、物流）的深度解决方案才能创造长期价值。

7. “年轻创业者应先在大公司‘服役’几年。”（Ray Ozzie）——理解企业组织动力学、采购逻辑和复杂系统管理，比直接做消费应用更有价值。

8. “Mitch Kapor 的信任是职业生涯最大杠杆。”（Ray Ozzie）——即使不理解你的愿景，也愿意支持你的激情——这种“非理性”支持是创新的关键催化剂。