3月19日，創(chuàng)新工場聯(lián)合中泰證券舉辦了智能化研討大會第一期：人工智能（AI），邀請了行業(yè)內(nèi)最頂尖的專家人才，從產(chǎn)業(yè)邏輯，一二級市場投資邏輯深入淺出分享行業(yè)內(nèi)的發(fā)展趨勢及關鍵節(jié)點，并探討一二級市場龐大的投資機會。 第四范式創(chuàng)始人兼CEO戴文淵分享了他的觀點。
戴文淵(第四范式創(chuàng)始人兼CEO，第四范式已獲得創(chuàng)新工場投資)
戴文淵，遷移學習全球領軍學者。2009-2013年就職于百度，是百度廣告變現(xiàn)算法的核心負責人，百度鳳巢的總架構師，是最年輕的百度高級科學家。曾指導百度鳳巢在線營銷系統(tǒng)、百度大腦等多個重量級核心產(chǎn)品, 使百度變現(xiàn)能力4年提升8倍，他的技術團隊是百度2010年至2012年變現(xiàn)能力持續(xù)超華爾街預期的核心驅(qū)動力。2012年獲得百度最高獎（百萬美元獎）。2013-2014年就職華為，任華為諾亞方舟實驗室主任科學家 。2005年曾獲得ACM國際大學生程序設計競賽世界總冠軍。
內(nèi)容預告
1，AI技術能提供三種能力：一是預測未來、二是數(shù)據(jù)集成、三是終生學習；
2，對于評價預測未來的能力，我認為最重要的有三點，一個細（細分人群），一個叫快（快速決策），一個叫變（動態(tài)變化）；
3，人的智能和機器的智能的差別在處理細節(jié)信息能力；
4，AI有待改善的地方在于它還不能指導人的工作。
以下為演講原文：
謝謝大家，今天下午和大家分享一下這個領域最近比較熱點的，甚至是更早，早到幾十年前這么一路走過來的經(jīng)歷。實際上最近的兩周對我們來說有一個很大的利好，就是我們終于不用再去跟別人解釋我們是什么樣的大數(shù)據(jù)公司。剛才汪華也介紹了說我們公司是個大數(shù)據(jù)公司，其實這件事情對我們來說是很頭疼的事情，假如我們?nèi)ジ蛻粽f我們是一家大數(shù)據(jù)的公司，他們會問你們和百分點什么區(qū)別，然后我們要去解釋百分點是賣給你數(shù)據(jù)的，我們是在數(shù)據(jù)中為你帶來業(yè)務機制，然后他又會問你們和星環(huán)的差別是什么，我們又要去解決新環(huán)是給你儲存數(shù)據(jù)的一家公司，我們是給你從數(shù)據(jù)里面挖掘價值。然后我們現(xiàn)在終于可以解釋他們都是大數(shù)據(jù)公司，我們是人工智能公司。
今天主要會介紹這么幾個部分。第一部分是歷史，可以看到人工智能一路是怎么走過來的。第二部分看看我們現(xiàn)在做到的，以及不能做到的相關部分。第三部分是人工智能未來會往哪方面發(fā)展。
1以史為鑒，人工智能的科學發(fā)展其實智能是什么東西，人類一直在探索。這個挺有意思，比如說智能手機很有智能嗎？iwatch是智能嗎？現(xiàn)在又說無人駕駛汽車是智能。在科學領域智能這個概念探索了很多年，因為科學家特別喜歡定義這些東西。最早定義智能的是這位科學家，圖靈，圖靈最重要的成就是發(fā)明了圖靈機。他特別感興趣圖靈機將來能體現(xiàn)怎樣的智能，所以他提出一個概念叫圖靈測試。圖靈測試是什么概念？他認為計算機智能發(fā)展到最高境界時，如果設置一道墻，讓一個人和一臺計算機在墻后面，另一個人在墻的前面問問題，墻后的人和計算機分別回答，如果無法區(qū)分回答問題的哪個是人哪個是計算機的話，那么計算機就通過了圖靈測試。當時圖靈認為人工智能最高境界就是讓人區(qū)分不出來哪個是計算機，哪個是人。當然圖靈測試到今天來看，已經(jīng)是個偽命題了。比方說我們不是區(qū)分不出來AlphaGo和李世石，而是看誰下得好，誰是AlphaGo。
圖靈之后又有一些別的科學家提出AI相關的概念，比方說Marvin Minsky，他其實是真正的深度學習的鼻祖，只不過他當時提出來的概念叫做神經(jīng)網(wǎng)絡，不叫深度學習。1970年，他提出三到八年內(nèi)我們將會得到一臺具有人的平均智商的機器。并且他也踐行了這個工作，但最后失敗了。他做出來的那個神經(jīng)網(wǎng)絡遠沒有達到人的平均智能。
為什么失??？我們回過頭去看。人的大腦其實也是個由神經(jīng)元組成的網(wǎng)絡，如果我們把計算機的神經(jīng)元接起來做一個神經(jīng)網(wǎng)絡。那么是不是我們做到神經(jīng)元數(shù)量超過大腦時，機器智能就能超過人了？最后發(fā)現(xiàn)一個問題，即便擁有一個和人腦一樣的神經(jīng)網(wǎng)絡，當你沒有能力去訓練這個網(wǎng)絡的時候，其實仍然無法獲得智能。就好象我們自己的小孩，剛出生的時候，他的腦細胞數(shù)量就和成人差不多了，但是那時他沒有學過東西，所以他的智力水平是達不到成人水平的。這是回過頭去看這個事情為什么失敗，但是這個事情過程造成的影響就是“神經(jīng)網(wǎng)絡”這個概念臭了。到2005年的時候，給神經(jīng)網(wǎng)絡平反的時候，沒有人再敢說它叫神經(jīng)網(wǎng)絡了，于是又給它起了一個新的名字叫深度學習。
另外更激進H. A. Simon，他認為二十年內(nèi)，機器將能完成人能做的一切工作。這都是建立在當時的判斷。這些失敗的結果就是我們把神經(jīng)網(wǎng)絡打入冷宮至少三十年。
在這之后，七八十年代提出了一個方向叫做智能來自專家，即專家系統(tǒng)。就是要設計一個系統(tǒng)，這個系統(tǒng)的前端服務于客戶，后端有一個知識庫。這個知識庫是怎么來的？從專家的腦子里來。假設這是一個醫(yī)學的知識庫，那我們應該去找世界上最好的醫(yī)學專家，把他大腦里的知識寫到知識庫里面，寫成一系列的規(guī)則。然后這個系統(tǒng)將來就能更好的服務于人。當時設想挺好，比如一個人類的醫(yī)學專家可以看病，那我找一百個專家把他的知識都寫到這個機器里面，是不是應該比一個人更好。按理這個邏輯是對的，但最后這個方向也失敗了。為什么失敗了？因為發(fā)現(xiàn)專家自己都不知道自己會什么。我們發(fā)現(xiàn)一個專家可能掌握的知識有一百分，他能總結的知識是十分，問題在于他表達不出來。很多時候醫(yī)生要看到這個病人才知道應該如何去醫(yī)。
其實既是人的缺點，也是人工智能的缺點。現(xiàn)在神經(jīng)網(wǎng)絡有一個缺陷，我們發(fā)現(xiàn)比如說AlphaGo會下圍棋，但是它不能復盤，它下的每一步都說不出為什么這么下。人和機器的神經(jīng)網(wǎng)絡都有這個問題，我們擁有的技能，很多時候是沒有辦法表達出來的。專家系統(tǒng)基本上到90年代的時候就被死刑，認為它永遠都達不到人的智能水平。
再后來，也提出一些新的方向，Rodney Brooks他提出智能來自于本能，他認為智能不是一個集中式地集中在大腦，每個細胞都有智能，所以他去制造這種機器人，這個機器人完全沒有大腦，身體的每個部分在控制這個機器往哪里走。他制造了大量的機器人，這些機器人被應用到了美軍的作戰(zhàn)或者說一些危機，例如廠房失火時把重要的東西拿出來。但畢竟來說，他們還是離人的智能水平差很遠。
第一次讓人們感覺到人的智力可能玩不過機器是深藍。深藍現(xiàn)在來看其實是一個暴力搜索的方法，在國際象棋領域打敗了國際象棋的第一卡斯帕羅夫。深藍為什么能做到？是因為國際象棋棋盤比較局限，所以我們通過暴力搜索的方式，我們可以讓深藍往前推25步，而卡斯帕羅夫據(jù)分析能推22步。
深藍雖然說在國際象棋比賽中打敗了世界冠軍，但是人們還是不相信計算機能夠打敗人類。最簡單的方式就是圍棋，甚至不要說打敗世界冠軍了，在95年的時候他們甚至還下過我。
其實一個決定性的時刻是在2005年的時候，有位學者提出神經(jīng)網(wǎng)絡是有用的，甚至神經(jīng)網(wǎng)絡可以訓練很多層，當我們把層數(shù)增加到十層、十一層的時候，他能夠達到一個過去做不到的效果。比方說過去機器視覺被認為幾乎是不可行的，當我們把神經(jīng)網(wǎng)絡做的很深很深的時候，確實會發(fā)現(xiàn)神經(jīng)網(wǎng)絡能表現(xiàn)出一些人的視覺認知過程，剛才汪華也展示了一張圖。圖中我們發(fā)現(xiàn)神經(jīng)網(wǎng)絡可以學出人的眼睛、鼻子這些器官，這和人認知圖像的過程非常像。
那么為什么會在這個時候把這個技術拿出來？其實最重要的原因并不是說又發(fā)明了一個新的技術，而是說這個時代到這個時候，一方面是我們的計算能力提升，我們把神經(jīng)網(wǎng)絡做大做深需要很強的計算能力。到了這個05年、06年，我們的計算機計算成本下降到一個臨界點。另外一方面隨著互聯(lián)網(wǎng)公司的興起，我們積累了大量的數(shù)據(jù)，過去我們用來訓練人臉的數(shù)據(jù)只有幾百上千張圖片，不足以把神經(jīng)網(wǎng)絡訓練好，現(xiàn)在我們在網(wǎng)上可以輕而易舉的獲得到至少百萬級甚至千萬級的人臉圖片，所以基于這些圖片我們訓練一個很深的神經(jīng)網(wǎng)絡模型，能夠遠遠好于過去的人臉識別效果。
就整個框架來說，重點有兩個：一個是技術，機器學習，另外一個是大數(shù)據(jù)。機器學習技術，說實話早就已經(jīng)出來了。其實是各個領域的發(fā)展，包括互聯(lián)網(wǎng)的發(fā)展帶來了大數(shù)據(jù)出現(xiàn)，包括計算代價的降低，方方面面的條件都成熟了，造成了我們現(xiàn)在能夠看到的IBM沃森能夠在智能問答領域戰(zhàn)勝人類最強的選手，像谷歌的機器人能夠在圍棋戰(zhàn)勝人類最強的選手。這是一個時代帶來的結果，并非黑科技的出現(xiàn)。
圍棋只是一個特定的領域，如果考慮商業(yè)應用，還需要積累大量的商業(yè)領域的數(shù)據(jù)。所以很重要的是，我們需要積累大量有意義的數(shù)據(jù)，如果沒有大數(shù)據(jù)的支撐，無法把人工智能給訓練出來。我們需要各行各業(yè)的服務，在服務里面去產(chǎn)生數(shù)據(jù)。這個事情對于中國來說是巨大的機會。因為在中國人口基數(shù)是最大的，中國做一個活動能夠獲得的數(shù)據(jù)量是海外很多地方不具備的。
我自己有一個深刻的感受，我在香港服務過PCCW，這是香港最大的運營商，他們能給我們提供的數(shù)據(jù)量是兩百萬用戶所產(chǎn)生的數(shù)據(jù)，而在中國我們服務于一個福建的運營商就能夠獲得兩千萬用戶的數(shù)據(jù)?？赡茉诤芏嗳丝磥?，福建移動影響力遠遠小于PCCW，但是放在大數(shù)據(jù)人工智能的時代，哪怕是中國一個省所能提供的有意義的數(shù)據(jù)也是巨量的，這些數(shù)據(jù)能夠在商業(yè)領域為我們創(chuàng)造價值。
2人工智能可以/不可以做什么？對經(jīng)營與生活的實際影響？第二部分是關于AI技術提供什么樣的價值。首先是預測未來的能力。我們基于過去積累大量有意義的大數(shù)據(jù)，可以自動分析總結，去預測未來會發(fā)生的事情。當你知道未來有三條路可以走，你就預測走每條路的結果，選擇最好的路去走。未來兩個方向，一個是數(shù)據(jù)集成的能力，怎么能夠讓各行各業(yè)產(chǎn)生的數(shù)據(jù)融合起來，共同去發(fā)揮價值。最后一個是最終能夠達到最高的境界，叫做終生學習。
首先是預測未來，我們發(fā)現(xiàn)很多領域的應用，背后的原理都是預測。比方說搜索引擎，當你在搜索引擎輸入一個關鍵詞，現(xiàn)在假設有一千一萬個候選網(wǎng)頁，我需要去預測，把每個網(wǎng)頁推薦給你，滿意的概率是多少，然后推薦給你最滿意的網(wǎng)頁。這個滿意度可以用一些指標來度量，比如點擊率、瀏覽時長等。
同樣的道理，風險管控做的是什么？當你過來申請一筆貸款的時候，我要去預測你還不上的概率是多少。然后選擇最大概率能還上錢的人，我把錢借給他。
至于推薦引擎，就是預測我推薦給你的東西，你采納的概率是多少。
以上種種的應用看上去業(yè)務方向是差別很大，但是背后所有的能力都可以歸結到預測的能力。
如果我們要去衡量什么叫好的預測能力，我認為最重要的有三點：一個叫細，一個叫快，一個叫變。先解釋細。比如說我現(xiàn)在要精準的找到目標客戶，這個圖中有一個大的客群。其中橘黃色是我想要找到的客戶。我過去有些專家的經(jīng)驗，用一兩條規(guī)則去篩選，最后選擇這樣的客群作為目標客戶，我們會發(fā)現(xiàn)這里面錯誤其實是很多的。如果說我們對人群劃分的更細，就可以更精準的找到目標人群。精細，這是預測能力的第一個方面。
第二個方面，我們會發(fā)現(xiàn)AI跟時代有關系。隨著科技的發(fā)展，信息的傳遞速度越來越快，比如古代傳一封書信要十天半個月以上，到后來書信通過郵局數(shù)天可以送到，IT信息化以后，辦理業(yè)務的時效性基本縮短到T+1的時間，到了互聯(lián)網(wǎng)時代，我們對信息的時效性要求提升到分鐘級、秒級。信息傳遞速度的加快，對于做預測能力或者說決策能力的時效性要求也會大幅度提升。所以我們也會要求我們的AI系統(tǒng)要隨著信息的變化，過去我們是T+1，現(xiàn)在是T加幾分鐘，T加幾秒的變化。
我們知道隨著時間的變化，無論是時代的變遷，還是政策的變化，我們的環(huán)境是一直在改變。如果我們用一個過去的模型去預測未來，當你的環(huán)境變了，決策就會有問題。我們在實踐過程中曾發(fā)現(xiàn)這樣一個問題，在百度鳳巢廣告，如果有兩個星期我們不更新AI模型，最后帶來的收入下降是14%，基本上平均每天下降1%。于是，我們需要盡可能做到至少每天更新一次AI模型，甚至做到每小時、半小時以內(nèi)更新一次。
我們可以對比一下，人的智能和機器的智能，差別在哪里？人受限于精力，不可能把所有的信息都能夠覆蓋到。通常我們認為什么是好的決策者？好的決策者應該特別能抓主干，能夠抓大放小，這都是人的優(yōu)點。有個領域叫做BI，Business Intelligence。BI就是一個典型的基于數(shù)據(jù)的抓大放小的思路，我們拿到大量數(shù)據(jù)統(tǒng)計結果，分析數(shù)據(jù)抽出最主要的結論交給團隊去執(zhí)行，這里面會丟失掉大量的細枝末節(jié)的信息。
過去認為這種細枝末節(jié)的信息是沒有價值的，但是放在機器上，因為沒有精力的限制，不需要抓大放小。比方說一家大銀行一年有幾百億交易，過去我們主要看一些城市的交易分布，或者行業(yè)的交易分布，但是我們不會去分析一家店或者一個pos機的交易情況。但是當數(shù)據(jù)量大到一定的程度，我們發(fā)現(xiàn)哪怕你看一個pos機，一年數(shù)據(jù)量也是成千上萬的，你完全可以分析細到一個pos機的情況，針對一個pos機的行為，甚至一個pos在某一個時間段，比如七點到八點之間的行為，給設計不一樣的決策，這是AI能夠做到。人在目前來說做這個事情不是智商不夠，而是精力不夠，AI能在精力上補充人很大的一部分能力。所以現(xiàn)在這個階段我們要做一個AI系統(tǒng)，去作為人的補充。很重要的是我們要開發(fā)人覆蓋不到的細枝末節(jié)的部分。而這部分我們認為是大數(shù)據(jù)里面80%以上的信息，過去人做分析的時候只看到了20%的頭部信息。
我可以分享一下我們現(xiàn)在能做到的一些case，首先是消費金融領域。這是一個招商銀行信用卡交易分期的case，信用卡的交易有一段時間免息期，如果在賬單前你把錢還上，對于一家信用卡公司來說是虧本的，那信用卡公司怎么盈利呢？我們發(fā)現(xiàn)有30%的客戶會做分期，分期就會產(chǎn)生利息，信用卡公司其實是用這部分利息來盈利的。所以一家信用卡公司如果要做營銷，增加它的盈利，最重要的是增加它的分期交易。有一種方式是主動營銷來獲得更多的分期交易。我們做的是，基于每天數(shù)十萬的信用卡的交易，更精準的定位哪些客戶是更有概率去做分期的，然后選擇更有概率做分期的客戶做營銷，最后在同等情況下提升60%的收益。
我們與招商銀行一起設計了一個新的思路。過去他們怎么使用數(shù)據(jù)？他們會從系統(tǒng)里面去收集一些數(shù)據(jù)。收集數(shù)據(jù)的時候，一個最頭疼的問題是不知道要收集哪些的數(shù)據(jù)，這時候往往需要做規(guī)劃，什么數(shù)據(jù)要收，什么數(shù)據(jù)不要收，然后再把收的數(shù)據(jù)拿來看看能分析出什么結果，最后再看發(fā)揮什么作用。由于層層衰減，到最后產(chǎn)生價值的時候，往往已經(jīng)衰減得很厲害了。我們提出，不應該先討論要收什么數(shù)據(jù)，應該先討論的是要完成什么目標。你的目標是什么？交易分期業(yè)務的目標是希望能夠提升交易分期的收入。然后我們把這個收入目標去做分解，交易分期我們是用短信主動營銷，我們把它拆解成：短信的發(fā)送量*短信的響應率*分期費率。然后，目標被確定為提升短信的響應率。在這個基礎上我們認為我們需要去預測給它發(fā)送短信的成功率，我們需要有一個短信成功率預測的模型。這個模型確定以后，我們基于這個模型去分析需要什么數(shù)據(jù)。
即便確定下來需要的數(shù)據(jù)，這個時候我們?nèi)匀徊恢肋@些數(shù)據(jù)到底有還是沒有，但是我們先把這個數(shù)據(jù)需求規(guī)劃出來，然后再反過來從各個系統(tǒng)里面去找哪些系統(tǒng)里面有這些數(shù)據(jù)，最后把這些數(shù)據(jù)找出來。我們找到了2 TB數(shù)據(jù)，在里面設計出了超過五千萬特征。最后我們建立了這個模型，它能夠在一個短信還沒發(fā)出去之前，更精準的預測，這個短信發(fā)出去的成功概率。我會選擇成功概率最大的一些短信進行發(fā)送，最后與過去的專家模型相比，我們的模型能夠多定位68.6%的分期交易，提升61.7%的手續(xù)費。
所以從整個思路來說，首先是從目標出發(fā)，到需要去建立什么模型，再到需要什么樣的數(shù)據(jù)，再到各個系統(tǒng)里面去尋找數(shù)據(jù)——這樣的一個過程。基于類似的思路我們還做了很多其他的case，比如說信用卡的賬單分期模型，信用卡的汽車貸款精準營銷模型，例如賬單分期我們提升28%的收入，汽車分期能夠提升百分之二三百的收入。
第二個case不是我們做的，是我們公司一個聯(lián)合創(chuàng)始人在加入我們公司之前做的一個案子。相信大家都很熟悉，叫做今日頭條。今日頭條要干什么事？要給每個人推薦不一樣的閱讀，每個人看到的都是自己想看到的內(nèi)容。同樣是從目標出發(fā)，我們要定義的是，你看到的新聞，什么叫好，什么叫不好。當時定義了很多指標，比方說點擊率、閱讀時長、收藏率、轉化率、用戶抱怨量。然后我們那個聯(lián)合創(chuàng)始人做的是什么事情呢？他建立各種各樣的模型，當你過來今日頭條訪問的時候，就可以預測給你推這個新聞的點擊率是多少，閱讀時長是多少，收藏率是多少，轉發(fā)率是多少，用戶抱怨量是多少?；谶@些預測指標，可以得到一個綜合的打分，基于這個分數(shù)推薦閱讀。個性化是怎么做到的？個性化的背后的原理其實也是預測能力。就是說我要基于不同的人的情況去預測，給不同人推薦新聞、商品、或者其他對象，你喜歡的概率是多少。
聯(lián)系客服
