未來十年:科技將如何改變我們的習慣、生活、以及產業

Benedict Evans
服務於美國矽谷以科技公司為投資對象的Andreessen Horowitz(a16z)投資公司;喜愛研究周遭事物、以及未來即將發生的趨勢。 本站已獲得作者與其所屬公司之正式編譯授權。

如同筆者在前一篇文章中說的,智慧手機的飆速創新時代已經結束,創新的腳步也越來越慢;至於下一個明星產業會是什麼,科技圈裡的每個人都急著想知道。

很多人說,「人工智慧將是產業的下一個火車頭」,或許如此,但其實還有許多其他的科技發展正在進行之中。

一方面,拜基礎科技的進步之賜,我們已經享受到許多新的成果;未來,電動車和自動駕駛技術將會改變城市風貌,虛擬實境(VR)和混合實境(MR)將會徹底改變電腦的使用體驗,而機器學習和人工智慧也會讓電腦回應人類的方式有所不同。而上述這些技術的共通點,在於它們都還在萌芽期;而反觀智慧手機,則是即將到達創新發展的末期。

另一方面,未來會有一些改變,並不是來自技術的進步,而是來自消費者的行為習慣、以及經濟體系的改變;這些改變的規模並不亞於科技帶來的影響,而且發生的速度可能還更快。

電動車與自動駕駛

科技所引發的消費習慣與經濟體系改變,對社會的影響比科技本身更大。

談到電動車和自動駕駛,電動車是已經上市的產品,而且還有繼續發展的潛能;而自動駕駛則需要大約5到10年的時間,才能看到成熟的商品上市。這兩種技術的普及,將會撼動整個汽車產業的根本,讓「生產汽車」、「擁有汽車」、「駕駛汽車」的定義跟現在完全不同。

今天,車用汽油佔了全球石油消耗量的一半,而且每年有125萬人死於車禍;但這些在電動車和自動駕駛技術普及之後,都將有所改變。但這些改變不只是表面上的現象,而是當自動駕駛讓車禍、停車、塞車問題陸續消失之後,整個城市的規劃方式和風貌,也可能因而有非常大的改變。

舉例來說,如果現在的停車位將來可以移作他用、釋出到地產市場、或是移到其他原本想不到的地方,城市會有什麼樣的不同?如果大眾運輸工具比現在更方便、而且路上不會再塞車,我們選擇住家的條件會有什麼改變?

如果郊區居民只要花一杯咖啡的代價,就可以叫到自動駕駛計程車、省去找停車位的麻煩,跑一趟市中心吃大餐或買東西,對消費習慣會有什麼影響?如果路上的每一輛車子知道車上是誰、也彼此交換資料,會讓執法單位的工作更輕鬆嗎?

虛擬實境(VR)與混合實境(MR)

同樣的,VR和MR也還需要幾年時間,才能大舉進入一般消費市場。目前市場上已經有一些VR產品、也有一些相當早期的MR技術;但目前的這些技術,就像我們在2005年看手機上的「多點觸控螢幕」一樣:是有這種東西,可是還不夠成熟。

但這些產品總有一天會進入大眾市場,而且它們帶來的衝擊可能不會小於當年的iPhone;尤其是MR,因為它能將虛擬物件與實體世界混合,所以甚至可能影響到人們對於實體世界的認知。

就像我們在1999年試圖預測行動網路一樣,當時想到的可能只有「隨時可以看股市行情、頭條新聞、天氣預報」,但以今天的角度回頭來看,這些其實都已經不是重點。

機器學習與人工智慧

機器學習是已經存在的技術,也已經成為許多產業革新的關鍵基礎,跟前面提到的MR或自動駕駛發展也有非常緊密的關係。就如同過去的關聯式資料庫、或是後來的手機定位,機器學習將會成為各種產品的一部分,不僅讓原本的產品變得更好、也會讓許多新創企業提供令人意想不到的服務。

1970年代,電腦就已經可以「閱讀」文字,而往後的電腦還可以閱讀圖片、影片、聲音;這樣的能力可以幫人們做什麼事情,或許我們現在還沒辦法完全想像得到,但因為這樣的技術也還在早期發展之中,它的進步也可能會啟發我們找到新的使用方式。

總而言之,我們可以看到許多未來的重要基礎技術正在萌芽,但也有些改變已經正在發生;而這些正在發生的改變,受消費行為、主要企業的策略、以及經濟發展「翻轉點」的影響,比新科技所帶來的影響更大。

消費行為的改變

例如電子商務。過去20年來,電子商務基本上是沿著一條直線往上成長,至今已經對傳統零售業者帶來相當大的威脅。類似的事情也發生在傳統報刊上:固定成本結構沒有太大的改變,但獲利能力不斷下滑,而且實體通路的優勢幾乎已經消失殆盡;雪上加霜的是,傳統的資訊傳遞路徑正在解構離析。

零售業和報刊出版業,都已經面臨各自的「翻轉點」。

無論零售業也好、報刊出版業也好,都已經面臨各自產業的「翻轉點」;這一點在原本店面生意相當發達,每人平均分配到零售賣場面積最高的美國尤其明顯。如果零售店面一一關門、大家都轉往線上購物(有些人則是因為住家附近的店都關了,只好上網去買),買的東西就會跟從前不太一樣。同樣的,如果現在我們都在網路上「看報紙」,接收到的訊息內涵也會變得不太一樣。

從前,我們經常在街角的雜貨店買東西;街角雜貨店一一消失之後,我們改到百貨賣場購物,再改到大品牌的專賣店。這些地方的性質都不一樣,我們買的東西即使性質用途類似,品牌和包裝也不一定相同。

電視產業的翻轉點

同樣的,電視產業的本質,目前受網路影響還不是非常明顯,但已經開始有不穩定的情形發生;尤其在有限電視頻道供過於求、人們也普遍透過電視消費的國家,革新的需求更是迫切。

近年來,許多提供隨選視訊服務的廠商,一直試圖重新創造新的電視經營模式,因為隨選視訊能提供新的收視體驗、以及更有價值的新服務,更重要的,是新的成本結構(至少不再需要由客服人員和拉線師傅所組成的大軍);也就是說,電視產業的「翻轉點」也即將到來。

廣告行銷預算的版塊移動

前面提到的各種轉變,無論是零售業、電視業、甚至相關的廣告產業,都牽涉了相當大量的資本投入。在規模高達5,000億美元的廣告市場中,有高達三分之一的比例已經移到網路上,其中又由Google和Facebook賺走了一半以上,但電視廣告的規模卻仍然沒有改變太多;因為,網路廣告所提供的視聽內容和體驗,還不足以吸引廣告主將預算從電視大量轉移過來。

超過1,000億美元的網路廣告預算,Google和Facebook賺走了一半以上。

因為提供網路電視服務的Netflix和Amazon,都還沒有置入傳統形式的電視廣告,所以雖然有不少收視人口已經轉移到網路上,但廣告預算多半還停留在傳統電視頻道。但這一點也將會有所改變,只要有更多觀眾轉移收視重心,廣告預算跟著跑也是理所當然的事情。

或者更深入的思考一下,如果觀眾的購買行為也開始轉移,廣告投放的對象就會變動得更快。如果到了某一天,人們的購物和電視收視習慣都已經到達「翻轉點」,這5,000億美元的預算會由同樣的廣告主、以同樣的比例、用同樣的廣告型態、來試圖推動同樣的銷售結果嗎?

改變的不只是產業,還有你

如眾所週知的,Google和Facebook目前主宰了大多數的網路流量、也主宰了大部分的網路廣告營收,而且在行動網路和機器學習等技術的加持之下,看起來主宰的力量還會變得更強。而我們可以探究的問題還有很多:這兩家公司還能掌握多少預算?除了這兩家之外,Amazon又可以掌握到多少?Amazon的「你只看到利潤空間,但我看到的是更多機會」1這個理念,究竟有多少機會可以實現在廣告上,讓Amazon自己根本不需要在廣告上花錢?除了5,000億美元的廣告預算之外,各個產業的另外5,000億美元行銷預算又會花落誰家?

現在,讓我們再回頭想想汽車、MR、以及機器學習之類的未來科技:這些技術在日趨成熟、甚至大舉來襲之前,會先改變我們的生活和消費習慣嗎?

如果有一天,機器學習功能聰明到瞭解你的審美標準,於是在MR眼鏡上建議你幫客廳買一對「你應該會喜歡的檯燈」、而且以虛擬方式把它擺在「你應該會喜歡的角落」,你買、還是不買?

(譯/傅瑞德

編輯延伸討論

技術引導消費習慣、消費習慣引導廣告預算分配、預算分配又影響技術應用方向,似乎是過去數十年來一直不變的準則;作為消費者,我們無論有沒有意識到這樣的走向,無疑都已經身陷其中。至於網路,只是讓這些訊息更貼近我們、在更多時候影響我們而已。

在印刷媒體的時代,我們或許也會因為看到雜誌廣告而購買特定的產品,但一旦闔上雜誌,影響也就跟著結束;但在連網手機上,不只在看網站時會順便看到廣告,即使在不看手機的時候,可能也會看到(夾在必要訊息中的)推播訊息,而且點一下就直接去購買。

這樣的訊息強度和連結,是過去傳統媒體時代所沒有的;即使是主文中提到、過去已經影響我們50年的電視,在這方面都不得不甘拜下風。

如果有什麼技術能夠創造更強的連結,那可能就是MR,也就是「模擬購買行為完成之後結果」的技術。即使我們因為看到手機推播訊息,因而在線上完成訂購,但產品有多好、有多美,多半還是要靠腦補;但如果可以看到產品買回來之後的樣子、或是穿在身上有多適合,應該會更進一步刺激腦中「購物腺素」的分泌,讓訂購行為更容易完成。

然而,這其中的陷阱在於,把「模擬結果」推送給你的背後,真的是「懂你審美標準的人工智慧」,還是廠商在經過計算之後「覺得你有興趣會買」的結果?

這兩個結果或許接近,但卻是基於完全不同的動機:一個是基於你自己的偏好,只是人工小秘書幫你整理出來,但另一個則是基於你遺留在外面的個人資料、購物記錄、聊天內容、朋友圈關係、按讚或轉貼文章偏好等資料,在眾多廠商(包括資料收集與分析者、以及購買這些資訊的產品或服務供應商)得以獲利的前提下,再透過讓你「買原來沒打算買的東西」再撈一筆。

這樣的商業循環,現在就已經存在,而且我們每個人可能都有因而買東西的記錄;例如你在Facebook上看到的「推薦廣告」,就是這樣的機制。然而,我們大可以自動忽略這些推薦廣告(即使有時候會納悶「它怎麼知道我剛才跟朋友聊了什麼」),但如果到了未來廣告藉由各種技術變得更貼身、更難以避開或忽略的時候,我們的消費習慣又會有怎麼樣的改變?

你會相信系統推薦給你的產品是真的基於你的喜好,或者其實只是廠商精美的演算法所歸納的結果?


喜歡我們的文章嗎?按讚立即加入粉絲團 :)

獎勵作者

歡迎您以點數獎勵作者:

關於點數的獲得與使用方式,請參閱說明