小欣：大家好，欢迎收听“钛媒体72问”专家分享课《坦白讲》。我是主持人小欣，在课程中我将会陪伴大家探索行业大咖对于前沿领域的深度剖析与思考。现在就和我一起开始了解今天要进行课程的嘉宾吧！

今天的主讲人是第四范式联合创始人陈雨强，他还是第四范式首席研究科学家。本期课程将会分为六大节，第一节陈雨强老师会为我们讲解人工智能为什么获得了这么大的关注。

陈雨强：最近人工智能在工业界越来越火，过去五年之间人工智能的应用是以指数级在上升，不管在公司内部还是行业之间人工智能变成一个炙手可热的名词。从公开资料上可以看到，谷歌在2012的时候其实跟Facebook一样都只有很少量的应用使用了人工智能技术。

但是到2016年Q2的时候谷歌已经有超过2000家的应用使用了人工智能技术，而在Facebook里已经有超过17个大的团队、25%以上的工程师正在使用人工智能。也就是说，在互联网的这些巨头里面人工智能的影响力正在从少数几个产品迅速的扩展到各种各样的产品线上。

还有一个比较有意思的现象，就是人工智能在工业界的影响会越来越大。热词正从“移动+”“互联网+”到“AI+”转变。之前处于跑马圈地的时代，所以说有“移动+”和“互联网+”作为渠道能让传统实体行业焕发新的一春，但是等流量的红利到达一定边界的时候，我们急需一些新的方式能让其增长持续保持。

AI是下一个增长的点，所以传统“互联网+”的公司纷纷转向“AI+”。比如说滴滴、美团，小米他们拥有很多的数据，现在也在纷纷建立研究院，研究这些数据怎么样能产生更大的价值。比如美图背后有大量的照片，所以他们也可以成为非常优秀的人工智能公司。除此之外，还有一些天生就是人工智能与行业结合的公司，比如说人工智能加上新闻就是头条，人工智能加上机器人就是大疆这样的公司。

给大家分享之前我介绍一下自己的经历。AI大潮从2001年开始呈指数级的上升，非常有幸我赶上了这波的大潮。当时在学校里我主要做的是迁移学习方面的研究，在NIPS和AAAI等顶会上有比较多的论文发表，然后到了工业界之后我发现其实看到的问题和现在有很大的不同。

我毕业之后首先去的是百度，在百度主要负责的是搜索广告系统——凤巢系统。这个阶段是解决公司的一个问题：怎么提高广告点击率？当时做的事情偏纯技术，我主要做的是如何将上千亿特征的机器学习系统变成一个深度学习的系统，这也是当时我们所知道的世界上第一个把深度学习应用到商业变现上的一个成功系统。

之后我去了今日头条，在头条和百度遇到的问题其实并不太一样。百度凤巢里面遇到的问题主要是搜索广告，在头条里我会遇到很多的问题比如说主信息流推荐、小频道推荐、视频推荐、信息流广告、评论排序等等非常多的应用和业务。这样的应用和业务对我来说最大的感受是，我发现了人工智能需要更紧密地和产品、应用相结合。

我在头条除了做了一个大规模的机器学习系统让它有个性化的推荐效果之外，还有一个很重要的事情就是设计了一套机制，能够让机器学习系统发挥最大的效能。打个比方来说，机器学习系统是一个汽车的引擎而我们设计的就是一个传动系统，有了一个比较好的传动系统才能把机器学习的能力发挥到极至。

离开了头条之后我到了第四范式，在第四范式我面临的行业更加多种多样。不止是新闻行业，可能是金融、电信、互联网包括各种各样的问题，有获客、风控、营销、推荐、排序等很多很多的问题。所以在这个地方我遇到的新问题是，怎么样能把我在过去拥有的人工智能知识应用到各行各业。

从解决一个公司的一个问题，到解决一个公司的很多问题，再到解决各行各业的各种问题，这个经历给了我比较多的思考。比方说如何做一个人工智能系统？如何让一个人工智能系统更加广泛的在一个公司内部被使用？如何让一个人工智能系统有更好的机制？以及如何让人工智能系统进入到更多的行业之内？这是在人工智能非常火爆的时间里我想跟大家分享的经验。

为什么人工智能在最近一段时间非常火，而不是更早的比方说十年前、二十年前非常火呢？为什么AlphaGo能打败李世石是在2016年而不是更早呢？我们直观地认为因为算法的创新、因为出现了深度学习、因为出现了DQN这样新的算法，但是这只是一部分原因。国内外很多专家总结出了人工智能成功的五大条件，我这里跟大家分享一下：

第一个边界清晰。比如说对于下围棋这样的问题来说，我们需要做19×19的棋盘，黑白两方轮流下子，最后看谁围的空多谁就赢这样的一个问题。如果我们把棋盘的大小变成20×20或者我们改变了黑白两种子的颜色，有黑白红三种颜色，或者说我们改变了围棋的规则的话这都会导致AlphaGo失效。

第二个充足的外部反馈。外部的反馈其实包括两点因素，第一点我们需要有外部告诉他是输还是赢，不断的有外部的棋手跟他进行对战或者是自我的博奕，有输赢的外部反馈才会让他不断进步。第二点系统本身也需要不断的自我更新适应外部的反馈。

第三个计算资源。虽然说最近的算法有了非常大的进步，但是计算资源也是产生智能非常关键的一点。最近业界在分布式计算的成功让我们相对于几十年前有了一个技术上巨大的飞跃。举个非常有趣的例子，当时AlphaGo描述他棋力的时候都是用他使用的硬件资源来描述，比方说用单机版的AlphaGo和更高智能的所谓多机并行的AlphaGo。从这个地方可以看出计算资源对于人工智能的高低起着至关重要的作用。

第四个是顶尖的数据科学家和顶尖的人才。强化学习、深度学习最近被重新提出需要非常多科学家的大量工作，这些算法才能真正的被推行。现在在围棋、语音和图像上面，这些技术都获得了非常广泛、长足的进步，那在其他的领域仍然需要非常多的科学家做很多的研究让这些技术能真正的进入各行各业。

第五个大数据。这个其实是AlphaGo成功的关键。因为当时KGS很流行，所以在KGS上有数十万盘高手对弈的棋谱，如果没有这些数据AlphaGo绝对不可能在这么短时间之内击败人类。

这些要素总结起来有三点：一方面我们需要有很好的技术，包括计算资源和大数据。一方面是业务边界要清晰，要有反馈。另外一方面我们需要有人，我们需要有很好的科学家、很好的场景，能让我们使用上人工智能。

小欣：下节课，陈雨强老师会为我们讲解如何获得一个好的机器学习系统。

【版权归钛媒体所有，未经许可不得转载】