人工智能人物訪談篇之二

編者按：

《人工智能人物》是吳文俊人工智能科學技術獎原創科技自媒體公眾號。旨在交流人工智能科技前沿趨勢，對話人工智能領軍人物思想，解讀中國智能科學技術最高獎成長基因，搭建有態度的人工智能產業生態聚合平臺。

《人工智能人物》首次推出訪談欄目，我們采訪了第六屆吳文俊人工智能科學技術獎創新獎一等獎獲得者——第四范式創始人兼首席執行官戴文淵，以下為戴文淵的獨家報道。

獲獎人物介紹

戴文淵，男，漢族，1983年生，畢業于上海交通大學，ACM世界冠軍，第四范式創始人兼首席執行官。2003-2004年，獲得ACM-ICPC競賽三屆亞洲冠軍(2003一次冠軍，2004兩次冠軍)；2005年，獲ACM-ICPC全球總冠軍；2005年，獲上海交通大學校長獎；2006年，獲中國青少年科技創新獎。2009-2013年就職于百度，2011年，獲“最佳百度人”；2012年，獲“百度最高獎”。2013-2014年任華為諾亞方舟實驗室主任科學家時 ，獲華為“President Award”。2015年，他和機器學習領域的頂尖科學家、工程師、咨詢專家及行業專家一起，創立了通用人工智能平臺型企業“第四范式”。2016年，憑借“基于遷移學習的下一代機器學習平臺”項目成果，榮獲第六屆吳文俊人工智能科學技術獎創新獎一等獎。

從ACM奪冠到研究人工智能，從百度到華為再到自己創立第四范式，戴文淵用過去十幾年的實踐證明了，“AI”是可以“for someone”的；現在，戴文淵和他帶領的第四范式正在證明，“AI”終將“for everyone”。

AI開始接管越來越多的“策略制定”工作

人工智能是被各行各業寄予厚望的未來技術，目前公眾關注得最多的AI集中在感知層，例如人臉識別、語音識別、無人車等。但是，真正利用AI創造核心價值的公司，都是將AI技術用在了企業中后臺的經營上，讓機器自己能夠自動進行精細化決策。

決策的AI化才能實實在在提升企業經營效率。企業內部的角色分成三種：高層做的是戰略制定，中層的工作是策略制定，基層是策略執行。互聯網和移動互聯網改變的是基層的工作，越來越多的企業將策略的“執行”交給計算機。今天，人工智能改變的實質是，策略制定正在交給機器來做。

相比于過去依靠人來制定策略，機器制定策略的優勢更為明顯。例如，第四范式和瑞金醫院合作的一個項目，是對未來三年糖尿病患病概率進行預測，機器制定出了50萬條判斷規則，而在此前，中、美兩國的傳統判斷標準只有10-30條，這是數量級層面的巨大提升。此外在金融領域，過去業界認為最好的反欺詐模型是1000條規則，這是頂級專家能做到的極限，而國內領先的股份制商業銀行基于第四范式的AI技術，可以找到超過25億條規則。再比如，在內容分發領域，千人千面的個性化推薦應用開始備受推崇，那如何才能做到個性化內容推薦？實際上，只要當業務規律數超過人數，每個人都可以被不同規律覆蓋，就能做到個性化了。

企業要解決的三個瓶頸問題

這幾年，AI給企業、行業和產業創造的價值已在越來越多的落地項目中變得更為清晰。但是，AI目前的門檻太高，將很多有大量需求的場景擋在門外，沒有真正參與到這場變革中來。AI的生產效率提不上去，戴文淵將原因總結為實企業AI落地要過認知、數據、算法三道門檻：

首先，AI落地的第一道門檻是認知門檻。談到AI，我們首先要正視一個問題：深度學習不是普通人能理解的交互方式，業務人員所關心的業務也不是科學家擅長的。怎樣將業務人員關注的風險管控業務和科技人員關注的深度神經網絡技術結合到一起？這就需要把公眾可認知的交互方式和科技結合起來，形成一個門檻比較低的人工智能構建過程，使算法與業務進行對接。第四范式把這樣的AI構建的過程標準化了，借鑒教育學的“庫伯學習圈理論”，總結成為四步標準動作，分別是“行動”、“反饋”、“反思”、“理論”。通過構建起閉環，形成機器學習的學習圈。AI應用應該像學習圈一樣，將業務閉環與AI產生的過程融合到一起。

其次，在機器學習過程中，如果缺乏有效數據，效果就會受影響，這就涉及到第二個門檻——數據門檻。AI是基于大數據的，但很多企業有數據卻不能產生AI，這是因為有大數據不等于就有AI。大數據分為兩種：BI的大數據和AI的大數據。過去的大數據多數是為BI設計的，BI大數據主要是幫助人去總結一些經驗；AI大數據是給機器看的數據，主要是完整和實效性高。因此，兩個大數據系統的設計理念天然不同。我們經常會看到企業由于過去建設了面向BI的大數據系統，又將AI建設在這個大數據系統之上，非但沒有幫到AI的落地，反倒成為AI落地的障礙。正是因為傳統的BI大數據系統限制了AI的發展，第四范式自主研發一套面向AI的大數據系統：收集行為數據，收集反饋數據，讓機器自主學習。

最后，是關于算法的門檻，未來的AI，不應該依賴科學家來調參，而是讓算法做到不需要科學家，讓機器去學習。這也是破解AI落地算法門檻的關鍵。讓機器自動建模、自動調參，這在機器學習領域稱為Auto ML。第四范式從3年前開始發展不需要調參的Auto ML， 能夠讓用戶在沒有機器學習研究背景的情況下開發機器學習模型、或是縮短數據科學家用來創建模型的時間和精力投入。第四范式作為世界上最早開始研究Auto ML的團隊，也是世界領先的團隊，今年，第四范式也在與諸多國際巨頭的競爭中，取得了國際最具影響力的神經網絡會議NIPS中的Auto ML大賽的承辦權，成為國際Auto ML的領導者。

“先知”登場

為了解決AI落地的三大門檻問題，第四范式自主研發了“第四范式先知”的平臺。正是憑借“先知”平臺的領先性，戴文淵獲得了第六屆吳文俊人工智能科學技術獎創新獎一等獎，打破了該獎歷年只授予頂尖高校、重點實驗室和科研機構的傳統。“先知”系統的核心出發點是降低人工智能應用的開發難度，并為企業開發AI應用提供支撐，從而實現人工智能在各行各業的廣泛應用。

“先知”的設計，來源于學習圈理論。學習圈是大衛·庫伯提出的經驗學習模型理論，其認為人類學習的過程是由“行動——經驗——反思——理論”這四個階段構成，即通過行動產生經驗，再通過反思將經驗總結為理論，指導新的行為。戴文淵將人類的“學習圈”類比到機器學習領域，機器決策是由過程數據（行動）、反饋數據（經驗）、機器學習（反思）、產出模型（理論）構成的“機器決策閉環”。換而言之，就是建立機器對復雜事情的判斷能力和場景決策能力，模擬人的思維過程，訓練機器能像人一樣作出決策規劃、產生策略。

當前，第四范式先知平臺按照機器的學習圈理論，構建數據、算法和生產三大核心，給企業客戶提供包括行為數據、反饋數據、模型訓練和模型應用在內的全流程應用。客戶點擊進去進行簡單操作，就可以得到想要的應用服務，打造出完整的基于AI技術的全流程決策系統。同時，第四范式提供開發工具，讓合作伙伴在各自行業內開發應用，應用開發出來后，通過相關載體，企業拿去安裝即可，合作伙伴不需要派人到每家企業部署實施。

按照戴文淵的設想，隨著“先知”平臺的發展，AI門檻將會進一步降低。未來，只需要把企業的業務目標告訴機器，機器就可以從企業數據倉庫中創造出業務價值。

獲獎項目成果及進展

遷移學習(Transfer Learning)與過去的機器學習方式相比，可將從一個環境中學到的知識用來幫助新環境中的學習任務，從而更接近人類學習的行為。遷移學習近年來受到機器學習領域的廣泛關注，正逐步成為人工智能和機器學習研究領域的主流方向之一。

本成果在遷移學習理論方面做出了世界領先的成績：(1) 完成了遷移學習的基本理論與算法研究；(2) 提出了全球首個非監督遷移學習算法；(3) 世界范圍內首次提出通用遷移學習框架。本成果的特點還在于理論研究與產業應用的深度結合。戴文淵將遷移學習技術應用于百度鳳巢在線營銷系統、百度大腦等多個重量級核心產品，大幅提升了業績，由此成為百度最年輕的T10科學家。

此后，戴文淵幫助華為建立起遷移學習的人工智能能力，完成了遷移學習在運營商領域的第一次落地。2015年，戴文淵創立了第四范式公司，其主導研發了基于遷移學習的下一代機器學習平臺—“第四范式.先知”，該平臺致力于將以遷移學習為核心的人工智能技術，以產品化、平臺化的方式呈現，惠及更多企業。基于本成果在產業界的應用，戴文淵共主導或參與了17件發明專利申請、1件實用新型專利申請和8件軟件著作權登記。

獲獎者寄語

戴文淵：作為AI技術的堅定信仰者與早期實踐者，第四范式一直致力于降低AI應用門檻，希望AI能普惠大眾、賦能百業。“AI For Everyone”的企業愿景要求第四范式走的不是一條顛覆式創新的路，而是要幫助各行各業的合作伙伴、成為各自領域最好的AI公司，與大家共建AI時代。