第四范式戴文渊：人工智能没有泡沫 但落地端有问题

第四范式创始人兼CEO戴文渊

　　新浪财经讯 “亚布力中国企业家论坛第十八届年会”于2018年2月27日-3月1日在黑龙江亚布力举行，主题为“改革开放四十周年 新时代的企业家精神”，第四范式创始人兼CEO戴文渊出席闭幕式并演讲。

　　人工智能存在泡沫吗？戴文渊称，如果把人工智能在各行各业的价值发挥出来，绝对不可能有泡沫，甚至现在给人工智能的投资都低估了整个技术的威力。

　　但戴文渊也表示，人工智能的落地端确实出现了问题。看上去很美好，但是却做不到，一是因为人才少，二是因为人才贵。

　　以下为演讲摘编：

　　戴文渊：一家企业通常会有三类人，企业的高层通常是战略的制定者，中层是策略的制定者，基层是策略的执行者。过去的互联网、移动互联网改变了企业的前台。

　　比如一家银行，它和客户的接触方式是门店和柜员。互联网、移动互联网出现以后，柜员的作用可能被降低了，越来越多的用机器替代人去和客户打交道。但是互联网和移动互联网并没有改变企业中后台人员的工作，仍然有很多资深的业务专家在从事着工作。

　　这一波人工智能希望改变的就是企业的中后台，我们希望机器能够帮助到中后台的工作人员，大幅度的提高企业经营的效率，第四范式就是想解决这个问题。

　　有一个科学家叫吉姆格瑞，他认为科学发展经过了三个范式，其中比较重要的是理论科学的第二范式，像牛顿、爱因斯坦提出的理论。经过第三范式时，计算科学出现了，计算机大量的科研理论，他认为未来科学会发展到第四范式阶段，未来更多的理论会由计算机通过数据去产生，而不是由科学家产生。

　　当然，我们希望计算机做的并不是替代科学家，我们希望在每一个行业里面有更多的科学家，这个科学家可能不一定是人，可能是机器，机器把这个事情做得越来越科学，这种做事的方式是由机器通过数据发现规律。这可能会带来人类科学的大爆炸，这个时候，科学就不再仅仅是我们所谓的物理、化学、生物，而是各行各业都会变成科学。

　　另外，计算机做科学和人做科学不一样，计算机有它的优势和劣势，人在宏观面会更强，计算机在微观面更强。比方说人工智能做医疗，其实医生也是科学家，医生也会基于经验总结规律，一个人满足什么样的条件就是病人。计算机可以做什么？可以做很多医生没有抓住的规律。去年我们和瑞金医院合作，帮瑞金医院总结一个人还没有得糖尿病，我们要判断他三年会不会得糖尿病？过去人总结出来的规律大概是10条到30条，我们帮助瑞金医院总结出50万条规律，这是一个对比，最后比人类最好的专家能提升大概2到3倍的准确率。

　　还有金融的反欺诈，我们帮助一家国内领先的银行，他们过去业务规律的数量大概一千条，有几十人的团队总结一千条的规律。我们基于他们的数据大概总结25亿条的规律，最后得到的差别能比原来提升大概1点几倍到5点几倍。

　　现在，互联网上比较火的是个性化内容分发，每一个个体可能都需要个性化内容分发。我们怎么做到个性化？只要把业务规律数能总结得比人数还多，每个人分配到不同的业务规律，就会让每个人看到不一样的内容。其实这个背后的原理就是让计算机总结更多的规律，这个规律，很可能每条规律拿出来都觉得这些规律我们是可以理解的，但问题是人精力有限，你不可能让人去总结二十几亿条规律，人可能觉得我总结最重要的一千条就行了，但其实我们抓大放小，放小的那部分加起来的总和，最后发现比我们抓的那个大大得多。

　　今天我们发现AI能够改变一家企业的很多地方，看上去很美好，但落地的时候有很多困难，我们谈人工智能是否有泡沫，如果我们把人工智能在各行各业的价值发挥出来，绝对不可能有泡沫，甚至说现在给人工智能的投资都低估了整个技术的威力。

　　但泡沫在哪儿？其实就在落地端。做到了是很好，但是问题是做不到呢？做不到的原因，比如说人才很少。前段我看到一个人工智能人才的分布，主要是集中在大城市的大公司，人才薪酬的分布1万到5万之间。这个数字体现了，一是人才比较少，二是比较贵。但真实的情况比这个更差。

　　我们现在探寻，真正如果把各行各业的AI普及开，真的靠领军人物其实是不够的，因为这些人就是很少，我们哪怕投入很多教育资源，也不见得能培养出多少个领军人物。

　　在今年2月份的时候MIT给出了2018年十大突破性技术，当中排名第一的叫做“给所有人的人工智能”。这个事情其实很重要，在我看来是非常重要的一件事情。为什么很重要？其实我们需要这样的技术，不是那些我们所崇拜的科学家去做AI，而是我们需要让很多很多人都去做AI，这个世界上需要几十万甚至上百万人工智能的从业者，这时不可能几十万领军人物，我们希望所有人都拥有产生人工智能的能力。这其实是能做到的。

　　我们过去认为AI是什么？是深度学习、强化学习，你如果把AI的交互模式变成深度学习，那就不可能让所有的人都能产生AI，不是所有的人都能理解深度学习，也不是所有人都能理解科学计算。

　　我们应该去改变机器的学习方式，让机器通过巴甫洛夫实验的方式去学习，这样让更多人接触到人工智能。在这个情况下，我们开始做一些不一样的事情，它背后是深度学习，但是交互方式不是深度学习，而是叫做一个智能的学习圈，叫行动、反馈、反思、理论。

　　第一，你让机器做一个事。第二，他得到一个反馈。第三，他进行思考，形成他的方法论。最后继续指导行动，这就是巴甫洛夫试验的过程。对应到计算机所能理解的，包括AI模型、过程数据、产出、反馈数据、机器学习。这样一个方法论可以用到不同的领域，反欺诈领域，把不同的数据进行替换，就会形成反欺诈的解决方案。像推荐系统，替换不同的数据，又进入新的场景，产生了一个新的解决方案。

　　医疗领域，其实和推荐、金融反欺诈在业务层面是完全不一样的，但其实在学习层面，大家都是在学习背后业务的方法，学习业务的规律，只要替换掉不同数据层面的事情，最后形成闭环的反馈，就会产生一个新的解决方案。

　　所以，其实要解决各行各业AI的问题，今天真不是培养几个像杰夫肯丁科学家，把他累死也解决不了所有行业的问题，我们需要的是AI核心系统，企业也需要这样的核心系统，让企业各个条线的业务人员都能在上面产生人工智能的能力。

　　我们把它进行一些图形化，不需要编程，告诉机器你需要做什么事，得到什么反馈，让机器进行反思。背后当然是深度学习，但是业务人员根本不需要知道它是深度学习，最后所能产生的模型，能够帮助到企业，提升它的业务效果。

　　最后，我们会帮助企业进行全方位的服务，除了帮助企业建立AI的核心系统以外。还有一个很重要的事，我们需要做一些培训的事情。我们今年做了一个范式大学的计划，帮助企业用四天时间，让一个业务人员完全没有基础，培训成为可以在上面操作产生AI解决方案的一个AI人工智能的从业者。今年我们给自己的目标，为整个业界能够培养一千个人工智能的从业者。这是一个小目标，整个业界需要50万人，今年我们觉得能做1000个就不错了，未来我们希望能够把50万个从业者的空缺都给填补。

　　我今天就分享这些，谢谢大家！

　　新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。

责任编辑：谢长杉