成为AI技术公司第四范式的创始人兼CEO之前，戴文渊最为人所知的名号之一，是百度最年轻的高级科学家，他设计了百度最早的AI系统“凤巢”的机器学习系统，4年内帮助百度将其变现能力提升了8倍。
再早一些，在戴文渊还在上海交大念书的2005年，他曾凭借着在ACM大赛中摘得桂冠，在全球计算机领域一举成名。ACM大赛是由美国计算机协会主办、被成为计算机届的奥林匹克大赛，在当年那场比赛中，被戴文渊击败的诸多对手日后都成为了全球AI领域的翘楚，其中包括在Facebook做过CTO的Adam D'Angelo。
十几年前，戴文渊的AI学术生涯在上海起步。如今，以科学家和企业家的身份再回到上海，参加2018世界人工智能大会，他要用自己更为深刻和落地的见解，和两款让普通业务员也能运用AI的产品——AI Prophet AutoML平台与AI Prophet AutoCV平台，来回报这座正在打造AI高地的城市。
在AI大会上，戴文渊接受了新闻晨报/周到记者的采访，指出了当前AI发展遭遇的障碍，并且从产业、学术与技术的角度，深度解析当前AI落地新突破，为企业布局AI转型提供全新的战略方向。
AI创造更多价值，但高门槛将小场景拒之门外
“只有当AI被广泛的开发者在开发的时候，AI才是能够像今天的APP那样爆发。”
AI，人工智能，到底是要更像人，还是更像机器？
关于这个议题，2018世界人工智能大会的演讲嘉宾给出了不同见解。在戴文渊看来，人和机器的逻辑其实是相似的，和人一样，机器也是在数据里面去发现规律，把它提炼出来变成规则。
比如，在百度上搜“干洗”用户，95%以上会选择干洗店，而不是买一台干洗机回家。根据这个发现，可以编写一条给搜“干洗”的用户看干洗店而不是干洗器的规则。
当然，这种规则还可以做的更精细一点。如果某位用户在搜“干洗”之前，还搜过诸如“电影院”和“吃饭”之类的关键词，得到的结果可能是干洗店；但如果此前搜过“店铺租赁”，屏幕上显示的将会是干洗机。
机器相比于人，规则可以做的更加精细，能够写出更多的规则数量。
人工规则通常在几条到几千条，最大的可能我见过的上万条。但因为人精力的局限，写1万条规则已经非常非常辛苦。而机器可以很轻松的去写上千万条以上的规则。如果我们要做到千人千面，从每个人身上提取出不同的规则，这个数量肯定是按亿来计。那这就不是人能做的，需要交给机器来完成。
如果规则数量太少，系统给搜索过“店铺租赁”的用户推荐了干洗店而不是干洗机，这批用户可能会因为需求未被满足而白白流失。当规则更加精细，有了“千人千面”的精准推荐，不仅能够留住用户，还会有更多的服务空间。
这几年，AI给企业、行业和产业创造的价值已在越来越多的落地项目中变得更为清晰。但是，AI目前的门槛太高，将很多有大量需求的场景挡在门外，没有真正参与到这场变革中来。
AI从业者门槛高，生产效率提不上去
尽管数亿条规则可以由机器来写，但要真正实现与各种场景深入融合，还是要回到设置机器的人身上——他们不仅要了解算法和技术，还要懂业务，要能够对场景进行深度定制。
从2009年加入百度开始，戴文渊就开始做深度定制的工作。作为一个技术人员，他花了长时间了解广告业务，直现在还能和很多广告从业者对答如流。尽管这种全面发展的路径让他在AI学术和落地方面硕果累累，但随着时间的推移，戴文渊越来越清晰地认识到了一个问题——生产效率是提不上去。
在戴文渊看来，要让一个人同时具备AI科学家、业务员和工程师三种能力，是一件很难并且耗费时间的事情：
科学和业务对人的需求不一样。既能做好科学，又能做好业务的人就很少，再加上大数据又要求他做好工程，就更难了。业务人员是需要有更多感性的思考；科学家要对未知的世界有更多的好奇，要去发现规律；工程师要非常的理性，甚至有的时候要有点保守，因为如果你太过大胆，可能你的工程就不牢靠。
当下，AI人才紧缺，复合型AI人才更是少之又少，这就让本该更多领域集体爆发的一场AI变革，迟迟没有到来，因为需求还在“排着队等待被解决”。
AI拓展速度太慢，很多场景未被覆盖
戴文渊认为，AI的应用推广，大体遵循这样一个趋势：从数据获取和犯错误代价从低的到高得不断的去拓展。
我只要给你看一条广告，就获取一条数据，它的获取代价比较低，犯错误代价也低。广告完了以后，紧接着就是新闻客户端。再往后面是金融，金融的获取数据的代价就有点高，因为我们要放一笔贷款出去。犯错误的代价也是比较高的，因为会损失一笔钱。再往后像医疗，获取数据的代价也是高的，犯错误的代价就更高了。金融犯错误的代价，就是能够用金钱来度量，医疗犯错误的代价是没有办法用金钱度量的。包括像无人车也是一样的，一旦犯错误它的代价不太可度量。
在戴文渊眼中，这个先后次序没有太大问题，但是速度太慢，有很多场景没有人被覆盖到。AI之所以能够在无人车这种大场景中爆发，是因为大场景养得起贵的人，比如顶尖的科学家等。可类似金融机构票据录入等小场景却没有人做，没有享受到AI技术去提升效率的福利。
我们今天其实希望说把这个门槛降低，能让更多的人进来去开发应用。比方，为什么会有那么移动APP？是因为有大量的开发者。今天做AI有一个很有意思的说法，叫做你要做AI，你要请一个科学家。但是做个APP谁会请科学家呢？这说明AI的门槛太高，科学家一定是小众，不会是大众的。只有当AI被广泛的开发者在开发的时候，AI才是能够像今天的APP那样爆发。
为了让AI像APP一样爆发，戴文渊开始研究怎么去降低人工智能的落地的门槛，怎么能够让一个人不需要去理解什么叫深度学习，不需要去理解大数据，只需要去知道他要做什么，就能够去教计算机去学习。
让教计算机像教小狗一样简单
“就像小狗一样，其实小狗就是深度学习，只是小狗没有告诉你，我的大脑的构造是什么样的，他只是告诉你，我又做了一件事。”
谈及如何让普通人教计算机学习，戴文渊拿小狗举了个例子。
让小狗学会捡球其实不难。把球扔过去，让小狗去捡，如果它捡回来了，就给它一块骨头吃，如果没捡回来就拍它一下。如果把计算机当成一个小狗，如何让小狗像今日头条一样个性化推荐文章？刚开始，这只小狗可能完全不知道怎么推送。但只要它推的文章读者不看，就打它一下，如果推的文章看了，就给它一个骨头，如此反复，它就能学会推送。
我们今天教计算机有两个关键的动作，一个叫行动，一个叫反馈。比方说对于新闻内容分发，给推一个文章就叫行动。反馈是什么呢？就是如果推的文章看了就是好，没看就是不好。我们发现，绝大多数的普通开发人员、业务人员，都是可以理解的这种交互的，并且他能够去掌控整个过程，然后去各行各业产出新的解决方案。
根据这种理念，在2017年12月的世界互联网大会上，戴文渊曾提出“机器学习圈”理论。
“机器学习圈”理论认为，现阶段存在普通业务人员可以使用的AI技术，其核心在于机器能够自动地在不同行业里学习历史上的决策与反馈，并以此为基础制定和运行业务规则。
在此次世界人工智能大会上，第四范式发布了基于“机器学习圈”理论的最新产品化成果——AI Prophet AutoML平台与AI Prophet AutoCV平台：
AI Prophet AutoML
先来看看AutoML平台的界面。↓
从交互界面便可以看出，这是一款应用门槛被大大降低的AI平台。无需深入理解算法原理及完成大量编码工作，业务员想成为AI开发者、完成AI应用，并让AI的开发周期从以半年为单位、缩短至周级别，只需要4步：
❶收集行为数据；
❷收集反馈数据；
❸模型训练；
❹模型应用；
目前，在精准营销、互联网推荐、金融风控、广告推荐、疾病预测等数十个业务场景中，企业的业务人员基于AutoML平台做出了接近甚至超过数据科学家的模型效果，决策精准度超过人类专家规则数倍。
此前，在京东金融组织的全国反欺诈大赛中，某银行风控业务团队使用AutoML平台所开发的反欺诈模型获得了第二名，超过了很多专业做反欺诈的AI技术公司。
AI Prophet AutoCV
同样，AutoCV也是一款低门槛、低成本的平台，能够让企业自主可控、高效率的智能视觉构建能力。
按照过去智能视觉应用构建流程，企业构建一个智能视觉应用需要历经9个必要过程，花费20人专家团队近60天时间；而采用AutoCV平台后，只需耗费1名业务人员1天的时间，不仅生产效率提升120倍，TCO成本（Total Cost of Ownership，即总拥有成本，包括产品采购到后期使用、维护的成本）也呈现数量级下降。
如今，AutoCV平台已经在金融、制造、零售、医疗、保险等多个行业取得成功落地实践，众多企业基于该平台构建了票据分类、VIP识别、合规检测、异常识别、机件识别、客流分析、用户画像、病理切割等多个智能视觉长尾业务应用，解决了存在已久的“零散”需求。
有了AI Prophet AutoML和AI Prophet AutoCV平台，企业使用AI服务的门槛将大大被降低。
过去，深度学习所有需要人去定义的参数或者调整调优的这些参数，包括各种各样的设置，网络的结构等。现在，所有的事情都有了计算机来完成，用户只需要不断给计算机反馈，这个计算机就会变得越来越聪明。
就像小狗一样，其实小狗就是深度学习，只是小狗没有告诉你，我的大脑的构造是什么样的，他只是告诉你，我又做了一件事。
未来，当AI应用的门槛逐渐降低，普通人也能像训练小狗一样训练AI平台的时候，更多场景和产业才能享受到AI春风吹来的福利。只有等到那个时候，AI才能真正引来全面爆发。
来源：周到上海 作者：章姝敏
