序 章
福特主義
社群自造
自動駕駛
數據大腦
企業之車

部分 商業動力繫統
章 經營三體
大頭針實驗
產 品
客 戶
員 工
第二章 思維轉場
品 客
品 員
客 員

第二部分 駕駛企業之車
第三章 關繫重聯
鏈接威力
重聯蝶變
第四章 智算代勞
數據表征
智算價值
自動代勞
第五章 數實共生
企業困境
管理重生
智能與共
第六章 馬賽克化
馬賽克戰
企賽克
DAO 啟蒙
終 章 加點兒“數”吧
算法造車
數據馬達
自動組織

後 記

序章
1888年8月的一個早上，當貝瑞塔·本茨（Berta Benz）悄悄喚醒兩個孩子，發動了世界上輛三輪汽車，花了一整天的時間跌跌撞撞地完成100公裡行駛的時候，她並沒有想到自己正在創造歷史。她的念頭，是向自己的丈夫——卡爾·弗裡德裡希·本茨（Karl Friedrich Benz）——表達力所能及的支持。
兩年前的1886年，本茨已經發明出世界上輛汽車並申請了專利，這為本茨掙得了榮譽，但隨之而來的卻是批評和嘲諷。人們對一輛會自己行走的三輪汽車感到驚嘆，但同時又十分討厭這個冒著難聞臭氣的怪物。更要命的是，這臺三輪汽車根本行駛不了多遠，時速也就15公裡，發動起來後需要人們小心照料的地方遠比給駕駛者提供的方便多得多。彼時，人們仍然認為馬車纔是交通的解決方案，汽車在各個方面都還無法與馬車相比。這讓本茨陷入了困頓——難道自己的纔華和數年努力全都要付諸東流了嗎？
成功男人的背後都站著一位偉大的女人。為了支持丈夫的事業，貝瑞塔·本茨不但變賣嫁妝首飾幫著籌措資金，而且這一次打算挺身而出，自己駕駛這輛車向世人證明自己丈夫的天纔發明是有意義的——起碼，可以行駛100公裡，當時全世界還沒有一輛汽車跑過這麼遠的路。
這次“自駕遊”的終點是孩子的祖母家，到達後孩子的祖母驚嘆不已，小城的鄰居們都紛紛前來圍觀，興奮的貝瑞塔立即給丈夫拍了一封電報：“汽車經受住了考驗，請速申請參加慕尼黑博覽會”。結果，本茨在這屆慕尼黑博覽會上成功展示了自己發明的汽車，吸引了大批客戶，從此事業蓬勃發展。
如果說卡爾·本茨發明了汽車的話，那麼貝瑞塔的這次“自駕遊”就為汽車作為商品上市做了好的鋪墊。從此，“馬車時代”開始告別歷史舞臺，一個全新的汽車時代就此來臨了！
2018年10月，當我在德國斯圖加特的戴姆勒-奔馳博物館裡親眼看到這輛當年創造歷史的三輪汽車時（館藏代號“奔馳一號”），真心為一名母親和兩個孩子在130年前的勇敢壯舉感到震驚，不免會去腦補當年的那場冒險之旅。而當我將目光移向博物館其他角落的時候，我斷定：如今的汽車發展，肯定是貝瑞塔和本茨當年無法想像的！
福特主義
 
如今，汽車給了我們的行動自由，載著人們實現了數不勝數的夢想。但在上個世紀初，擁有一輛汽車纔是夢想本夢。
雖然在奔馳、戴姆勒以及後來的寶馬、大眾等公司的推動下，汽車成為了一種真正可以銷售的商品，但那個時候的汽車生產幾乎完全依賴手工，生產速度非常慢，產量有限，所以售價昂貴，非一般老百姓能夠負擔得起。由此，汽車雖然已經華麗麗上路了，但仍然屬於上流社會的代步工具，遠未“飛入尋常百姓家”。
出生於1863年的亨利·福特（Henry Ford），打小就是位機械天纔，醉心於研究各種事物的工作原理，12歲就搗鼓出了自己的機械工作坊，15歲就動手制作出了一臺內燃機，後來前往底特律做機械師學徒，學成之後入職西屋電氣公司，再之後又加入愛迪生照明公司，成為了一名真正的工程師。1896年，時任愛迪生照明公司總工程師的亨利·福特，利用業餘時間，制造出了他的輛汽車，命名為“四輪車”（Quadricycle）。隨後，福特離開愛迪生照明，與人合伙創辦了底特律汽車公司（The Detroit Automobile Company），但這家公司很快倒閉。1901年，福特又與人合伙創辦了以自己名字命名的亨利·福特汽車公司，專門生產銷售福特開發的賽車產品，但很快就被資本方趕出自己的公司，隨後亨利·福特汽車改名為凱迪拉克，至今仍是豪華汽車的代表品牌之一。
不屈不撓的亨利·福特，又找來11位投資者並募集了2.8萬美金，於1903年正式成立福特汽車公司。這一次，亨利·福特要追逐一個更大的夢想——讓每一個美國人都能開得上汽車！
想要實現這個夢想，亨利·福特必須解決好兩個問題：一是生產成本要足夠低，不然老百姓買不起；二是生產速度要足夠快，不然買得起卻未必買得著。再仔細分析一下，這兩個問題是有內外關聯的。因為一輛汽車的總成本是由兩部分構成的：固定成本分攤和可變成本，而這兩部分成本都與產量有關。一來，給定的固定成本下，單位時間產量越大，分攤在每輛車上的固定成本就越低，由此就能產生所謂的“規模經濟”（scaling economy）；二來，隨著產量的增加，投入到每輛車上的平均勞動工時會下降，因為對工人來說“熟能生巧”，也就是說當工人有了一定的累積產量後，再增加生產一件產品所花費的功夫比之前每件產品的平均勞動工時要低，這叫“學習效應”（learning effect）。搞清楚了這個基本邏輯後，那麼亨利·福特想要實現“造車夢”，就必須找到一種辦法，在盡可能短的時間裡造出多的車，也就是提高單位時間的平均產出。所以，亨利·福特所尋找的，是一種全新的生產方式。
為了找到這種生產方式，亨利·福特做了很多次嘗試和努力，但大部分以失敗告終。其中，有兩次嘗試非常特別，奠定了現代生產方式——流水線的雛形。
一次是亨利·福特對外科手術的觀察。他發現外科大夫給病人做手術是一種特別有效的生產方式。外科手術的基本場景是，一張手術臺，病人躺在手術臺上，臺前站著一名主刀大夫，還有幾名助理大夫和護士，病人麻醉昏迷，大夫和護士全程佩戴口罩，在無需語言交流的情況下按照流程完成手術。總之，外科手術的全過程是“靜默的”，不需要語言的參與，所有在場的醫療人員在頭腦中共享同一個標準操作流程，主刀大夫隻管伸手，助理大夫和護士依據這個標準流程選擇什麼時候遞給主刀大夫手術刀、手術鉗或者其他的物件。這一靜默的手術過程嚴絲合縫、一氣呵成，一切都有條不紊。在亨利·福特看來，這簡直就是完美的生產方式。
之所以說“完美”，除了手術工序的連貫一致之外，重要的是，整個手術過程無需語言的參與。要知道，人類的語言可以表達十分豐富的感情，但卻是非常不精準的信息媒介，語言表達需要很強的情境依賴。我們都玩過一種“傳聲筒遊戲”，一段話隻需要經過幾個人轉述，與初內容就天壤之別了。所以，我們現在熟悉的生產現場，基本上都是“去語言化的”。我們寧願用顏色的區分來傳達不同的信息，也不願意讓語言干擾生產。在生產車間，大段的語言或文字，基本上就是災難，若是非用不可的話，也隻會是短文短語。
受到“手術臺模式”的啟發，亨利·福特在底特律的汽車工廠開始了大張旗鼓的生產方式革命，其主要思路就是將汽車組裝按照手術臺的方式來進行——等待組裝的車架躺在工作臺上，像是被麻醉過的病人，組裝人員圍成一圈將零部件一個個安裝到車架上，零部件搬運工則扮演助理大夫和護士的角色，配合組裝人員的工作。當然，所有人都需要共享同一個“標準操作流程”，以便協調組裝順序。
咋看之下，這種方式非常合理，理應取得跟外科手術同樣的績效。然而，事實上生產效率不但沒有提升，反而下降了。原因在於，組裝汽車與做手術之間，有一個關鍵性的區別——組裝汽車的若干工序，一個人完成不了，需要多個人協作纔行。比如說安裝輪胎這道工序，一個人是不行的，必須多個人協作。這樣一來，協作和管理的復雜度就瞬間提升了。多人協作完成一道工序，要求每個人的行動都要做到整齊劃一，隻要有一個人沒有做到位，就會影響整個團隊的績效。並且，多人協作避免不了語言的加入，有人發號施令就有人解釋說明，一來二去工作變得復雜了。真正的挑戰不在於工序的安排，而在於工序不能在工人“靜默”的情況下被執行，花在人與人協調上的時間遠遠高出了用於生產的時間。其結果是，“手術臺”越攤越大，占地面積趕上了半個足球場，生產效率不但沒有提升，反而下降了。
終，這次“手術臺實驗”以失敗告終。當然，也不是沒有收獲。這次實驗的失敗教訓，讓亨利·福特明白了一個道理，工序要和工人一一對應，要把工序分解到讓一個人就能負責的程度，不能一人對應多個工序，也不能多人對應一個工序。應該說，這個洞見十分重要，直到現在，流水線上工人和工序的對應關繫都沒有發生過根本性的變化。
如果說“手術臺實驗”讓亨利·福特意識到了工序分解的重要性的話，那麼後來的“屠宰場實驗”則讓他徹底悟透了工序間關繫的重要性。
1908年，福特推出了廣受歡迎的T型車，但落後的制造工藝使得T型車的生產既費時又費力。尤其是，隨著市場對T型車需求量的提升，產能有限的問題越來越迫切。一個偶然的機會，福特汽車一位名叫帕·克蘭（Pa Klann）的高級雇員參觀了芝加哥的一家肉類屠宰場。他看到屠宰場的肉類加工是按照一種“拆卸線”的方式，層層分解為各式各樣的肉類產品的。具體來講，宰後的牛體或豬體懸掛在橫梁上，依次滑動到每個切肉工人面前，而切肉工人們各司其職，每個工人隻專注於切割特定部位的肉類，等到牛體或豬體在所有切肉工人面前轉過一圈之後，整個的拆卸肉品過程也就完成了。
克蘭敏銳地察覺到這是一種有潛力的生產方式。相比於肉類的拆卸線是對整體的分解，那麼生產汽車就是對零部件的集成組裝。這樣一來，隻需要把拆卸線的工作流程翻轉過來，就能用來組裝汽車。不管是拆卸還是組裝，這種生產方式的好處在於，重新安排了工序與工人的關繫。拆卸線固定了工人的位置，從而省去了工人因為來回移動而花費的時間，同時將每個工人所負責的工序予以明確，有利於實現熟能生巧的效果。終，克蘭說服亨利·福特，在底特律的汽車工廠中試驗這一全新的生產方式。需要說明的是，這類生產工藝並不是什麼新鮮事兒，中國古代的瓷器生產就是這樣進行的，工匠們相互分工協作，流水化完成所有工藝環節，隻不過沒有做到像現代流水線那樣的自動化。
拆卸線還不是真正的流水線。福特流水線之所以能夠奠定工業制造的基礎，根本原因在於實現了“工序自動化”，從而讓工人成為了流水線的附庸。想要做到這一點，亨利·福特至少進行了如下三個方面的鋪墊工作：首先進行工序分解，吸收手術臺實驗的教訓，將工序分解到每個人都能夠獨自完成的程度，工人和工人之間不進行直接的協作，做到各司其職、各負其責。其次是工序標準化，工人之間不協作的後果是，每個工人都是缺乏監督的，怎樣纔能確保每道工序上的工人都能自動履行職責呢？福特的做法是動作標準化，借助攝像設備，福特可以觀察每道工序上工人的動作，經過分析後萃取出動作組合，之後培訓負責同類工序的所有工人都執行這套動作組合。這樣一來，福特就成功地將隱性知識顯性化了，從而達到讓同類工序工人共享一個標準動作模型的效果。後是工序自動化，自動運轉的流水線實質上是一臺“時間機器”，將所有工序的執行時間統一到了流水線上，然後再分配給每道工序的工人。由此，時間概念被引入了生產繫統並成為管理的利器。
總而言之，福特流水線的要害在於，在工序標準化的基礎上對工人的勞動時間進行了精準的自動化管理。背後的邏輯是，以空間換時間。什麼意思？各個零部件的分散化生產與整車的集中化裝配相結合，分散化生產犧牲空間，集中化裝配贏得時間。這就是流水線的效率之謎！
一旦開動流水線，亨利·福特仿佛打開了人類生產制造的魔盒，流水線迸發出來的魔鬼般的生產能力是前所未有的。就拿先采用流水線生產的T型車來講，過去需要12個多小時的裝配過程，在采用流水線之後隻需要90分鐘就能完成，生產效率直接提升8倍！在流水線的幫助下，福特汽車迅速崛起為當時全世界的汽車集團，1918年，全美國一半以上的汽車都是福特產的黑色T型車，而每輛車的價格降到了不到3。要知道，當時福特流水線上的一名普通工人，每天的薪水都以上。所以，汽車在福特的努力下低下了昂貴的頭顱，變成了普通的大眾商品。
更為重要的是，福特流水線可不是隻適用於汽車的生產方式，相反，流水線幾乎適用於一切商品的生產。我們如今能夠生活在商品富足的時代，都要感謝流水線生產方式，大規模、標準化、低成本，是流水線帶給人類的福祉。福特在精神意義上已經不僅僅是汽車的代名詞，而是一種信仰——福特主義。
社群自造
福特流水線在創造出驚人生產力的同時，也遭受了各方的質疑。其中，令人印像深刻的就是電影大師查理·卓別林在《摩登時代》塑造的流水線工人形像。這部劃時代的電影，引發了社會各界的強烈共鳴，流水線被描繪成資本家壓榨工人的幫兇。
理論上，按照福特對流水線的設計，每家采用流水線的企業老總，都會患上“臉盲癥”（face blind）， 也就是不需要在意工人到底姓甚名誰，甚至不需要關心工人任何與人有關的差異化特征。他們隻需要關心這名工人到底是穿藍領衣服還是白領衣服——穿藍領衣服的是流水線上的工人，穿白領衣服的是坐辦公室裡工作的管理人員。這就是“藍領”和“白領”的由來。在這些資本家眼裡，雇傭一名工人的真實意圖是獲得操作某道工序的手，所以工人等同於人手。之所以必須雇傭這個人，是因為這雙手恰好長在這個人身上，但他們真正需要的是那隻可以操作工序的手。產生這種偏見的底層原因在於，任何一名工人都無法撼動整條生產線，而工人和工人之間又無法在流水線上直接協作，所以隻能淪為流水線的提線木偶，有形無腦。
既然一個人撼動不了整個生產過程，那麼一群人可不可以呢？答案是肯定的，隻不過我們需要等到互聯網的普及纔可以做到。
當年擁有10萬人的福特工廠是人類在那個時候也是壯觀的生產協作平臺。但放到互聯網時代的現在，10萬人的協作規模就是小巫見大巫了。隨便一個互聯網平臺，在人數規模上都遠遠超過了10萬。互聯網給了全世界的人們以方便自由的協作平臺，動動手指頭就能讓全世界的信息自由流動。
2008年，在美國馬薩諸塞州瓦爾漢市（Wareham）的工業園區裡新誕生了一個線上社群，取名叫Local Motors，直譯過來就是“本地汽車”的意思（以下簡稱“LM”）。起初，這個線上社群與一般的互聯網社區沒有什麼區別。通常來講，互聯網天生就是社群化的，從早期的聊天室到後來的電子公告板（BBS）再到博客、微博、微信等，社群是互聯網一路發展的一條主線。大致上，互聯網社群分為興趣型社群和關繫型社群這兩種，前者的成員因共同的興趣而鏈接，後者則是因為相互認識而互動。例如，百度貼吧、車友會這樣的就是典型的興趣型社群，而QQ和微信這樣的則屬於關繫型社群。興趣型社群聚集的用戶同質，所以很容易找到變現場景，但通常用戶粘性不高；關繫型社群雖然粘性高，但變現能力一般較差。這就有了興趣型社群關繫化、關繫型社群興趣化這兩個發展趨勢。
LM是典型的興趣型社群，吸引的用戶是那些對汽車改裝和設計感興趣的人，通常都是汽車的發燒友。整個社群的運營團隊不過10來個人，但LM的創始人約翰·羅傑斯（John B. Rogers）卻號稱要顛覆整個的汽車制造業，引領下一代汽車的設計和生產。這聽起來真是不可思議，一支不足十人的團隊，竟然要顛覆已經有百年歷史的汽車業？怎麼可能？
讓我們來看看LM的做法。前已述及，LM是個為汽車發燒友服務的興趣型社群。為了激發會員的參與熱情，興趣型社群通常會舉辦各種活動以增加粘性，例如車友會舉辦的自駕遊等。LM也不例外，這個社群的標志性活動是每月一次的汽車設計大獎賽，允許會員提交各自設計的原創作品或者創意提案，之後會員作品會被展示在社群空間，供所有會員投票打分，彙總結果評出月度設計。這沒什麼好稀奇的，就是一項普通的線上創意作品評選活動。
2008年，加州一所藝術設計學院的學生、30歲的韓裔美國人金桑洪（Sngho Kim）在LM社群上傳了自己設計的汽車草圖，這是一款具有強大越野性能的跑車——Rally Fighter（拉力戰神）。這個設計草案很快在論壇每月舉行的汽車設計比賽中勝出，金桑洪獲得了100的獎金。本來這樣的評選活動每個月都有，沒有什麼值得大驚小怪的。然而，金桑洪的這款設計草圖引起了整個社群前所未有的關注，社群會員除了投票表達支持之外，很多人希望能夠真正開上這款拉力戰神，認為這款車值得量產。
這個時候，LM的創始人約翰·羅傑斯與金桑洪進行了溝通，希望後者可以充分與社群會員共享設計圖紙，並且允許LM的設計團隊和社群會員參與這款車的設計完善與優化工作。已經獲得大獎和獎金的金桑洪一口答應，自己的設計作品有了可以面世的機會，何樂而不為呢？就這樣，拉力戰神汽車瞬間變成了社群會員們關注的重點，這一次，大家不僅僅是評頭論足，而是挽起袖子參與進來共同動手優化這款汽車的每一個部分。LM社群以拉力戰神為中心迅速裂變成了無數個工作小組，有的小組負責前燈的設計，有的負責內飾，不一而足。每個小組將優化後的結果提交到社群，供會員們進一步評頭論足，若有不滿之處，要麼原來的小組繼續優化，要麼被別的更有創意的小組接管。總而言之，金桑洪在給出拉力戰神的設計理念和框架之後，汽車每個具體部分和零部件的設計都是在社群會員們的開源協作下完成的。終，來自100多個國家的35000多名汽車設計和改裝者共同參與了拉力戰神的設計和調試工作。
讓客戶參與設計和生產過程的好處是，可以提前鎖定客戶的購買意向。那些真正深度參與拉力戰神的設計過程的人們，心裡是非常渴望這款車能夠真正被生產出來的。在確認有超過500人願意掏錢購買拉力戰神之後，LM決定真正量產這款汽車，並在亞利桑那州設立了座微型工廠（micro-factory）。2010年12月，LM公布了拉力戰神即將量產的消息，想要擁有這款汽車的人需要在網站上完成注冊，支付10定金後獲得一個順序碼，順序排到後再支付50用於確定制造日期。待到臨近制造日期的時候，網站會以郵件的形式通知客戶，提前預留兩周時間，親自前往LM在某個指定位置的微型工廠，自己去把汽車組裝起來！
什麼？自己組裝汽車？！是的，LM隻提供標準化的零部件和工作場所（微型工廠），整個組裝汽車的過程是由客戶自己在微型工廠裡花費兩周左右的時間完成的。那不會組裝怎麼辦？沒關繫，社群裡有很多之前已經完成組裝的會員分享的“組裝攻略”，你可以照著學。而且，現場會提供教練和培訓服務，教你各種工具的用法，但組裝過程必須客戶自己動手完成。差不多客戶用一周時間接受教練的培訓並熟悉所有流程，另外一周密集工作完成汽車組裝。而且，微型工廠全程提供高清專業的錄像服務，記錄整個過程，客戶可以自由選擇是否共享自己的“組裝之旅”。
把汽車組裝好了之後，客戶自己把車開走，開走之後自己負責保養，出了故障自己負責維修。那要是不會保養汽車怎麼辦？沒關繫，很多會員都在社群裡分享過汽車保養的經驗，你可以照著學習。那出了故障不會維修怎麼辦？沒關繫，你出的故障很多人都發生過，你可以看看人家是怎麼修好的。問題是，我的這個汽車故障別人沒出現過怎麼辦？那你自己想個辦法修好，然後在社群共享你的經驗，便於別人照著你學。那我這個故障別人沒發生過但我自己也不會維修怎麼辦？沒關繫，你可以把故障描述清楚，在社群裡尋求幫助，可能會有幾萬人一起幫你想辦法。一句話，你的汽車你做主！
LM發動的開源造車理念，將汽車的主導權重新還給了終用戶，讓用戶不但購買產品，還購買生產產品的整個過程。過去的工業化生產采用的是生產與消費相互分離的做法，工廠隻管生產，用戶隻管消費。由此，對生產效率的追求，讓亨利·福特借助流水線把工人們的勞動力編織進了工序算法當中。而LM主張的是社群“自造”，讓生產和消費合二為一，依托互聯網平臺將用戶的創造力編織進了“共創算法”之中。兩者的共同之處在於，全都實現了“自動化”，前者讓工人自動勞動，後者讓會員自動創造。
自動駕駛
LM實現了生產與消費的合二為一，客戶不再隻是標準化產品的購買者，轉而是產品設計與生產的積極且有力的共創者。這確實是個偉大的創意，一舉打破了福特主義長達一百年對汽車產業的理念主宰，讓全世界的人們看到了從制造向自造躍遷的可能性。為了將“自造”理念推向深入，LM開始將3D打印技術與汽車的設計制造緊密結合。在2014年的芝加哥國際制造技術展覽會上（IMTS），LM展示了自己的3D打印汽車Strati。LM還於2016年開始與IBM的人工智能繫統沃森（Watson）合作， 打造利用3D打印技術制造的自動駕駛穿梭巴士Olli，目前這款穿梭巴士80%的零部件已經實現了3D打印。
如果說以LM為代表的開源造車消彌了生產和消費的隔閡的話，那麼處於生產與消費中間的運力匹配就是接下來關鍵的環節。畢竟，汽車作為交通工具，重要的使命是實現人或貨物的流動。所以，當我們把目光放大到整個交通繫統的時候，供給與需求的匹配變成了為重要的問題，這就離不開數據的流動和使用了。
進入21世紀，互聯網急速發展，重塑了人與信息、人與商品、人與人之間的關繫，強化了數據作為一種生產要素在全社會各個領域的應用。一般來說，以互聯網為基礎的信息使用經歷了信息塊、信息片、信息流等三個階段，目前正在邁入數據全方位滲透的數據孿生階段。
首先，以門戶網站為代表的早期互聯網應用是傳統分類目錄的電子化，具體做法是把信息組織成一個又一個頻道，頻道下面還有子頻道，以此類推。用戶通過逐層點開不同等級的頻道來獲得終的信息鏈接。像雅虎、搜狐、新浪這些門戶網站，均采用了這種分類目錄的方式。這種方式是把信息組織成了“信息塊”，點開一個頻道，就可以查看一整塊的信息。雖然這種方式相比於傳統的大黃頁或電話號碼簿來講用戶檢索效率提升很多，但由於信息層級太復雜，導致用戶查找信息尤其是那些未經人工編輯的信息，其難度仍然相當大。
到了互聯網的第二個發展階段，類似於門戶網站這樣的垂直信息檢索方式開始讓位於一種扁平化的信息搜索機制——搜索引擎。搜索引擎擺脫了人工編輯的束縛，轉而采用機器算法對信息進行自動索引，進而允許用戶使用關鍵詞來查找需要的信息。這個時候，信息的組織方式就發生了變化，呈現在用戶面前的不再是信息塊，而是信息片——輸入一個關鍵詞，就會反饋出一整片的相關信息。扁平化的信息搜索，大幅度提高了用戶的信息檢索效率，搜索引擎由此引領了互聯網的第二個階段發展。
問題在於，搜索引擎的作用僅限於那些有明確需求的信息檢索，也就是說，隻有用戶能夠將自己的信息需求表達為關鍵詞的時候，搜索引擎纔能幫得上忙，否則就沒有意義。可是，能夠表達為關鍵詞的信息需求隻占用戶所有信息需求的一小部分，仍然存在大量信息需求是用戶無法或不能表達為關鍵詞的。那麼，針對這類信息需求，我們應該如何滿足呢？目前來看，至少有兩條取得成功的實現路徑。其一，是以臉書為代表的“社交發現邏輯”（social discovery），指通過社交互動來促進用戶間信息的相互發現，例如你看到朋友圈好友分享的信息，然後點進去閱讀了，這條信息如果你的朋友不分享你可能永遠都不知道自己需要這種信息。社交發現邏輯的背後機理是“同嗜性”（homophily），即人以群分，而分到一群裡的人會有共同的喜好。所以，你喜歡的也會是你朋友喜歡的，你討厭的也會是你朋友討厭的。信息如此，商品也是如此。近幾年迅速崛起的其底層邏輯也是社交發現邏輯，本質上是基於社交關繫迅速整合同類需求，然後形成拼團，達到讓商品找人的效果。
其二是“智能推薦邏輯”（intelligence recommendation），以字節跳動為代表。既然用戶自己沒法把信息需求表達為關鍵詞，甚至即便表達為關鍵詞用戶也會覺得搜索引擎太麻煩，那麼何不尋求一種新的機制，直接扮演用戶的信息代理人呢？想要成為信息代理人，就得深入了解用戶的信息需求，也就是需要“學習用戶”，而試錯是學習快的方式。字節跳動致力於打造的就是這樣一種試錯方法，先是嘗試性地為用戶推薦信息，接著觀察用戶對所推薦信息的反饋情況，到底是滑過去還是點進去，然後再根據反饋結果優化算法，調整下一輪的推薦內容，再觀察反饋，再優化，再推薦，以此類推。如此一來，字節跳動就構建了一種用戶自我強化的信息推薦機制。這樣的做法十分巧妙，巧妙到你隻需要觸發這個機制，一切就自然而來。從一開始的今日頭條到後來的抖音再到抖音海外版TikTok，字節跳動依靠這套智能推薦算法無往而不利。
社交發現和智能推薦，這兩條信息匹配邏輯，終將數據要素成功引入了進來，互聯網從此進入數據時代，信息的重要性開始讓位於數據的應用。信息仍然是用戶的表層應用，而促使信息加速流轉的動力機制則變成了數據。
信息改變認知，數據驅動行為。在一般的信息應用場景下，信息通常需要被用戶通過眼睛獲取，然後進入大腦加工處理，之後由大腦指揮身體纔能產生某種行為。數據則不然，人的大腦一般不願意直接處理數據，因為數據處理能力需要單獨訓練，並非每個人都具備，甚至大部分人都沒有能力處理相對復雜的數據，所以數據驅動的應用場景，通常不會經過單個用戶的大腦分析，而是直接驅動用戶行為。那麼誰來負責分析數據呢？答案是數據平臺。龐大的數據，遠遠超出了用戶可以勝任分析的程度，而且也沒有必要，所以一般是由一個統一的數據平臺來掌管所有數據的分析處理任務。例如，滴滴公司的出行大數據平臺，或者叫滴滴大腦，又如美團大腦，這些所謂的“大腦”，就是接管個體腦力，進行數據集中統一分析的智能繫統。
有了智能的數據大腦之後，平臺各方的行為就不再是個體腦力思考的結果了，轉而成為數據大腦指令的具體執行者。打個比方來說，我們開著導航駕車的時候，其實就是在執行導航平臺這個數據大腦派發的各項指令，這個時候，你自己的腦袋在路線規劃方面基本上是無能為力的，你隻是在機械地執行繫統給你下達的指令而已。如此一來，你駕駛的汽車到底會經過什麼地方，還會是你自己說了算的嗎？再進一步，如果連執行發動引擎、打方向盤、踩剎車油門、熄火這樣的動作，智能繫統也能托管的話，那是不是就不需要人類司機了呢？答案不言而喻。繼流水線做到工序自動化，互聯網做到創意自動化之後，數據技術正在讓汽車的駕駛實現智能化。
自動駕駛的目標是將人類排除出駕駛工作之外，其暗含的假定前提是，機器理應比人類更擅長駕駛工作。這是有道理的，因為人肯定不是為駕駛而生的，想要成為一名合格的司機，還是需要遭受一番挫折練習纔行的。即便成為了一名合格的司機，大小交通事故也是避免不了的，每年人類駕車發生的交通事故數不勝數，由此帶來的生命財產損失更是天文數字。那麼，有沒有一種可能，像亨利·福特整合生產繫統、約翰·羅傑斯整合設計繫統那樣，重新整合汽車的駕駛繫統呢？
想要真正實現自動駕駛，至少需要做到兩個方面——車上能操作，腦裡有地圖。前者是指汽車自動駕駛繫統，後者則是道路導航繫統，兩者的完美匹配纔能讓汽車自己上路。說白了，就是要用智能化技術達到“車路協同”的效果。由此，自動駕駛的研發進展，至少存在兩條進化路徑，一條是車進化，另一條就是路進化。
車進化主要涉及能源。在卡爾·本茨發明世界上輛汽車之前，已經有采用蒸汽技術的蒸汽車面世，但蒸汽車既沒效率也不美觀，所以很快就被內燃機取代。後來的亨利·福特也是醉心於內燃機的研究，制造出汽車並推向大眾的。所以，內燃機在長達一百年的時間裡都被視為是汽車的動力引擎。問題在於，內燃機燃燒汽油和柴油，排放大量污染物，對環境破壞很嚴重，所以人類追求清潔能源的努力從來沒有停止過。從目前的進展來看，電能已經從諸多車用能源的競爭中迅速勝出了，相比於燃油，使用電能的好處除了清潔環保之外，還可以回收以便循環利用。當然，的好處是，電能是一種連續而精準可控的能源，從電可以一步到“數”，由數可以一步跨到“智”。
早在2007年，原SAP副總裁夏嘉曦（Shai Agassi）就曾針對電動汽車進行過一場瘋狂的實驗。夏嘉曦創立的項目叫Better Place（以下簡稱BP），致力於為用戶提供電池更換網絡和服務。具體的運轉邏輯是這樣的：人們隻需要到BP去注冊成為用戶，就可以把BP提供的電動汽車開走，BP汽車裡裝有一套信息繫統OSCAR，方便對每輛汽車進行遠程的數據控制，可以為用戶提供導航服務並了解汽車的電量儲備，在電池電量降到一定程度的時候會自動提醒並指引用戶到近的站點更換電池。終，BP按照用戶實際使用汽車的公裡數計費。簡化來看，BP運營的重要設施就是充換電網絡，重要的繫統就是內置在車輛中的OSCAR繫統。由此，夏嘉曦徹底將汽車改造成了一種依賴清潔能源的交通服務繫統。這原本是一個非常偉大的創意，而且夏嘉曦也成功募集到了大量資金，還有很多名人給他背書，也在自己的家鄉以色列率先落地實驗，但種種原因導致BP項目終夭折。新型商業模式的市場教育、充換電設施的不完善、經常找不到信號的網絡以及傳統勢力的阻撓，終演變成了BP的災難。這當中，一臺電動車的整體性能無法超越傳統燃油車是電動化推廣的的障礙。
如果電動車不能在關鍵性能上一舉超過燃油車，用戶就很難被說服接受電動汽車。2004年，埃隆·馬斯克（Elon Musk）在接手特斯拉（Tesla）之後，開始著力打造消費者負擔得起的純電動汽車。承載馬斯克夢想的是一款名叫Roadster的電動跑車，而這款跑車背後核心的技術是電池控制繫統（Battery Management System，BMS）。
對於電動車來說，電池技術重要的目標是實現足夠遠的續航裡程和便捷的充換電。續航能力取決於電池儲備的電量，針對這一問題，特斯拉沒有采用整塊的專用大電池，而是將大量圓柱形的獨立電池並聯起來（例如，Roadster上安裝的電池組，就是由多達7000多個獨立電池組成）。BMS繫統對所有的電池進行統一而全面的管理，實現整體上的安全性和可靠性。除此之外，每個電池組都設置了獨立的電池控制繫統，隨時監控每粒電池的溫度變化，遇有意外可以毫秒級別關閉該粒電池，從而控制故障電池的影響範圍。這樣一來，即便有某一節電池爆炸或出現故障，也不會影響全局，這讓特斯拉電動車具備了超強的續航能力。與此同時，特斯拉還配備了三種充電方式，家庭充電、目的地充電和充電樁充電，回到家就在家裡充電，出去玩就在目的地充電，要求快就用充電樁，這就比傳統的加油站更加方便靈活了。
借助在電池管理技術上的研發創新，特斯拉電動車在單車性能上達到了媲美傳統燃油車的水平，一次充電續航裡程達到甚至超過了加滿一箱油，百公裡加速隻需兩三秒鐘，在這兩個指標上的優異表現讓人們次看到了電動汽車作為燃油車替代品的潛力。應該說，電動車時代是從一輛單體電動車的性能表現超過一輛傳統燃油車開始的。
記得2016年初，我在底特律與福特汽車的研發人員溝通，他們告訴我，電動化的汽車實際上是一臺會移動的服務器。因為有了電就可以進行計算，有了計算就可以獲得數據，而有了數據就能匹配智能算法以達到智能化的程度。這種看法在當時還是很有前瞻性的。當我們把汽車看做一臺可以移動的服務器的時候，汽車所能負載的計算任務是非常巨大的，這樣就可以把大量的計算任務放在本地進行，從而避免雲端交互產生的數據延遲等問題。事實上，以特斯拉為代表的“車進化”，基本上都是遵循了這一進化路徑：電動化——數據化——在線化——智能化。終，燃油車的外形加上電力驅動繫統加上網絡化的數據處理加上智能化的自動駕駛，就等於未來汽車。
在國內，電動汽車的三駕馬車——理想、蔚來、小鵬——都是車進化的典型代表。
自動駕駛的另外一條進化路徑是路進化。車和路是交通繫統的一體兩面，缺一不可。在汽車出現之後，人類社會面貌的改變就是出現了越來越多適合汽車行駛的道路，正是因為有了星羅棋布的道路交通網，汽車纔能夠自由行駛，載著人們到達任何想去的地方。起初，路在大地上，汽車駕駛員隻能摸索著前行；後來，路在地圖上，駕駛員可以通過地圖來提前查看和規劃路線；再後來，路在導航儀裡，實現了電子路線的自動規劃；後，路在雲上，是雲計算服務的一種。一步一步，不但汽車不需要人駕駛，就連行使的路線也不需要人腦的參與了。
其實，交通地圖是將道路進行了信息化的轉變，而地圖提供給用戶的就是一種信息產品。但導航則變成了一種服務，雖然依托於地圖信息，但更重要的是代替人進行路線規劃和決策。如今，道路正在變成一套可編程的交互環境。目前業界公認的領先的自動駕駛繫統是來自谷歌的Waymo公司。2009年，谷歌聘請原斯坦福人工智能實驗室主任、谷歌街景聯合發明人塞巴斯蒂安·特龍（Sebastian Thrun）組建團隊，正式進軍自動駕駛。跟特斯拉的做法不同，谷歌的著力點並沒有放在如何改造一輛汽車上，相反，谷歌並不打算造車，而是致力於打造一套真正的自動駕駛繫統。這跟谷歌是一家軟件公司有關，這家公司向來不會認真地做硬件，谷歌涉足硬件的目的一般是為了檢驗軟件。正如之前谷歌做過上網本電腦，那是為了驗證Chrome OS；也做過智能手機，那是為了測試安卓操作繫統的方便。所以谷歌做汽車，功夫不在車裡，而在路上。
谷歌是基於信息索引起家的，這家公司對於道路的痴迷源自於想要索引整個物理世界，這就需要對道路進行數據表征和算法解碼，也就是說，要為實體的物理環境賦予數據標簽。這項工作是基於谷歌地圖展開的，有了地圖就有了空間信息，但谷歌想要索引整個物理世界，那麼僅有地圖信息就不足夠了，還必須要對現實三維空間裡的物體和生物體建立數據標簽。更為重要的是，谷歌地圖還必須考慮到三維空間裡人和物體的移動。所以，谷歌真正想要實現的是一張關於現實世界的“數據活地圖”。
為了實現這一目標，谷歌除了深度改造地圖信息采集和利用技術之外，還曾於2013年6月收購了以色列的導航應用Waze。 重要的是，谷歌自2007年起持續不間斷地推進街景業務，從而將聚焦於地面交通的地圖不斷向整個城市空間拓展。隨著大量的街景數據被收集處理，谷歌正在為業務覆蓋的每一座城市塑造“數據孿生體”。隨後，街景業務又跟谷歌地球（google earth）打通，允許用戶在利用谷歌地球查看衛星地圖的同時對特定的城市空間進行探索。這樣一來，谷歌就能夠綜合地圖、街景、地球三大業務，實現地面、地標、空間的三維數據建模，從而推動其“索引全世界”的戰略目標。
車進化和路進化雖然是兩條不同的發展路徑，但都指向一個目的——數據化。前者是通過汽車的電動化實現數據化，後者是通過解碼道路進行空間數據化。由此，數據化的汽車結合上數據化的道路，車路協同就有了落地的可能性，自動駕駛無非是“車數據”和“路數據”這兩套數據繫統的智能交互而已。有關自動駕駛的一繫列研發進展正在表明一個未來的事實，汽車沒有司機是可以自動行駛的。甚至，自動駕駛汽車很可能比人類司機駕車效率更高。一個愈加明顯的發展趨勢是，人類終將被剝奪駕車的權利，因為相比於智能駕駛繫統來說，人類司機實在是太笨了。
數據大腦
自動駕駛之後，讓我們擴展開來，看看數據是如何重塑運力繫統的。前面提到的字節跳動，是用數據技術塑造了“信息和內容的運力繫統”，但信息和內容是比特形態的，而不是原子形態，所以是沒有載重的，理論上可以沒有繫統摩擦力地得到分發，隻需要在分發之前確定好分發對像即可。但對於那些有載重的商品分發，則需要真正的運力參與，同時面臨的運輸環境也更加復雜。這種情況下，如何去應對呢？
其一，我們來看看滴滴打造的運力繫統。滴滴是國內的網約車平臺，服務全球8億多用戶，每天完成客運服務1億單。這麼說吧，滴滴運力繫統在北京地區每天指揮的車輛行駛裡程，可以將全北京的所有道路碾壓400多遍。關鍵是，整個滴滴平臺上有多達2800萬名網約車司機，這麼龐大的司機群體滴滴如何纔能管理好呢？倘若用傳統的管理手段，按照10人的管理幅度來算，那麼滴滴得需要280多萬名中層管理者，外加28萬多名高層管理者。但實際情況是，滴滴目前僅有1萬多名員工，而且其中有超過3000多人是技術人員。
那麼，滴滴到底是如何確保2800萬名網約車司機遵從平臺規則並為用戶提供高質量服務的呢？秘密在於數據技術的應用，具體來講就是每名注冊網約車司機獲得的“服務分”。服務分是司機整體服務表現的數據化表達，直接與派單概率關聯，亦即在同樣的情況下，繫統優先將用戶訂單派送給服務分高的司機。假如有個用戶下單約車，在距離用戶近的範圍內總共有10輛網約車，那麼繫統會挑選服務分的司機優先派單，服務分的高低決定了這名司機賺錢的可能性。
司機在平臺上注冊驗證正式成為一名網約車司機的時候，繫統分配給這名司機的服務分是滿分，這樣可以體現出“新人優先”的原則，繫統鼓勵新加入的司機優先接單，以便快速度過實習期（一般是完成40單）成為一名“老司機”。新注冊的司機在拿到滿分分值的服務分的同時，需要遵循平臺要求的所有服務規範條例，不能有所違反，並且需要在服務過程中為客戶創造良好的乘坐環境和體驗，一旦因為服務不當引發客戶投訴，平臺就會相應扣分，反之，獲得用戶五星好評則有加分獎勵。除此之外，扣分力度一般比獎勵力度要大，也就是說發生一次扣分事項需要多次加分事項纔能抵消。這樣一來，司機如果不能將服務分維持在高水平的話，那麼繫統派單概率就不高，假如服務分一直下降，那麼早晚會降到某個程度——同等條件下，總有比你服務分更高的司機出現，這個時候，該網約車司機就要面臨被繫統淘汰的風險了。更進一步講，在服務分低的司機被淘汰的同時，又有很多完成注冊的新司機拿著滿分的服務分加入到了平臺。繫統因為掌握全局數據，由此也就具備了進一步優化調整平臺規則的權利，可以根據數據分析的結果實時做出對平臺來說的算法迭代。所以，一旦加入平臺，那麼每個網約車司機就陷入了一種“傾盡全力隻能打平，卻永遠也打不贏”的算法遊戲當中，我們將這種管理方式稱作“算法管理”。
無獨有偶，美團大腦也是一套算法驅動的運力繫統。隻不過，美團算法驅動的是騎手，運送的是外賣產品。在美團外賣平臺上，大約有700萬名注冊騎手，我們經常看到穿著黃色衣服的騎手們奔波在大街小巷。如果腦補一下你看到的騎手們的工作狀態的話，我相信你會得出一個結論——你幾乎找不出比他們更勤奮工作的一群人！風裡來雨裡去，一個頭盔一輛電動車，馬不停蹄、風風火火，每個騎手都像是踩著風火輪在工作，不分白天和黑夜。問題是，什麼樣的動力機制在驅動這些騎手們呢？難道是KPI指標（關鍵績效指標，Key Performance Index）嗎？是更高的福利待遇？顯然不是。更為弔詭的是，我親眼見過很多大面積采用KPI管理的企業卻出現了可怕的“績效塌方”，似乎他們將這一管理工具運用到極致的結果反而是其所追求的績效目標的毒藥。那麼，騎手們玩命工作背後的激勵機制是怎樣的呢？答案仍然是數據。
一般來講，美團外賣的運行邏輯是這樣的：用戶在外賣平臺下單，完成後平臺將用戶訂單給到平臺商戶，商戶確認可以接單後，平臺搜索附近的騎手並派單，騎手接單，騎手去商戶那裡取外賣，後把外賣送到訂餐用戶手裡。這個過程看起來稀松平常，自然而然。問題的關鍵在於，美團大腦在整個過程中，隻需要通過數據就能將用戶、商家、騎手這三者銜接起來並互相進行“數據監督”。首先，用戶下單之後，就能看到本次訂單的所有進度，可以知道商家是否已經接單，騎手距離商戶還有多遠，以及騎手什麼時間可以送達。其次，商戶接單後，可以看到騎手的位置並督促騎手速速取餐。重要的是，一旦騎手接單，繫統就會將騎手的所有數據流直接推送給用戶，包括繫統規劃的騎手行駛路線和送達時間，這個時候用戶變成了騎手的真正管理方。訂餐用戶可以根據平臺給出的時間和路線全程注視騎手的行動，這讓騎手們瞬間落進了“時間-距離”的效率比拼陷阱裡。意味著，騎手必須在給定的時間裡沿著給定的路線確保外賣送達。稍有不慎，就有可能招致用戶差評，而差評就意味著騎手需要承受金錢懲罰。這樣的“算法管理”牢牢地將騎手們禁錮到了數據流水線上，這跟福特流水線上的工人又有何異？
說到這裡，我們已經見識到數據的重要性。正是因為有了滴滴大腦和美團大腦這樣的平臺，網約車司機們和外賣騎手們纔被很好地整合進數據流水線，成為參與大規模數據協作平臺中的一員。雖然福特流水線上的工人是在固定位置操作而網約車司機和外賣騎手們則穿梭在大街小巷，但從管理的實質上來看，兩者完全一致——都是建基於工作流程的標準化，都是實現了工作過程的自動化，都實現了繫統凌駕於個體之上的目的，都是理性權威的邏輯。當然，流水線和數據平臺的背後，也都折射出了對勞動者的關注不夠，正如流水線工人隻需要依據繫統要求做出相應動作一樣，算法勞工們也在遭受算法平臺的奴役。某種意義上，算法勞動正在趨向於一種“無腦勞動”——不需要動腦筋，隻需要遵從平臺指令。顯然，這樣長此以往是會有問題的，畢竟，人不是機器。
既然人不是機器，所以人的需求要比而復雜太多。那麼接下來的問題是，與其讓人接收繫統指令成為算法勞動力，那莫不如直接讓機器接收繫統指令會不會更好？相比於繫統指揮司機、司機駕駛汽車來說，繫統直接駕駛汽車是不是更加合乎邏輯？為什麼在繫統與汽車之間，就一定要有個司機呢？沒有司機不行嗎？
企業之車
花了這麼多筆墨討論汽車產業，是為了給本書的主體內容創建基本的產業背景。汽車產業歷史悠久，產業鏈參與者多種多種，上百年來始終矗立在技術變革的潮頭，面向未來，以新能源和自動駕駛為支點的創新已經昭然若揭，這會給本書的讀者勾勒出尋找和打造智能引擎的大致輪廓。
假如把企業比作一輛汽車的話，那麼企業家要做的事情就是打造出驅動汽車上路的引擎，並駕駛這輛汽車開向遠方。本書的內容安排，潛藏的一條主線，就是找到企業之車的動力引擎，看清楚未來的路，然後發動引擎、把好方向盤，掛擋、踩油門，前進......等等，不是說可以“自動駕駛”嗎？是的，後面會討論到自動駕駛的企業之車。
本書借喻汽車產業的蝶變來闡述商業進化命題，主題內容是將智能思維引入企業經營實踐，進而幫助企業家打造適應於自身商業進化的智能引擎，從而重塑價值創造邏輯。與汽車行業經歷了福特主義、社群自造、自動駕駛等發展階段類似，商業的進化也正走過工業化時代、互聯網時代，開始向智能時代邁進。如今，各種數據大腦的出現，已經清楚表明企業之車的行使將越來越離不開智能引擎的動力驅使。未來，企業經營成敗的關鍵，將有賴於其對數據燃料的能量轉化效率，智能引擎將是企業之車的價值源泉。
全書主要分為兩大部分。部分是商業動力繫統，詳細闡述了企業經營業績產出的三大來源以及面向未來的思維轉場，主要包括兩章內容。第1章提出了“經營三體”，包括產品、客戶和員工，這三體的運動共同造就了企業的終績效表現。三體是任何一家企業都必須具備的要件，缺一不可，三者相互糾纏、共同作用，構成了驅動企業前進的動力機制。如果將企業追求的目標定為“遠方”的話，那麼這三體就是到達遠方的三條路徑，沿著每一條路徑走下去，都可以到達同樣的終點。理解三體，理解三體的相互作用，纔能把握住商業進化的原動力。
第2章闡述“思維轉場”。我借用了戲劇拍攝中的“轉場”一詞，來突出未來的商業環境與當今的不同。之所以提到“轉場”，是因為雖然舞臺背景更換了，人物關繫也變了，但主角依然由三體擔綱，依然由這三大主角演繹新時代的商業故事。這一章的重點是討論三大主角之間的關繫會發生什麼樣的改變，包括產品與客戶之間的關繫（品客）、產品與員工之間的關繫（品員）、客戶與員工之間的關繫（客員）。總之，思維轉場的重點是對“關繫”認知的思維改變。
以上兩章內容構成了全書的部分。如果說部分是為了搞清楚商業動力繫統的構造的話，那麼接下來的第二部分，主要討論如何駕駛企業之車，包括四個章節的內容。
第3章的“關繫重聯”，描述了如何點火發動引擎。在數字技術迅速普及的當下，企業家和創業者們首先需要搞清楚的是，我們介入商業生態的“切口”到底在哪裡？根據我的觀察，對鏈接威力的深入理解，是觸發業態創新的關鍵，把握住了關繫重聯的機會，就很容易找到商業“火花塞”，這是發動引擎上路的一個標準動作。
第4章是“智算代勞”，說的是把企業戰車開上路之後，怎樣纔能讓行駛過程更加方便高效。在數據表征一切的環境下，僅憑企業家的老謀深算已經很難應對日益數據化的商業操作，智能技術的重要性顯現迅速。這個時候，正如智能技術可以托管駕駛工作一樣，企業的經營活動也正在嵌入智能化力量。更為重要的是，智算代勞並非一味取代人類操作，在很多場景下，恰恰是“增強人類”的手段，關鍵是企業如何與智能技術在價值創造的框架下實現和解。未來，人工智能不但會讓人更能，而且會讓人工不能的，也能。
第5章“數實共生”，描繪的是企業內部的管理如何因應智能引擎的運行而進行重塑。未來的企業，不隻是生存在物理空間的，還會同時棲息在數字宇宙，要求企業必須學會在數實共生的環境下生存。這一環境對企業提出的要求，是什麼樣的制度安排可以幫助企業在與市場這種資源配置方式的競爭中取勝。好比是在一條路上行駛著兩輛汽車——企業和市場，市場之車已經因為數字技術而提速，那企業之車該當如何呢？如何確保企業之車在數實共生的空間裡，表現出高於市場之車的行駛效率呢？在這一章中，我將討論兩條管理變革之路，同時指出智能技術何以成為企業的“內生動力”。
第6章“馬賽克化”，指的是企業組織形態的變化。直到如今，汽車都是一款緊密耦合的產品，各個零部件相互銜接、嚴絲合縫，從而讓發動機的力量可以精準傳遞，終驅動汽車高速行駛。但在數據紐帶加入以後，物理實體的緊密耦合，很有可能被比特化的數據流“解耦”。企業的各個組成部分，並不見得非要在物理空間裡聚合，而隻需要數據鏈的銜接，相當於為每一塊馬賽克裝上智能芯片，這些“企賽克”在形態上十分分散，看起來是一盤散沙，但在行動上又十分自主，具有自我決策能力，它們相互之間以數據為媒，高效重組、瞬息萬變，描繪出了多彩斑駁、變化萬端的動態馬賽克圖畫。未來，我們很可能再也見不到企業的蹤影，但它們卻又無處不在。
後的終章裡，提到了一家新生的智能電動汽車公司，並對其模式進行了面向更遠未來的邏輯演繹，幫助我們眺望一下到底企業能不能做到自動駕駛。
商業進化沒有止境，智能引擎已經轟鳴。上路吧！