第四范式戴文渊：商业公司构建AI能力的五大核心要素

○ 在一个垂直领域，如果能用机器基于数据写出超过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。

○ 对于一家商业公司来说，构建AI的能力有5个核心的要素,分别是Big data（大数据）、Response（持续的反馈）、Algorithm（算法）、Infrastructure（计算能力）和Needs（明确的需求），合在一起就叫做Brain。

○ 有意义的大数据叫过程数据，一个优秀的AI模型需要约1000万以上过程数据的样本。模型越大，需要的数据量越大。

○ 反馈最关键要做到两点：第一点：数字化反馈，即反馈是可被度量的。第二点：持续不断的反馈。

以下是演讲实录：

用VC维理论构建AI方法论

我们在学术领域研究机器智能，是基于统计学来构筑AI整个方法论。统计学里最重要的理论叫VC维理论，为什么叫VC维？是因为这两个科学家提的，一个姓V一个姓C，各取一个首字母，叫VC维。

VC维反映的是什么？结论就是，如果一个机器模型，他的VC维越高，这个机器的模型会越强。VC维不只能刻画机器的智能，还能刻画生物的智能。人脑的VC维也能算出来，大概是多少、约等于大脑脑细胞个数，前面可能只差一个常数项。

未来无论人的智能还是机器智能，都可以套在VC维理论的框架下解决。企业构建AI能力，就是要不断把VC维做大。

机器和人谁更强？1000万条规则是个门槛

以牛顿三大定律为例，牛顿是物理学专家，他看了很多物理的自然现象，最后总结出三条规则。如果机器做牛顿的事，他会把整个自然现象按照速度分成3000万个区间，然后在每个区间里总结出三条定律。

目前的人工智能的应用，都是由机器来总结规律，由于机器不知疲倦，所以能够做得更细、达到更好的效果。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。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，可以显著地实现原来传统业务专家达不到的效果。

我们有一个经验，在一个垂直领域，如果能用机器基于数据写出超过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。

但是其实也不是所有领域都能写出1000万条业务规则，因为你能写出业务规则的数量，或者模型VC维的数量和数据量几乎成正比，而在一些垂直细分领域样本数是不够的。比如医疗领域，一些罕见病只能找到100个病人，这时候用机器只能写出100条业务规则。在这个场景下，机器就远不如人。

商业公司构建AI能力的五大核心要素

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,分别是Big data（大数据）、Response（持续的反馈）、Algorithm（算法）、Infrastructure（计算能力）和Needs（明确的需求），合在一起就叫做Brain。如果这5个核心要素是齐备的，机器就非常有可能超过人。但是如果暂时还有局限，我们就要思考如何弥补目前的局限，来达到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。

数据

前几年我们对大数据的误解体现在只去比较数据量的大小，其实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？棋谱、下棋的过程。什么是没有意义的数据？比如那些棋手或者等级、排名。好比说两个人下棋，我在旁边看，看着看着我自己也会下棋了。但我每天听新闻说柯洁又输给AlphaGo了等等，听得再多也不会下棋。所以一定要喂给机器他能学会的那些数据。

回到商业上看过程数据的收集，以一个抽象的Model为例，用户会对公司有一个请求，公司会提供一个服务，完成后会收集到用户正向或负向的反馈。具体到一些场景，比如在线广告，用户通过搜索看到一个广告，会选择点或者不点，点击就是正反馈，没有点击就是负反馈。又比如对于个性化推荐来说，我访问了你这个APP，你给我推荐了很多内容，如果我接受了这个推荐，就是正反馈，没有接受就是负反馈。

我们经验来说，一个优秀的AI模型需要约1000万以上过程数据的样本。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，这里面实际有一个统计学的原理来支撑。这个公式稍微有点复杂，但只要记着这个科学家就行了，他叫Valiant，是2011年的图灵奖的获得者。他得奖的这条公式，简单说就是规则数或者模型的维度要和数据量相匹配，所以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。

反馈

反馈（Response），就是说我提供服务以后，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。反馈一定得是能数字化的，因为计算机只听得懂0和1，比如点击是1，没点击是0。现实情况是，我们经常会告诉机器你要推荐一个好的结果，或者你要推荐一个相关的结果，但好和相关是计算机听不懂的语言。

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，所以过去的推荐其实很不合理。

最近几年的推荐系统和过去相比提升了很多，现在今日头条、快手都有各种个性化的内容分发，他们采用了先进的推荐系统，改变了过去强调相关性思路，转而优化一些可被度量的指标，比如推荐的内容用户有没有点击，点击后看了多久，或有没有转发、收藏、投诉。

虽然这些指标并不都能反映所谓的相关性，但它们可被度量，进而可被优化，最后达到一个比过去优化相关性更好的效果。

反馈最关键要做到两点：第一点：数字化反馈。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。比如最早AlphaGo的模型只有30万盘棋，就是通过自己和自己下，赢了得到一个正反馈，输了得到一个负反馈，持续不断又下了8000万盘棋，达到一个可以打败棋手的效果。

算法

算法（Algorithm）是现在被比较关注的。一家公司构建AI能力的瓶颈是很难招到科学家，因为科学家永远是相对小众的一群人，最后发现空有一堆数据却用不起来。

我们的受众人群实是开发者，互联网、移动互联网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的。

第四范式希望改变这个状态，我们把科学家的能力封装到一个平台里，让业务人员能够完成AI科学家团队做的事情。第四范式正在致力于研究一些新的算法，比如两个独特的算法：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，当我们把这些东西全都由机器自动完成，这样才能让机器完成学习的过程，就是数据进来，跑一个算法，出来一个模型就可以用。如果只是这么简单，其实绝大多数人都是可以使用的。

计算能力

第四个叫计算能力（Infrastructure），机器学习没有简单的问题， 其实管理机器和管理人是一样的，当你管理20团队的时候，会出现一些问题，超过100人的时候又会出现一些问题，可能每天都会有员工请假等等。同样的道理，超过100台机器去跑一个任务，每次跑任务都会有机器宕机。超过1000台机器的时候，会出现各种分配任务的不均衡，有的机器可能在跑，做了很多的事，有的机器闲着没事干，这都是很复杂的。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，比如支持万亿级机器学习的架构。举个例子，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。

抄书只要撕成10份，抄完之后订起来就行。机器学就不行，各自学完之后，可能还要交流，还要互通有无。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有平方级速度的差别。比如在5万太（Terabyte, 1T=1024G）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。

所以需要把这些门槛很高的技术，都屏蔽并封装到这样一个平台上，让大家感觉不到这叫分布式，只是一个简单的学习。

需求

最后，机器学习还需要一个清晰的问题定义，也就是所谓的需求（Needs）。目前机器学习没有通用之门，只能解决一个单一的目标，存在边界问题。其实所谓通用的人工智能，都是一大堆单一目标的人工智能的组合。能到当我们解决的问题极大的时候，才会产生通用的人工智能。

像AlphaGo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，比如推荐就单一目标来说是不能解决的。所以我们可以将多个模型和目标做组合优化，就可以达到多目标优化的结果。