「我國有超 1.1 億的糖尿病患者,是典型的糖尿病大國,但通常只有 30% 的患者知道自己得了糖尿病,臨床上經常見到一個患者是在患病十年以后,發生了心臟病、腎衰竭等才知道自己患了糖尿病,這時醫生也很難逆轉病情。」

上海瑞金醫院國家代謝性疾病臨床研究中心 AI 研究負責人趙志云分享道,后來醫院跟一家 AI 公司合作開發了一款糖尿病風險預測模型「瑞寧知糖」,可以預測人們未來三年患糖尿病的概率,比此前芬蘭和美國通用模型準確率高 2~3 倍,可為特定的人群提供很好的判定和干預。

這家公司正是第四范式,之所以能夠取得這樣的成果,是因為通過 AI,機器可以在海量數據中尋找千萬甚至數億條規則,從而提升醫院糖尿病預測的準確性。

第四范式所做的正是打造一個通用 AI 平臺,為企業構建智能「大腦」,優化企業的效率與決策。過去四年,第四范式已經將 AI 落地 7617 個客戶、12648 個場景,不僅在商用落地上取得一定規模,也驗證了自身平臺的通用性。

第四范式也是資本市場的寵兒,紅杉資本從 A 輪開始就連續追投,去年 12 月更是完成超 10 億元的 C 輪融資,短短四年估值已達 12 億美元,可謂名副其實的獨角獸企業。

尤為值得注意的是,它是中國五大國有銀行(工商銀行、農業銀行、中國銀行、建設銀行、交通銀行)共同投資的唯一科技公司,可謂金融行業的「寵兒」。據悉其在銀行業的頭部客戶占有率已超過 70%。

立足于過去 4 年的 AI 落地實踐,第四范式現在回答了一個重要問題,企業轉型如何用 AI 構建競爭力,它總結出了一套方法論「1+N」,「1」代表企業的核心業務需要用 AI 做到極致,「N」代表企業的眾多場景要用 AI 大規模落地。

由此,第四范式還在戰術層面給出一套組合拳的打法,包括最新推出的 AI 軟硬件一體集成系統 SageOne,助力企業低門檻、高效的落地 AI 應用。

1.「1+N」的構想在于價值最大化?

機器之心發現,AI 落地產業緩慢的一個關鍵問題是信息不對稱,傳統行業往往不知道 AI 能夠解決什么問題,而 AI 公司往往不知道行業的真實需求在哪里。而現在第四范式試圖解決這一問題。

在幫助企業轉型及應用 AI 的過程中,第四范式從中抽象出了一套方法論「1+N」。其中「1」代表企業的核心業務,需要利用 AI 達到極致效果;「N」代表企業的眾多業務場景,可以通過 AI 的規模化落地,實現企業整體經營效率的提升。

這意味著企業不需要關心 AI 能夠解決什么問題,而是轉而聚焦自身的核心業務上,想辦法將核心業務和 AI 結合起來,集中精力做到極致。

企業的核心業務往往是企業的「命脈」,也是構建企業競爭力的關鍵,哪怕 1% 的提升都至關重要。第四范式創始人&CEO 戴文淵舉例道,對于制造企業能夠將原材料的采購成本下降 1%,對于餐飲企業將個性化菜品推薦效果提升 1%,對于金融企業的貸款逾期預測效果提升 1%,甚至足以改變企業的競爭格局。因此,面對核心業務,AI 須做到極致效果。

N 則是指企業在 AI 改造過程中,往往存在眾多場景應用。盡管它們不是核心業務,但 AI 的規模化落地,往往比單場景的極致效果對企業更為重要。假設一個企業有一千個場景,其中一個場景提升 10 倍,對整個企業來說,只有百分之一的提升。但如果一千個場景都 AI 化,每個場景只提升 1 倍,那對企業也是百分之百的提升。

因此,AI 的規模化落地對于企業的智能化轉型同樣尤為重要。

第四范式聯合創始人&首席架構師胡時偉告訴機器之心,「1+N」的策略主要是為了企業價值最大化,這同時需要考慮收益最大化、機制最優化與獲得價值的成本。

中國工商銀行大數據與人工智能實驗室陳建軍稱,資金安全和交易安全對于工行的個人客戶和企業客戶尤為重要,通過第四范式先知平臺高維和實時能力的支持,工行構建了上億維的模型,提升了該領域模型的業務效果。此外,陳建軍認為,智能項目的實施過程中數據的閉環非常重要,2018 年以來,場景的落地效率有明顯提升。

2.降低企業使用 AI 的門檻

對于企業 AI 轉型而言,「1+N」是戰略指向,而在戰術層面,第四范式也給出一整套打法,讓企業實現「1」與「N」的 AI 化。

針對「1」核心場景,要想實現極致的業務效果,第四范式給出的解法是「高維」+「實時」。

胡時偉談道,越高維度的 AI,意味著效果越極致。第四范式開發的高維機器學習引擎,最高可支持萬億維度,高維模型可以利用海量業務數據中的海量特征,進而提升模型的精準度和業務的智能化水平。

另一個是實時,隨著服務線上化以及對極致體驗的追求,業務的實時響應越來越重要。結合第四范式本次發布的 AI 軟硬一體集成系統 SageOne,可實現高維模型毫秒級響應的實時決策。胡時偉舉例道,實時的金融風控可將客戶損失降低 30%~50%。

對于企業而言,誰先做好高維與實時,就意味著率先提升生產力,率先為客戶提供個性化的精準服務。

另一個維度是「N」的 AI 規模化落地,規模化落地的關鍵在于簡單、高效、TCO。通過規模化落地,釋放企業的創新活力,對企業的 AI 轉型和競爭力提升尤為重要。而認知水平、數據成熟度和人才門檻則是目前規模化落地的三大主要挑戰。

針對如何解決認知問題、數據問題、人才問題,第四范式從統一的方法論和構建閉環 AI 應用兩個維度給出解法。

統一的方法論意味著用統一的認知和方法規模化生產 AI,第四范式借鑒了人類學習的過程(由行動——經驗——反思——理論這四個階段構成),基于此構建了「先知」AI 平臺,將 AI 開發過程分為行為數據采集、反饋數據采集、模型訓練、模型應用四個步驟。簡單來說,當我們想要給顧客推薦美食,我們會先讓機器采集顧客過往飲食喜好的行為數據,然后推薦給顧客相關食物,并采集反饋數據(顧客是否喜歡),基于這些數據進行模型訓練,最終指導機器做出決策,而持續不斷的數據采集支持下的模型進行自我迭代,可以帶來決策效果的持久提升。

從實操層面來說,構建閉環 AI 應用往往涉及兩個問題:模型與數據。企業往往缺乏 AI 專業人才來開發模型,降低模型開發的門檻,讓 Web 工程師就能夠構建 AI 應用勢在必行。為此,第四范式每年投入超 50% 資源在科技研發上,其中 AutoML 就是一項關鍵技術,通過機器自動建模,降低模型的開發門檻。第四范式聯合創始人、首席研究科學家陳雨強現場發布 AutoML 2.0 技術,它不僅是世界首個交互式 AutoML 技術,同時具備自動跨表特征增強能力,實現復雜數據下的自動建模過程。

另一方面,在 AI 應用開發周期中,數據準備占據 60% 以上人天成本,傳統數據治理架構已成為 AI 規模化落地的瓶頸。第四范式先知平臺從數據完整性、實時性、線上線下一致性三個角度構建數據引擎,解決傳統大數據架構構建 AI 應用的效率瓶頸和性能問題。

基于先知平臺統一的方法論、AutoML 和面向 AI 的數據治理,AI 應用平均上線周期可從 30 人月提升到數十人天,助力企業實現 AI 快速規模化落地。

此外,第四范式還展示了自動半監督機器學習技術,可以讓標注數據下降 80%,進一步解決企業 AI 大規模落地中的數據問題。

最后,無論是核心業務的極致效果,還是 AI 的規模化落地,在底層都需要算力的支撐。而當下傳統服務器架構不足以支撐 AI 對算力極高的要求, 導致企業無法負擔高昂的算力成本。

第四范式本次發布了企業級 AI 軟硬一體集成系統 SageOne,它采用軟件定義計算的架構,實現 AI 算法和硬件的深度耦合,并內置自研 AI 訓練引擎、AI 推理引擎和 AI 特征存儲引擎三大核心引擎,能夠充分釋放算力,使企業低門檻、高效率、大規模構建 AI 應用。

胡時偉稱,SageOne 在核心場景可以做到實時的業務決策,20 毫秒內可實現 20 億維度模型的高并發訪問。另外他還告訴機器之心,相比普通服務器,SageOne 軟硬一體解決方案可實現高維模型構建過程的 6~12 倍加速,TCO 降低到 1/2 到 1/3。

3.從樹立標桿到行業滲透?

過去 4 年間,第四范式在金融、能源、醫療、零售等行業不斷樹立標桿項目,比如和工商銀行開發的反欺詐金融項目,和瑞金醫院開發的糖尿病篩查項目等。

這些標桿項目一方面為第四范式帶來更多的合作伙伴,另一方面也扮演試金石,驗證 AI 平臺的通用性,以及從眾多行業場景中抽象出共性,這對于 AI 平臺的發展至關重要。

現在第四范式又向前邁出一步,宣布開啟「啟航」合作伙伴計劃,打造生態平臺。基于先知平臺,第四范式建立起產品、咨詢、交付、營銷、技術五大賦能中心,接下來將會與解決方案商、咨詢服務商、實施服務商、渠道分銷商及開發者展開生態合作。

在機器之心看來,第四范式的核心能力在于 PaaS 層,早期打造一些行業應用更多是為了樹立標桿,而隨著平臺的進一步發展,必須要有豐富的合作伙伴支撐落地,這一方面可以加速 AI 的規模化落地,另一方面也能夠加深第四范式對于行業的滲透。

當談及第四范式是否會從 PaaS 層縱向延伸產業鏈時,胡時偉稱,「我們的根本目標是幫助企業轉型,我們為企業轉型提供的方法論就是『1+N』,我們所做的平臺產品和軟硬一體集成系統都是為廣泛行業的企業實現 1+N 而服務,而這個過程需要加速發生,需要第四范式和產業鏈內合作伙伴的共同努力。」

對于如何定位第四范式公司,他稱微軟、Oracle、SAP 等都是某個時期的成功者,通過優秀的產品和服務給各行各業帶來了巨大的變革和價值,第四范式也希望成為給各行各業帶來技術落地、創造產業價值的企業。