技术是企业的核心竞争力，但所有技术都能为企业带来巨大经济效益吗？事实证明是不一定的，因为必须是可商用化和规模化的技术，才能给企业带来巨大经济效益。技术分两种，一种是研究型技术，一种是商用化技术，研究型技术关注可能性不关注成本这些经济效益，而商用化技术是对研究型技术的进一步市场化发展，关注商用化成本，关注最终的经济效益。
技术商用化路上太多坑，很多技术是表面风平浪静的海面，但水下却有无数的巨大冰山，很多潜在危险都是被人逐步发现的，直到最后被困死在里面，下面举例说明这类技术。
AI技术
AI技术这几年非常火爆，资本投出了很多AI独角兽公司，但这种成功更多的是资本的成功，大家把AI过分夸大了，很多媒体讲AI将取代人类，似乎AI比人类聪明很多，因为谷歌的Deepmind让AI在围棋领域战胜了人类。但事实上，AI战胜人类的领域都是有边界领域，可以通过大规模计算获得最优解，但人类要解决的很多问题是无边界的，比如下图讲到的NLP，自然语言分析，AI的一个分支。NLP的目标是实现像人类一样的对话，但实际上这个对AI来讲太难了，而对人类却是一个非常简单的事情。很多服务智能机器人其实是一种”智障”状态，就是因为NLP领域遇到的问题，导致AI真正落地还非常困难。Deepmind这种围棋的项目更多是学术性的，很难有真正的运用场景，存在商用化问题，导致谷歌的10亿美元亏损，当然这个对谷歌可能小数目，但对其他公司就不是了。
AI还有一个巨大的应用障碍就是数据问题，现在成功运用的领域，比如人脸识别，因为已经具备了数据条件，公安部有多数公民的照片，但在工业领域，这个条件是不具备的，导致AI在工业领域的应用成本太高，所以，才有下面文章提出的小数据模型，来解决数据的问题，当然如果小数据模型如果能够成功，会大大提升AI商用可能性，但这个小数据模型还是一个研究课题，是学术上还没有有效解决。
具体的更详细的对AI技术的揭秘，请您参看”揭开人工智能面纱”。
自动驾驶技术
自动驾驶是AI技术的最难的运用场景，应该是AI技术当中的皇冠，因为自动驾驶要求数据量大，准确度高，识别速度要快，而且要求可靠性极高，因为任何错误判断都可能导致生命的代价，现在AI技术的准确率不能达到多个9的可靠性，所以真正规模应用还是遥遥无期的，连最先做自动驾驶的谷歌大佬都讲，自动驾驶遥遥无期。即使准确率达到要求了，自动驾驶是个系统工程，需要主机厂的配合，主动权在主机厂那里。即使主机厂配合这关过了，高高的成本又谁来买单呢。协和飞机比普通飞机快一倍，商业运营了几十年，但最好还是因为成本问题失败了，自动计算对普通人来讲只是一个锦上添花的功能，没有太多人会为此买单的，就和没有很多人为协和飞机买单一样，很多人需要价格优惠，不需要那么快的速度。所以，商业成功是一个非常复杂的事情，不是产品稳定可靠就行，必须要考虑成本问题，成本没有过关，一切都白搭。
电动汽车技术
电动汽车领域也是一个看似美好，但商用化道路困难重重的领域，最大瓶颈在电池上面，而且因为国内企业在电池管理上面技术不过关，往往导致续航能力不行。而且即使续航能力不错，如特斯拉，也会因为能量密度太高出现自然问题。即使国内电动汽车续航能力过关，充电桩建设也是需要时间来完成的。而且电动汽车电池成本非常高，电池一般只能使用5年，5年以后需要换新电池，这也是一个巨大的成本，如果政府补贴减少，这部分成本谁来承担呢。很多普通消费者购买电动汽车，是因为大城市车号问题和政府补贴，只有少数人购买特斯拉是耍酷，不差钱。补贴慢慢褪去，购买成本上升，又能有多少消费者买单呢。特斯拉在中国建厂，应该会降低生产成本，但原料成本还是降低不了的吧，本人认为电动汽车真正实现盈利还是需要些时间的，就看哪个企业可以坚持到最后啦。
新能源光伏发电技术
2010年左右，中国出现一次光伏行业的泡沫式发展，一些大的光伏企业，如无锡尚德，濒临破产，关键原因是很多生产设备和原料都把控在国外企业手中，生产成本太高，国外设备厂商挣了大钱。但随着2015年以后，一些新技术，如金刚线切割技术的应用，生产成本大大的降低，现在光伏发电成本在逐步靠近火力发电成本。光伏发电从当初的火爆泡沫到现在逐步走向成熟，花了10年的时间，专家预计还需再过几年才能实现平价上网的目标。
总结
技术的最终目标是为了提升生产效率，所有市场化和规模化是一个绕不开的坎，看清楚这些坎则获利，忽视这些坎则泡沫赔钱。
