雷鋒網(wǎng)按：4月21日，中國證券投資基金業(yè)協(xié)會主辦的2017金融科技高峰論壇在杭州召開。“人工智能贏在維度。”第四范式聯(lián)合創(chuàng)始人、首席研究科學(xué)家陳雨強(qiáng)在會議上講道，“將來的企業(yè)運(yùn)營中需要有更高的維度，維度的上升使得AI能力提升，從而使得企業(yè)能解決更復(fù)雜的問題，提升企業(yè)效率，進(jìn)而提升企業(yè)競爭力，搶到更多的客戶，提供更好服務(wù)?！?/p>

據(jù)雷鋒網(wǎng)了解，陳雨強(qiáng)曾在百度鳳巢主持架構(gòu)了世界上第一個(gè)商用的深度學(xué)習(xí)系統(tǒng)，在今日頭條主持設(shè)計(jì)了中國用戶量最多的新媒體人工智能推薦系統(tǒng)。

那么，什么是更高的維度？企業(yè)如何提升運(yùn)營效率？如何用人工智能解決更復(fù)雜的問題呢？雷鋒網(wǎng)對于演講全文進(jìn)行編輯整理如下：

人工智能贏在維度

亞馬遜是北美最大的在線零售商，沃爾瑪是世界上最大的連鎖超市。最近幾年，亞馬遜增長良好，增長率高達(dá)50%-60%，最低也在10%左右，而沃爾瑪增長一直處于停滯的狀態(tài)，有時(shí)甚至是負(fù)增長。那么兩者為何有這么大的差別呢？

客戶端復(fù)雜度

沃爾瑪是一個(gè)超市，屬于人力密集型，全球大概有十多萬的員工，亞馬遜則偏技術(shù)密集型。亞馬遜員工人均年收益是62.1萬美元，而沃爾瑪員工的人均年收益只有22萬美元，相差了3倍，這代表兩者效率的差別。在這種情況下，亞馬遜增長速率會越來越快，越來越多地蠶食沃爾瑪市場份額。那是否說明沃爾瑪是一個(gè)菜鳥的公司或在互聯(lián)網(wǎng)時(shí)代不堪一擊呢？

其實(shí)并不是。從某種角落講，沃爾瑪是數(shù)據(jù)挖掘的先驅(qū)，早在20年前，沃爾瑪就有數(shù)據(jù)挖掘方面的探索和研究，啤酒和尿布的例子就是典型代表。

沃爾瑪為什么在互聯(lián)網(wǎng)時(shí)落后了呢？我們發(fā)現(xiàn)沃爾瑪是基于地點(diǎn)推薦（Location Based）的，亞馬遜則是基于用戶推薦的（User Based）的，后者需要做到千人千面，每個(gè)人在亞馬遜上看到的首頁、搜索頁、推薦頁都是不同的，這種不同導(dǎo)致兩者員工的人均年收益相差了3倍。亞馬遜解決了一個(gè)更復(fù)雜的問題，所以增長率和市值都有較大提升。沃爾瑪是曾經(jīng)零售行業(yè)的老大，但在2014年-2015年間，亞馬遜以指數(shù)性上升的速度超過了沃爾瑪，成為了世界第一。

庫存管理復(fù)雜度

不僅如此，亞馬遜和沃爾瑪?shù)纳虉龌蛘邘齑婀芾硪泊嬖谥艽蟮膯栴}復(fù)雜度差別。

亞馬遜做了一個(gè)KIVA機(jī)器人，它可以自動(dòng)運(yùn)送貨架到撿貨員面前，撿貨員把需要打包的貨物挑出來打包即可。而沃爾瑪則是N個(gè)配貨員配一種貨架。兩者的問題復(fù)雜度相差也很大。

運(yùn)營效率

如今，運(yùn)營效率變得越來越重要。在傳統(tǒng)行業(yè)，跑馬圈地是重中之重，這對于互聯(lián)網(wǎng)時(shí)代也是一樣的。對于一些傳統(tǒng)行業(yè)來說，移動(dòng)互聯(lián)網(wǎng)和互聯(lián)網(wǎng)只是增加了一種新渠道，但還是以跑馬圈地方式做事。以這種方式行事時(shí)，只需把產(chǎn)品做到60分，滿足客戶的基本需求即可，之后便盡最大可能獲取最大的市場，獲取市場和市場增長帶來的紅利。但隨著市場愈加飽和，跑馬圈地的模式逐漸失效。比如零售業(yè)的整體增長空間已經(jīng)非常小了，剩下的無非就是你爭我奪的過程。這時(shí)，如果誰從60分做到了80分，那就能將其它公司的客戶轉(zhuǎn)變成自己的客戶。所以未來，運(yùn)營效率代表著企業(yè)的核心競爭力。

總而言之，未來企業(yè)運(yùn)營效率將會變得至關(guān)重要。我們可以通過解決更復(fù)雜的問題提升運(yùn)營效率，而在解決復(fù)雜問題時(shí)，人工智能就需要粉墨登場。

人工智能如何影響企業(yè)效率

人工智能沒有那么復(fù)雜，其實(shí)就是用數(shù)據(jù)解決問題。在數(shù)據(jù)方面，傳統(tǒng)方法首先做的事情是分析數(shù)據(jù)。數(shù)據(jù)按照“二八原則”分布，大部分集中在頭部。傳統(tǒng)的分析方法會首先把尾部數(shù)據(jù)全部去掉，因?yàn)槲膊康臄?shù)據(jù)太多、而且雜亂，用傳統(tǒng)的規(guī)則沒有辦法分析，而對于頭部數(shù)據(jù)，會用十幾～幾十個(gè)特征或規(guī)則進(jìn)行刻劃。

這樣的人工智能問題有什么問題呢？數(shù)據(jù)的價(jià)值并沒有被完全發(fā)揮出來。

以證券公司為例，10萬客戶和1個(gè)億客戶的證券公司，如果只用頭部的客戶數(shù)據(jù)特征的話，兩家公司對客戶數(shù)據(jù)分析得出的結(jié)論沒有區(qū)別，無非是什么年齡、什么性別、什么學(xué)歷的人會喜歡什么樣的產(chǎn)品等特征。但如果能用到更多特征、分析更細(xì)分群體的話，兩者的結(jié)論將會有很大區(qū)別。1個(gè)億客戶的基金公司可能會發(fā)現(xiàn)一個(gè)100人的群體，他們的特征、喜好一致，那么公司就能基于此進(jìn)行精準(zhǔn)營銷。而這100客戶在只有10萬用戶的基金公司對應(yīng)的可能之后1～2人，不能得到可信的結(jié)論。

只有用上所有的數(shù)據(jù)，并且分析得盡可能精細(xì)，數(shù)據(jù)量才能成為壁壘，量大的數(shù)據(jù)產(chǎn)生的價(jià)值才能比量少數(shù)據(jù)更大。

我曾經(jīng)在今日頭條、百度蜂巢工作過。當(dāng)時(shí)，今日頭條日活是幾千萬，特征總量大概有幾十億到幾百億，這意味著每個(gè)用戶都有上百個(gè)標(biāo)簽，公司就能能精確區(qū)分一個(gè)用戶在周二早上上班路上喜歡看什么新聞，或周五晚上下班后在家里夜深人靜時(shí)喜歡看什么等，所以推薦效果可以做得非常精細(xì)。百度的搜索廣告也是類似的，我們對一個(gè)什么樣的人在什么搜索關(guān)鍵詞下會看什么廣告的組合有非常精細(xì)的刻畫，每天上新的廣告有上千萬，日活上千萬，在這樣復(fù)雜的場景下用機(jī)器刻畫，會有大量的特征量、規(guī)則量。

高維度對商業(yè)的影響

2012年，F(xiàn)acebook上市，但上市后四個(gè)月，它的股價(jià)就連續(xù)暴跌。我們當(dāng)時(shí)和Facebook從市廣告技術(shù)同事聊天，發(fā)現(xiàn)那時(shí)Facebook只用了大概2000維的特征刻畫用戶，但這完全不能夠非常精細(xì)的、非常準(zhǔn)確地預(yù)測一個(gè)人點(diǎn)擊廣告的概率，或在什么場景上會想要買什么東西。

2013、2014年時(shí)，一大批Google的廣告、算法工程師加盟Facebook從事廣告業(yè)務(wù)，他們把當(dāng)時(shí)2千維系統(tǒng)做到2千億維，相當(dāng)于提升了1億倍的維度。從2013年末到2014年始，F(xiàn)acebook的股價(jià)一路攀升，走上了傳奇之路，維度對于整個(gè)Facebook收入提升至關(guān)重要。

在全國性商業(yè)銀行的信用卡中心，每天有大概上百萬筆的交易，這些交易過了風(fēng)控之后，由銀行來決定能不能讓某個(gè)人交易分期。對于能交易分期的人，比如每天有一百萬個(gè)，可以通過短信方式營銷。但如何鎖定這群人呢？

首先把分期進(jìn)行目標(biāo)拆解，把用戶收入拆解成短信發(fā)送量×短信響應(yīng)率×分期費(fèi)率。通過短信發(fā)送歷史，就能知道每個(gè)用戶到底最終是否辦理了交易分期，并基于此建立預(yù)測模型。這樣在發(fā)送短信之前，就知道某個(gè)用戶接收之前的概率高低，并進(jìn)一步優(yōu)化響應(yīng)率。這種數(shù)據(jù)量并不大，但在當(dāng)時(shí)銀行里也算是最大的人工智能數(shù)據(jù)。當(dāng)時(shí)用到2T數(shù)據(jù)，大概有4千萬左右的歷史發(fā)送的短信量，我們在其中抽取了很多特征，包括短信的信息、帳戶的信息、持卡人、卡片、交易的信息等，共有5千萬維信息，并且，最終響應(yīng)率提升68%的和收入提升61%。

傳統(tǒng)模型和AI模型的區(qū)別

傳統(tǒng)模型和AI模型之前存在一些本質(zhì)的區(qū)別。

維度是最大的區(qū)別。拿汽車分期問題為例，我們發(fā)現(xiàn)某個(gè)POS機(jī)進(jìn)行汽車分期的概率會特別大，這個(gè)POS來源于一個(gè)小型母嬰店， 這對于專家來說并不是特別復(fù)雜的問題。但問題在于這個(gè)母嬰店很小，日流量是100、200規(guī)模，全國這樣的母嬰店有幾千上萬家，專家不可能逐家分析這樣的母嬰店，但機(jī)器可以，這正是機(jī)器的優(yōu)勢。只要我們能把問題變得足夠復(fù)雜，機(jī)器就能分析每個(gè)維度。

另一方面是迭代自學(xué)習(xí)。傳統(tǒng)專家規(guī)則是事先確定的，可能每隔一段時(shí)間，比如半年、一年進(jìn)行一次規(guī)則調(diào)整。但改變很難，一方面成本高；另一方面，調(diào)整要求兼容原來的規(guī)則，同時(shí)加入新的規(guī)則，這是一件很藝術(shù)的事情。但對于機(jī)器學(xué)習(xí)、人工智能模型來說，在高維下加入新的特征、新的規(guī)則是非常容易的。正如AlphaGo每下一次棋，都會把棋譜拿回來復(fù)盤，使自己下棋的能力變得更高。

另外，電商推薦、智能理財(cái)、差異化定價(jià)、信貸、閱讀、智能客服、個(gè)性化定制產(chǎn)品等都能用到人工智能。所以人工智能的價(jià)值是非常大的，想象的空間也是非常大的。將來問題的解決需要很高的維度，同時(shí)用復(fù)雜的模型，用高維的模型解決高維的問題。這個(gè)理論是有科學(xué)依據(jù)的。

Vapnik和Chervonenkis兩位科學(xué)家提出了“VC”理論，來描述模型里函數(shù)復(fù)雜度的問題。函數(shù)復(fù)雜度可以類比為人腦神經(jīng)元的個(gè)數(shù)，如果有更高的“VC”維，有更高函數(shù)能力，類比為有更多神經(jīng)元，即為更強(qiáng)的智能能力。比如說人腦腦細(xì)胞數(shù)量比小白鼠腦內(nèi)數(shù)量要多很多，所以說人比小白鼠聰明很多。所以說在將來復(fù)雜情況下，我們要不斷的提升“VC”維，讓企業(yè)運(yùn)營的效率得到不斷的提升。  

最近深度學(xué)習(xí)在圖像上的發(fā)展日新月異，從2010年到2016年，圖象識別錯(cuò)誤率在不斷降低。2016年錯(cuò)誤率已經(jīng)達(dá)到了3.1%，而人做同樣圖片識別錯(cuò)誤率是5%。也就是說，2016年之后，對于標(biāo)準(zhǔn)的數(shù)據(jù)庫圖片，計(jì)算機(jī)識別的能力比人要高。在這樣的成績背后，從2010年到2015年，圖像識別維度從最開始幾十萬維，一直升到上億維，更高的維度讓整個(gè)效果有很大的提升。

總而言之，在將來的企業(yè)運(yùn)營中需要有更高的維度，VC維的上升使得AI能力提升，從而使得企業(yè)能解決更復(fù)雜的問題，提升企業(yè)效率，進(jìn)而提升企業(yè)競爭力，搶到更多的客戶，提供更好服務(wù)。

人工智能贏在維度。

基于此，讓人工智能落地有五大要素。第一要有明確的業(yè)務(wù)定義；第二需要不斷的外部反饋，比如AlphaGo需要不斷與人下棋，需要外部反饋不斷輸入；第三需要很強(qiáng)的外部資源；第四需要頂尖的數(shù)據(jù)科學(xué)家；第五需要大數(shù)據(jù)，大數(shù)據(jù)加上機(jī)器學(xué)習(xí)等于人工智能。

相關(guān)文章：

易道博識：我們是如何用人工智能做商業(yè)自動(dòng)化并實(shí)現(xiàn)盈利的

人工智能能夠全面取代頂尖的銷售人員嗎？

IBM人工智能技術(shù)商業(yè)化落地現(xiàn)狀：目前已滲透到60多個(gè)職業(yè)領(lǐng)域

繼美國之后，加拿大如何成為下一個(gè)人工智能金礦？

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。