IT思维

由机器之心主办的全球机器智能峰会（GMIS 2017）于5月27-28日在北京正式启幕。第四范式创始人、首席执行官戴文渊作为人工智能工业应用领袖，出席了开幕当天的主论坛并发表主题演讲，针对人工智能如何在工业界应用进行了关键性说明。

戴文渊认为，商业AI能力有一个核心的指标叫VC维，企业构建AI能力来说，就是要不断把VC维做大。

同时，支撑做大VC维有五大核心要素，即Big data（大数据）、Response（持续的反馈）、Algorithm（算法）、Infrastructure（计算资源）和Needs（明确的需求），首字母合在一起就叫做“Brain”。戴文渊指出，成功利用人工智能技术创造价值的公司，背后都具备了“Brain”。

以下内容根据戴文渊主题演讲编写，略微有所删减：

大家好，我是第四范式创始人戴文渊。今天在这跟大家分享我在这个领域的一些想法。

实际上我们这些年来，主要关注点在于AI技术研究如何突破， AI离我们感觉还很远，但生物的智能其实离我们是比较近的。从某种角度来说，这两者有可类比的地方。

从生物的智能上来说，通常我们会觉得，脑细胞比较多的生物比较聪明，脑细胞比较少的生物比较弱一点。我们会觉得人比猫是聪明的，因为人的脑细胞比猫来的多。

这个事情在统计学家的眼中，也会有一个类似的评判，当然统计学会用统计学的理论，实际上像我们原来在学术领域研究机器智能的时候，就是基于统计学构筑AI整个方法论。

统计学里最重要的理论叫“VC维”理论，所有的机器学习或者统计学习都是建筑在VC维理论之上。VC维反映的是什么？结论就是，如果一个机器模型，VC维越高，这个机器的模型会越强。

但其实VC维不一定只能刻画机器的智能，甚至能刻画一个生物智能的高低。对于人们的大脑来说，人脑的VC维也能算出来，大概是多约等于大脑脑细胞个数，前面可能只差一个常数项。

因为VC维能刻画机器的智能，甚至可以把机器的智能和生物的智能，用统一的一个VC维理论来构建。基于这一理论，我们就可以真正的有理论依据的去比较，到底是机器聪明还是人聪明？未来无论人的智能还是机器的智能，都可以在VC维理论的框架下解决。

机器的智能在哪里？

以牛顿三大定律为例，这可能是代表人比较高智能的水平。牛顿三大定律在干什么？

其实牛顿是一个物理学的业务专家，他看了很多物理的自然现象，最后总结出三条规则，其实就是物理学的三条业务规则，来刻画物理整个存在的现象。

实际上机器也可以干同样的事，如果让机器干牛顿的事，其实就是要让机器收集大量物理学现象数据，最后用机器学习的方式，在数据里总结出规律。但是机器通常不会像牛顿那样总结出三条规律，因为机器更擅长的不是总结三条，机器不知疲倦地可以总结出3000万，甚至1亿以上的规律。

如果机器做牛顿的事，他会把整个自然现象按照速度可能分3000万个区间。然后在每一个区间里总结出三条定律。大家都知道牛顿的三大定律，最后得到的反例其实在高速区间上不成立。但是如果说机器把它分得足够的细，把低速、高速都考虑了，实际上我们在高速里面总结出的三条定律，和低速是不一样的，就能够做得比人更好。

在数据充足的情况下，1000万维是衡量机器与人谁更聪明的标准

目前的人工智能，是基于由机器来总结业务规律。由于机器不知疲倦，所以能够做得更细、以达到更好的效果。深入到具体行业，以百度的广告为例。

我在2009年加入到百度，那时候百度的广告其实不是用AI来做的，当时是由人做的。人在总结规律，网民搜什么样的词，我们出什么样的广告。

当时他们总结了近1万条规则，这其实是个很复杂的规则系统。之后，我们开始用机器读整个广告投放的数据。由机器写出1000万条广告投放的规则，因为1000万比1万大1000倍，做得更细了。最后达到上线以后40%收入的提升，紧接着我们不断加满，到我2013年离开的时候，百度广告做了超过1000亿条规则。

所以大家可以看到，为什么2009年以后，百度收入同比增长曲线会逆势往上走，很大的程度来自于AI的技术给企业整个运营效率带来了提升。现在我们也在思考如何把这样的技术应用到各行各业，用机器替代原来的业务专家，基于数据去写业务规则。

因为各行业业务专家写的业务规则各不相同，少的可能只有几条，多的会有几千上万条。但是无论如何人都会有局限，人不可能写出1000万条以上的规则。比如在内容分发的领域，当机器把规则写到1000万、几十亿甚至几千亿的时候，我们可以很显著去做原来传统业务专家做不到的效果。

目前存在一个比较有争议的问题：到底机器强还是人强？大家会很担心，是不是机器最后会超过人。但又会发现，其实在很多领域，机器的智能比人差很多。

我们其实有一个经验，这个经验在一个垂直的领域，如果我们能用机器基于数据去写出超过1000万条业务规则，那么一个资深的业务专家，基本上没有办法比机器强。1000万其实是一个门槛，因为要人写出1000万，基本上不太可能。而机器1000万是可以的。但是其实也不是所有的领域都能写出1000万，因为你能写出业务规则的数量，或者模型VC维的数量，其实和数据量几乎成正比。

所以如果有一些垂直细分领域，我们的样本数是不够的。比方说我们只能找到有一些医疗领域，有一些罕见病我们只能找到100个病人，这时候我们用机器，可能只能写出100条业务规则。在这个场景下，机器就远不如人。所以机器大家经常会发现，在一些很罕见的场景计算下，机器比人要差很多。

我们确实会面临一些困惑，机器在某些领域会超过人。又过一段时间，发现在另一个场景下，机器比人又差。所以关于人工智能一直很有争议，一会说它可能要毁灭人类、替代人类，一会又觉得人工智能还是不行，比人差很多。

究其背后的原因，是因为人工智能在不同领域所面临的环境是不一样的。对于一个商业公司来说，构建AI的能力有5个核心的要素。如果这5个核心的要素是比较齐备的，机器就非常有机会超过人。但是如果暂时还有局限，我们就需要思考，如何来满足或者如何弥补目前的局限，来达到一个比较高水平的人工智能，未来各行各业都需要走这样一条路。

1、Big Data——有意义的过程数据

首先是大数据。前几年，我们对大数据的误解，更多体现在只去比较这个数据量的大小。比方我是一个PB级的数据量，你是TB级，可能就会觉得我比你强，其实并不见得。因为大数据还分有意义的大数据和没有意义的大数据，有意义的大数据叫做过程数据。

以围棋为例，什么叫有意义的数据？这些棋谱是有意义的数据，下棋的过程是有意义的数据。什么是没有意义的数据？比如那些棋手或者看等级分排名，对于我们来说也是一样的可以理解。好比我看每一个人下棋，我在旁边看，看着看着我可能自己也会下棋了。但我每天看新闻报道说，柯洁又输给Alpha Go了等，这些看了再多你也不会下棋。所以一定要喂给机器他能学会的那些数据，最后他才能学会。

回到商业上来说，过程数据的收集，大概会分成这样。以一个抽象的model为例，可能用户会对这个公司有一个请求，会提供一个服务。这个服务完以后，我们会收集到一个用户的反馈，叫正反馈或者负反馈，具体到一些场景。比如在线广告，可能用户有个搜索，给他看了广告，他点击就是正反馈，没有点击就是负反馈。

对实施反欺诈来说，我进行了一个刷卡交易，这笔交易可能被授权了。授权了以后可能说，用户发现，这个不是我刷的卡，会投诉到这家银行，或者投诉到这个信用卡公司。如果没有投诉，代表这个授权是对的，如果被投诉了，代表这个授权是不对的。所以机器学习整个是一个过程数据的收集。但目前很多行在数据的收集里，并不是一个特别完备的状态，可能在过去我们更多收集是一些统计数据。

一个优秀的AI模型，大概需要多少过程数据的样本？以我们经验来说，需要大概1000万以上的样本。VC维理论也是一样，我们把VC维做到1000万以上，人就做不过机器了。

如何支撑1000万的VC维？其实需要1000万以上的样本，这实际有一个统计学的原理来支撑。2011年的图灵奖的获得者Valiant，他得奖的公式就是规则数或者模型的维度，要和数据量相匹配，大概是说你有多少的数据，就能做多大的模型，数据量越大，能做出的模型越大。所以为什么我们要收集大量的过程数据，就是为了支撑我们做出更大的模型。

2、Response——数字化的持续反馈

第二方面是反馈。反馈就是我提供服务以后，要能得到一个正向或者负向的结果，告诉我提供的服务到底好还是不好。比如在广告里的点击和非点击，比如在推荐里的接受和拒绝。像这样的反馈，还有很关键的，一定得是能数字化的，因为计算机只听得懂0和1。所以点击如果是1，没点击是0，这是计算机能听懂。

现实情况是，我们经常会很怕一件事情，告诉机器说你要推荐一个好的结果，或者你要推荐一个相关的结果，但其实好和相关是计算机听不懂的语言。最近几年的推荐系统和过去相比，提升了很多。这个提升主要体现在哪？其实推荐系统最近有一个很大的革新，在过去我们认为推荐系统要推荐相关的内容，很强调相关性。

但机器根本不知道“相关”是什么意思。机器只知道，叫0还是1。所以最近大家可能会发现一些风头正兴的一些新闻应用，比如今日头条、快手，当然有大量各种个性化的内容分发，就已经改变了过去那种强调相关性思路。转而优化一些可被度量的指标，比如点击，我推荐的内容有没有被点击。

比方说我点了以后，我看了多久？这个可被度量。比方有没有转发，转发还是没转发，这个也是可以0和1的，收藏、投诉也是可以0和1的。

最终这些所有可被度量的指标，都可以优化。再基于这些可优化的指标来说，我们找到一个结合点。虽然这些指标，并不都能反映所谓的相关性。但是他们其实可被度量，可被度量就可被优化。最后反倒会发现，达到一个比过去优化相关性更好的效果。

在反馈来说，最关键要做到两点：

第一点：数字化反馈，要知道事情可点击或者不可点击这种0和1，或者时长可以被数字化的一些内容。

第二点：持续不断的反馈，任何一个机器都会犯错，犯错不怕，怕得是永远犯同样的错误。持续不断的反馈，假设一个反欺诈系统，我漏过一笔欺诈，我会得到一个投诉，这个用户投诉了以后，我会收集到这个数据，我就知道我犯了一个错误，回过头去我再学习。这样再学习的过程当中，让模型提升的更多。

3、Algorithm——高维度的算法能力

第三个方面是算法，算法是现在被关注比较的。但是其实构建一个强大的科学家团队，是一个很不容易的事，因为这里面会涉及到非常多需要做得事情。现在大家也发现，构建AI能力的瓶颈是招不到人。招不到人，最后发现我们有一堆数据，结果用不起来。

所以第四范式这家公司在做什么事？我们发现，不太可能每家企业都能招到科学家，因为科学家永远是相对小众的一群人。我们大众的人群是什么？其实是开发者。像互联网、移动互联网都不是科学家在做应用，都是开发者在做应用。而现在AI处在一个不太正常的状态，所有的应用基本上都是科学家做得。

第四范式正在致力于改变这个状态，我们把科学家的能力封装到一个平台里，然后能够让业务人员，再加上1-2月的培训，再加上一个平台的支撑，能够完成AI科学家团队做的事情。这是希望降低AI能力的门槛。降低门槛的背后，你的界面越简单，代表你背后的技术越难。

像搜索的界面特别简单，虽然只有一个框，你只需要填东西就行了，但是背后的逻辑或者背后的技术是非常复杂的。

这只是一些案例，很难把所有的事情穷尽。首先关于如何学习万亿特征量？刚才讲到我们要做出1000万条规则，通常机器学习的模型，能做到的级别只有万级别，很难做到1000万以上，我们甚至能做到1万亿以上。1万亿级别的模型，是一个很难的模型。现在主流的深度学习，都是做不到的。

我们早在2013年的时候，在凤巢就做了一个wide and deep model，这个能做到是一个能支持万亿级别特征量的模型。现在我们又把它升级到deep sparse network。Google在2016年的时候，发表了一篇论文讲wide and deep model，其实和我们当时的设计，是非常的相像的。

另外还有一点，是门槛的问题，现在绝大多数的算法设计的受众，全是科学家。第四范式正在致力于研究一些新的算法，比如我们有两个独特的算法：

第一个：线性分形算法。

第二个：He-treenet算法，是一个树和网络结合的模型。

这些事情能够让过去一些门槛高的事情变简化。比方说过去为什么使用算法的门槛高？因为要做大量的数据清洗、特征变换、归一化、特征组合、离散化这样的一些事情。

学习这些需要很长的时间，所以当我们把这些东西全都变成机器自动完成，这样才能让一个机器完成学习的过程，就是数据进来，靠一个算法，出来一个模型就可以用。如果只是这么简单，其实绝大多数的人都是可以使用的。

我其实可以透露一个数据，在我们公司内部，举办了一个名叫“一颗赛艇”的建模比赛。我们找了公司除了建模专家以外的所有人，比如HR、财务、行政、市场、销售人员等。

最后发现有70%的人达到了接近甚至超过了我们科学家用开源工具做出来的效果。所以这就是为什么我们希望把门槛降低，让更多的人做机器学习的一种方式的原因。

4、Infrastructure——高性能的计算能力

第四方面是nfrastructure，其实工程也是很重要的。例如Google，绝对不仅仅是那几个科学家，Jeff  dean其实是一个跟他们创始人级别一样的架构师，他的作用也是同样重要的。因为机器学习没有简单的问题，或者在大数据下没有简单的架构问题。

这是一个叫做逻辑回归的算法，这个算法如果在小数据的场景下，把这些代码拷贝贴掉matlab里跑一下就出来了，很简单。但是如果把它扩到PB级以上的数据量，我们会发现，超过20台机器的时候，你要解决的是机器不在一个机柜里。

那时候你不能假设两台机器传输的速度是一样的，当超过100台机器的时候，你需要解决的问题是，你每次执行任务的时候，都会有机器出问题。当数据量大的时候就有架构问题，这甚至是不亚于算法的难题。

所以我们也在设计一些门槛很高的架构。比如像支持万亿级机器学习的架构。举一个例子，像做机器学习和原来做分布式计算有什么区别？大家都知道，像hadoop、spark这样的架构其实已经相对比较成熟了。他们做这样一件事情，我有一本书，我要让10个人抄这本书，能做得比一个人抄得更快。而机器学习，是让10个人学一本书，学得比一个人更快。

那么抄书只要撕成10份，抄完之后订起来就行。机器学的话就不行，各自学完之后，可能还要交流，还要互通业务。所以整个设计理念会不一样，我们和spark做过这样的对比。随着数据量的增加，我们速度会比spark有一个平方级速度的差别。比方在5万台数据的时候，提升并没有那么多，只有28%。如果再有600多万的话，提升了86倍，在3000多万，提升了400多倍。更大的情况下，spark已经没法跑了，就没有数据了。

所以需要把这些事情，这些门槛很高的技术，都能评比到这样一个平台上，让大家感觉不到这叫分布式，只是一个简单的学习。

5、边界清晰的问题定义

最后，机器学习还需要一个清晰问题的定义，我们目前来说，其实机器学习没有通用之门，只能解决一个单一的目标，有边界的一个问题。其实所谓通用的人工智能，都是一大堆大一目标的人工智能的组合。其实人也没有通用人工智能，每个人都有不会的东西，所以机器也是一样的。通用人工智能，只能到当我们解决问题极大多的时候，才会产生通用的人工智能。

所以像Alpha Go是一个清晰目标的问题，就是赢和输。当然大家会说，单一目标可能不能解决业务问题，推荐就单一目标来说是不能解决的。所以我们可以做多个模型和目标，最后做一个组合的优化，就可以达到多目标优化的结果。

总结来说，我们构建商业AI能力，可能早在30多年前，统计学习已经给了我们一个答案，叫VC维。支撑VC维有以上五大核心要素。实际上我们今天只要想去解决的一个问题，因为要解决同时满足五大前提条件的门槛是很高的，过去为什么只有像BAT做得还不错，是因为这个门槛太高了，要收集5个要素，难度太大。所以我们今天是希望我们用平台的能力，把A和I这个算法和计算能力两块弥补掉。

所以其实在过去，我们要做一个机器学习或者AI能力，其实需要一个很长的步骤。从定义问题到收集数据、目标设定，再做数据的归类、评价、特征提取、模型训练，再到上线，前前厚厚可能快的也是大半年，多则更多时间，甚至有的企业，可能建一遍失败了，换一个团队再建第二遍，第三遍。

但第四范式想要做得事情，其实把中间这些部分全部去掉，让企业能够定义好他的商业问题，把数据收集好了，直接阐述这个商业的解决方案。最后能够极大的增加人工智能开发的供给，让人工智能的应用，能够更大程度的爆发。

我们推出的平台叫第四范式的先知平台，希望去帮助每一家企业，去更容易的建AI的应用。