Kryptoners

想象一下夜里獨自走在一條安靜的街上，身后有腳步聲向你靠近，你的大腦旋即調動各種可用的感知來作出下一步行動的判定。你可能會用耳朵去聽或者扭頭撇上一眼，然后結合過往的經驗作出改變行走路線、正面迎接這個人或者就干脆當作沒事發(fā)生的決定。無論結果如何，你的大腦都已經將記憶里類似場景瞬時掃了一遍并作出了評估。

這就是態(tài)勢感知，我們對周遭世界作出反應的方式是如此自然，以至于常常在無意識間完成了一系列分析。各種知覺在眨眼間捕捉各維度上的信息，從聲音、形狀到氣味，將這些信息與存儲在記憶中的經驗和個人特質結合分析得出一份“可行性報告”，然后從這份報告中篩選并執(zhí)行最合理的行動。這是一種與環(huán)境溝通的原始語言，自打從我們靈長類祖先那兒繼承過來之后就沒怎么進化過。

問題是，這種溝通方式與現代化的生活融合地并不理想。

語境運算：我們的第六感，第七感，第N感……

很大程度上，由喬治亞理工大學學者Anind Dey和Gregory Abowd在十多年前定義的語境運算（contextual computing）接下來將會面臨轉變。無所不在的計算機能對各種情形的主客觀形勢作出分析，使得我們對環(huán)境的判斷和反應能力大大提升。它們也成為人類意識的延伸，成為了我們的第六、第七甚至是第八感。

這種趨勢早已進入我們的日常生活中。移動設備上的GPS功能可以通過提供適地性的服務為你的手機提供更好的信息獲取方式；Amazon和Netflix的推薦引擎可以根據你的口味和記錄來推薦書籍和影片；Facebook和Twitter則希望對你的交際圈和興趣愛好進行分析，從而把更準確的內容和廣告送到你眼前。

這些只是冰山一角而已，語境運算正隨著新平臺的出現而廣泛傳播，硬件、軟件、網絡和服務的結合可為用戶提供個性化和更先進的解決方案。坦白來講，我們得靠智能手機來普及這種服務。移動科技還不是焦點所在，因為這是個正在崛起的平臺，但是由于其貼身以及配備了各種感應器等特性，將成為一個有趣的話題。為語境運算量身打造的未來移動平臺會讓移動設備看起來更像個玩具，而不是一部擁有眾多功能的手機。

但首先，科學家、科技企業(yè)和用戶必須理解并且相信這種技術的潛力和價值。這就如同當年圖像技術和聯網技術從概念和實驗室里的作品變?yōu)橐环N商業(yè)產品一樣。

語境運算所需的4類關鍵數據

進行語境運算所需的4種關鍵數據為：社會、興趣、行為和個體。這4個方面中有些已經相當成熟，而有些在這幾年才開始流行，能自如地掌握并運用這4項數據的玩家，將在互聯網行業(yè)的競爭中占據極大的優(yōu)勢。

以上4個方面或多或少都有一些道德方面的擔憂，它們屬于一個更大的論題——隱私。

過多地透露社交方面的信息，會讓你的朋友覺得被出賣給了那些公司；興趣方面數據的公布則讓你的個人愛好展覽看上去像一場商業(yè)秀；行為類的數據可能會危及人身安全；最后，大量地展示個人信息會讓外界對你的想法一覽無余。因此，從個體和法律立場來理解這個現象是個亟待解決的問題。

與語境運算道德方面考量的含糊不清不同的是，那些企業(yè)們已經積極地從各方面建立業(yè)務了。目前出現在市場的產品和服務中，很大一部分只以這4方面中的一項或兩項作為目標，也有志在全面覆蓋的，但飽受技術不成熟和目標不足之苦。

這樣一來，由于語境運算的優(yōu)點得不到有效展示，無形中它的劣勢就遭到了放大。上述4方面的數據必須結合起來使用，才能開發(fā)出語境運算的潛力。

社會信息—鏈接，鏈接，還是鏈接

社會類的信息功能用一句話來概括就是用來說明你和你的交際圈是怎樣互相鏈接的，并解釋此類鏈接的本質和其所帶來的情感因素。

很多人以為Facebook這類網站就包括了一個人的社會信息，其實這是個遠大于社交的概念。在一個理想的語境運算情景下，社會信息可以解釋和演示個體之間有意識和無意識的互動，比如一定的服務和軟件可以將兩個陌生人帶到一起，也可以是兩個共有一個朋友的個體之間的互動。

利用平臺和服務全面調動并充分利用是發(fā)揮出這類信息最大潛力的必須條件。另一方面，對個體的信仰、行為和興趣的理解也是發(fā)掘社會信息有效價值的前提之一。

個體信息—你的信仰、性格和價值觀

個體信息包括你的信仰，你看待世界的角度和你的性格。這類屬性使得每個人都是獨一無二的存在，這與社會類信息解釋個體之間共性的特點正好相反。由于這類信息的高度概念化和抽象化，對個體信息的收集和利用之法尚在開發(fā)之中。

考慮到心理學尚且在解釋個體特性方面進展緩慢，以計算機數據形式記錄和分析此類信息的技術停滯不前也就不難理解了。

但是改變的跡象并非沒有，以Proust.com為例，他們以普魯斯特問卷的方式從用戶處收集極其私人的生活細節(jié)和個人信仰等信息。大多數情況下人們是不情愿在如此公開的社交網絡上透露此類信息的。

一個更成功的例子就是Evernote，以易用和安全做賣點的Evernote已經有相當大的用戶群，這些用戶正用這款軟件記錄著包括消費記錄和心理活動等隱秘信息。但是從這些信息中提取數據在NSA的眼中還是個灰色區(qū)域，我們需要一個全新的解決方案來發(fā)掘出其中的價值。

興趣信息—你的品味和偏好

興趣類信息圍繞在一系列互相關聯的事物存在中，不同個體間重疊的興趣愛好也在此列。不少公司已經在此領域進行投資，Twitter就正自信地走在這條路上，他們堅信能將各種話題之間的聯系繪制出來。

但是這種應用的范圍還是非常有限。例如Goodreads.com這樣的在線書店，雖然可以根據公開的口味偏好向你推薦可能感興趣的書籍，但還是比較勉強，因為對那些未公開的、更貼近你真實興趣的信息進行解讀非常重要，而這對他們來說還是大難題，他們無法搞清楚好奇心會對你的選擇作出怎樣的影響，更別提從你的閱讀中分析出其他方面的興趣了，比如餐廳和度假地點等。

行為信息—最容易分析的部分

行為部分的信息是最易于記錄的。如上文所述，無所不在的感應器和計算機擔當了這項任務，當然這也包括了自我報告機制。機械的計算機難以對你的興趣作出準確預測，與此不同，行為信息的記錄和分析對計算機來說輕而易舉。

試想你對朋友說想要去中國度假，但是事實上歐洲從來都是你的唯一選擇。一個聰明的旅行類應用會十分明智地為你推薦巴黎或柏林的旅行折扣，而不是傻傻地告訴你中國的商家正在做怎樣的活動。

行為類的數據在某種程度上為Google搜索、Netflix、Amazon、iTunes Genius、Nike＋、FourSquare和FitBit等“數字量化自我”服務提供了基礎。在和其他三方面的數據充分混合后，這類數據能為行為解密作出有效注解。

合適的時候，語境運算會是你最得力的助手

這4類信息間的鏈接將是發(fā)揮它們最大潛力的關鍵，正是相互間的關聯使它們產生共鳴。Xerox PARC的夢想家們早在1973年便開發(fā)出鼠標和圖形計算技術，但卻無法將這些領先之處作為長期的競爭優(yōu)勢保持下去，同樣地，現在去說哪種平臺或應用將會成功還為時過早，成功將建立在很多有趣的失敗經驗上。

語境運算到來的可能會比那些行業(yè)大佬們聲稱的日期再晚一點兒，但是，它遲早會來的。比爾·蓋茨的妙語是“我們總是高估了兩年內的可能性，而低估了十年內將會發(fā)生什么改變?！保ㄖ档靡惶岬氖?，他在2001年便已提出了平板電腦概念，直到2010年iPad的上市才取得商業(yè)上的成功。）

十年內，語境運算將會發(fā)展成科技界里的主導概念。拿辦公效率來說，通過將具體任務和從所在環(huán)境中汲取的數據結合分析，計算機可以為我們提供一系列可行的選項，就如開頭例子中我們的大腦同時給出數種選擇一樣。到了那時候，現在所謂的可穿戴設備將會變成“可穿戴的人工智能”。（來源：36氪 ）