ThougtWorks中国的Tech Strategy 2.0初探 | MD脑洞

《MD脑洞》系列之

 此篇文章为《MD脑洞》系列第十篇。

转眼已近年底，本来正在思考ThoughtWorks中国区技术和业务的未来。正好几周前在墨尔本参加了ThoughtWorks Council的会议，其中一个重要的环节是讨论推进中的Tech Strategy 2.0的规划，对我帮助很大。

Tech Strategy是要定义一个愿景，这个愿景将指引技术在支撑商业和社会进程中所承担的角色。（The Technology Strategy defines a vision for the role technology plays in support of business and society.）如下图ThoughtWorks的价值创造理论（Theory of Value Creation）所示, 我们的价值在于从技术驱动的商业变革中发现创造商业和社会价值的机会，而这些机会的捕获和实现，则依赖于围绕我们技术战略所建立的各项能力。

Source: ThoughtWorks

ThoughtWorks的Tech Strategy的出发点是识别技术、商业和社会板块的移动趋势（Seismic Shift）。在这些宏大的故事主线底下，是一系列的技术发展，推动着这样的宏观板块的移动。ThoughtWorks需要根据这些现象的观察和判断，制定相应行动，包括培育相应能力，孵化和推出新的服务。

ThoughtWorks识别了五个宏观板块的变化：

• Evolving interactions

• Humanity, augmented

• Rise of the platforms

• Security, privacy, transparency

• Rise of the robots

这里每个变化趋势后面都有着大量的技术进步产生的推动力。以“Humanity, augmented”为例，人们将发挥机器日益增强的优势，机器将有能力无处不在地部署触点以收集数据，同时发挥其处理海量数据能力，提供相应的决策推荐，并以自动或半自动的方式，凭借功能强大的执行设备，将决策反馈影响到现实的物理世界。 人类将更加关注发挥经验、直觉、创造力等独特的优势。人和机器的合作将发挥更大的力量。

凯文凯利在《必然》里提到，自从深蓝在1997年多次击败顶级象棋棋手后，卡斯帕罗夫提出了“人加机器”(Man-plus-Machine)的概念。在平时训练中，人工智能的陪练让人类自身的能力得到大幅提高，而在比赛中，人类棋手和人工智的协作则能显著增强技战水平。在2014年的自由式国际象棋对抗锦标赛上，纯粹使用人工智能的选手赢得了42场比赛，而人机一起参加的选手赢得了53场。

讲了这么多，这些跟我们有什么关系呢？这些宏观板块的范围都很广，产生商业价值的方式很多，涉及的技术也是种类繁杂，我们不可能什么都做。那么ThoughtWorks应该把注意力关注在什么上呢？

在公司Council会议上给出第一个关注点是Intelligent Empowerment，我们希望通过机器学习等数据技术帮助企业的业务转型，实现数字化企业向算法化企业的跨越。这其中覆盖的技术包括机器学习，数据平台&实时分析，智能助理，声音和视频识别，语音作为普遍存在的交互界面，智能系统和生态等等。如果我们大致分类，这些技术大多可以归到基于人工智能或其它智能分析技术，以及基于IoT的数据收集、交互和执行能力。

那么我们跟其它做AI的公司有什么区别呢？ThoughtWorks更加关注数据使用中的伦理道德，对个人隐私的尊重，对数据和算法中潜在的偏见保持警醒，我们更多地把着眼点放在企业的业务敏捷和管理透明度上。

在分析了中国区面对的市场，以及我们的定位和核心优势之后，我们认为数据和IoT是突破方向，加上这两项技术依托的平台技术，特别是各个层面的云（包括公有云和私有云）平台技术，这三个领域将会是我们Intelligent Empowerment的工作重点。

IoT领域纷繁复杂，ThoughWorks既不会去做传感器，也不会把重心放在芯片、组件等电子工程方面，朱晨在最近的一次分享中说过，“ThoughtWorks是作为IoT系统方案的供应商或传统产品的升级合作伙伴”。而在制造Intelligent Things with Service和跟我们的客户一起建设Intelligent Services with Things两个方向之间，我们更倾向后者。面对客户的时候，我们想的不是给客户做个什么有趣的设备，而是要思考——“互联的设备和服务在客户的服务化战略上下文中能够发挥什么样的重要作用？”

技术层面上，我们的注意力可以放在三个领域：整合各种sensor和actuator的IoT技术栈，IoT Product System Design，IoT数据分析技术。同时，我们在深圳的IoT中心将承担起建立跟材料和组件供应商、硬件设计公司、生产制造商等供应链上游公司的联盟合作关系。

source: ThoughtWorks IoT团队负责人朱晨

说到人工智能，大家看到Google、微软、BAT投入的美刀都至少是以亿计，我们作为一家中等规模的专业服务公司又有什么优势，能做什么呢？这个问题其实就好像在问，亚马逊和微软提供了云计算的平台，我们还要不要提云计算战略，是否还要寻求更好的相关架构、开发思想和实践，是否还要改善工具和提升能力。

就像一位前同事在一个讨论中说的，我们并“不去发明算法，我们要用工程技术上的优势，降低开发者和企业运用机器学习等技术创造价值的难度”。杨博正在开发DeepLearning.scala，试图构建具备更强业务场景表达能力的深度学习框架，让软件开发人员在使用深度学习算法时，用自己熟悉的复杂数据结构，让开发相关的应用在工程上变得更加容易可行。数据团队已经开源的DeepDarkFantasy，也是在这个方向上的努力。

有人说我们没有互联网公司的海量数据，怎么做大数据？我们并不需要跟互联网公司比数据规模。大型平台公司要么用围棋这样的问题做前沿性探索，要么投入到实际应用的大多是解决语音、图像识别等通用型问题。跟他们不同，我们要让AI进入到企业特定商业场景的问题域。

而云计算作为未来IoT、Data战略和其它应用系统的的缺省推荐的基础设施，早在Tech Strategy1.0版本里就已经被重点提及。在那个版本里，我们希望把改变游戏规则的云计算思维和能力带给我们的战略客户。这个策略在海外发达国家市场进展的不错，但在国内，由于众所周知外部因素，也可能因为我们没有足够的努力和能力推动客户采用新技术，总体进展并不理想。

我们的大多数应用还部署在客户的数据中心，即使是云上，也较少发挥云计算能够提供的全面潜力。今天，在Tech Strategy2.0里，平台成了关注的焦点。端到端DevOps能力的Pass，基于Microservice和Serviceless的架构，提供Data Analytics/AI as Service的数据平台，集成支持各种senor和actuator的网关并提供数据分析和响应的IoT平台，这些将是我们的推动的方向。当然，同时我们还得继续补Tech Strategy1.0的课。

不过，如果我们不想让积累的能力只是沦为个人爱好，就要意识到，单纯的技术和能力距离创造商业价值之间还有巨大的差距。如果我们不想简单拷贝市场上其他人的做法，就得形成自己独特的价值定位，要依靠我们自己的学习、观察、思考和验证，所谓格物致知。市场、销售和项目团队都是我们面对市场的触点，只有大家都有意识地识别有价值的业务场景，才有可能让我们捕捉到商业机会。能力和业务场景之间的持续反馈和验证，就有可能让我们孵化出新的业务。

MD心声

市场需求和我们能力建设之间的鸡蛋的问题，如何破？

---

- 相关阅读 -

点击【阅读原文】可至洞见网站查看原文&绿色字体部分的相关链接。

本文版权属ThoughtWorks公司所有，如需转载请在后台留言联系。