AlphaGo在代表最高水平的智力游戲圍棋與人類頂尖選手對決，但凡虛心一點的科學家都明白，這不過是個100萬美金的超值廣告。

而從媒體到普通民眾，都擔心某一天AI具備自我意識后，在高速進化中全面超越人類。

這根本是孤陋寡聞的恐慌。

哲學上有一個懸而未決的問題，意識和智能產生自大腦，但是意識和智能能夠理解大腦本身嗎?

索羅斯在他著名的通俗著作《金融煉金術》開篇提到了一個問題，所有能被人類主觀意識影響的東西，都不具備“客觀性”(這句話請讀三遍想三遍)，因為“反身性”原理，所有有人類參與和影響的活動，從金融投機所屬的經濟學到預測社會發(fā)展的歷史和人文類科學，都不具備真正的規(guī)律。某種程度上它們本質上都是偽科學。

這句論斷讓筆者印象尤其深刻。從量子力學主宰的微觀世界被驗證了無數(shù)次的“不確定性原理”，到索羅斯的“反身性”原理，背后揭示了一個深刻的規(guī)則：人不能跳出“人的視角”去驗證人。

“不畏浮云遮望眼，只緣身在此山中”

人工智能大家都在追風談deeplearning，也就是程序員設計算法，訓練計算機群從海量數(shù)據(jù)中習得 “特征”，也是這次AlphaGo不同以往圍棋軟件的地方，它能夠與頂尖高手的大量切磋練習中“自動學習”提高技術。但是AlphaGo習得的那點“人工智能”與人類所真正代表的強人工智能相比，還有兩個巨大的門檻。

第一個問題，歸根結底，人是不是一部自動反應的機器?

《生活大爆炸》里有一個男主角叫SheldonCooper，他很萌，但卻是對情境感知能力較差，并伴隨著嚴重強迫癥。

社交困難、溝通困難、固執(zhí)或狹窄興趣。類似SheldonCooper的人，在幼年時，會經常遇到這樣的尷尬：

–孩子沒有交作業(yè)，老師很生氣，便諷刺地說道：

–老師：“狗把你的作業(yè)吃掉了嗎?”

–孩子：“老師的狗會吃掉紙?”

孩童是因為不能理解老師的提問而保持沉默，并會認為老師有養(yǎng)狗、而且狗會吃紙。但老師想要表達的其實是“你忘記交作業(yè)了”，而孩童本身沒有辦法了解這類的隱喻。

世界上真實存在著這樣一群人?，F(xiàn)代精神病學指出，這是一種溫和的自閉癥叫阿斯伯格綜合癥(Aspergersyndrome)，不同于一般自閉癥， Aspergersyndrome保有社交的意愿卻缺乏相關的能力，他們看起來像“機器人”，但大多心智正常。

Aspergersyndrome 從某種程度上反映了人類心智并不神圣，是有跡可循的。而認知心理學的發(fā)展，卻越來越向人們揭示一個可能的結論，無論是自閉癥患者、阿斯伯格綜合癥患者、還是普通人，實際上都是基本自動的機器。

神經科學家安東尼奧·R。達馬西奧所著述《SelfComestoMind》(自我在大腦當中是怎么生成的)中認為，通常人們混淆了 emotion(直覺情緒)和feeling(感受)?！拔矣X得怎么樣，我覺得受委屈了，我覺得被尊重了”，這種“我的feeling”是杜撰的、虛假的。

一個比較典型的例子，這也是原來心理學經常引用的故事，在加拿大做的實驗。在一個石橋上和一個鐵橋上招募一幫人去談戀愛，隨機抽取一對一對去談。石橋因為很堅固，有風也不會晃。鐵橋是鐵索橋，是吊橋，有風就會晃。因為一晃就會緊張，緊張恐懼是一個 emotion，恐懼來的時候又帶來什么呢，內部是腎上腺素分泌;外部的表現(xiàn)，比如瞳孔放大，面部會發(fā)紅，鼻孔會擴張，有各種各樣的表現(xiàn)。

但是很有意思是，緊張的外在表現(xiàn)和愛情出現(xiàn)的外在表現(xiàn)是一致的。理論上講，環(huán)境不應該對你是不是對對方有好感能夠產生影響，不管你是在石橋上跟人談戀愛，還是在晃動的鐵橋跟人談戀愛，理論上講，你愛上對方的幾率是差不多的。但一個很有意思的現(xiàn)象是，在晃動的鐵橋上愛上對方的幾率大大超過在一個穩(wěn)定的石橋上，因為剛才講的 feeling部分，就是這個自我部分，它不知道emotion 出了什么事兒，它只是去讀取。它讀取的數(shù)據(jù)是，原來所有的征兆，所有的征兆符合談戀愛的特征，我就一定愛上對方了，我既然愛上對方了，我就一定要真的去愛她，因為如果我覺得我是，而又沒有真的去愛的時候，又會出現(xiàn)另一個，叫做認知失調。這樣的話，他就以為自己是這樣的，就那樣去做了。這是真實研究的成果。

之前人們認為emotion就是 feeling，達馬西奧研究發(fā)現(xiàn)不是，emotion不能改變，見到什么樣的情況你就會產生怎樣的反應，是下意識的，是不能控制的。而feeling是“我” 在作怪，受這個所謂的“我”來控制的，它首先讀取emotion的數(shù)據(jù)，經過處理之后告訴“我”，我感受到了什么。

“處理”的過程十分關鍵，它能否被模擬，與實現(xiàn)真正的人工智能息息相關，這是人工智能已有部分答案(比如deeplearning )的第一個重大問題。而所謂的“我”，自我意識甚至自由意志都是幻覺，是假的，不存在。我們實際上是個基本自動的機器，99.9% 自動處理的機器，只不過這個機器有一個特別特殊的軟件，就監(jiān)控這個機器本身的“我”。

身體是遍布傳感器(耳鼻口舌目身體，聽覺嗅覺味覺觸覺視覺)的硬件，又運行著一個產生“自我”的軟件，從某種程度上來說，我們確實只是機器人。

但“自我意識”是如何產生的，目前還沒有徹底搞清楚，也是人工智能最重要的、且尚無頭緒的問題。

第二個問題，100%的正確誕生不了真正的智能

所見與真實有很大的狹隘和偏差。

普通人的視力系統(tǒng)就是一種用于獲取和分析可見光的信息接收系統(tǒng)，倘若缺少一類，或是性能不足，就會發(fā)生：盲人無法感知光線、色盲缺乏分辨色彩的能力、健全人的眼睛看不見紫外線、紅外線，分辨不出偏振光……但真正的，健全人看待世界的方式其實與盲人摸象別無二致。

一個已知的事實是地球面向太陽的區(qū)域每平方厘米每秒會穿過大約650億個來自太陽的中微子，然而由于缺乏感知能力，不僅人類自身無法察覺。比如我們所謂的 “錯覺”，錯覺是在已獲取信息的基礎上，進行額外加工所獲得的認知，有一個非常著名的例子就是卡尼薩三角形錯覺;錯誤則是計劃之外發(fā)生的隨機突變。一些特殊的神經性疾病將使得我們感知到與常人完全不同的世界，例如擁有斷續(xù)影像視覺(Cinematographic vision，一種罕見的精神異?，F(xiàn)象)體驗的人，大概會認同芝諾關于飛矢不動的論斷所言非虛。

我們所謂的存在皆由我們的觀察而得，而我們的觀察方式存在先天性的漏洞。但奇妙的是，從感知、觀察、形成概念、到邏輯推理均存在缺陷的人類，實現(xiàn)了真正的智能。

圖靈開創(chuàng)了現(xiàn)代意義上的計算機科學，幾乎同時代，美妙而強大的人工智能其實早在50、60 年代就開始研究了，但一直沒有大的進展。之前的研究重點是精確的數(shù)理統(tǒng)計與創(chuàng)新算法，直到人們把眼光從線性系統(tǒng)放到非線性系統(tǒng)，從邏輯編排到混沌系統(tǒng)，從機器到人。才取得了一些有限的進展。比如模仿大腦神經元多層鏈路循環(huán)遞進處理信息的方式，誕生了時下火熱的深度學習。

計算機的發(fā)展，核心是邏輯門的堆疊帶來的超高效率和超高準確性。100% 正確卻誕生不了智能。非線性系統(tǒng)、混沌理論指導下，即使目前流行的分布式計算、并行計算，還沒有真正有 “容錯”的能力。模擬錯誤的信息輸入，輸出錯誤的模型，能在下一次模型實踐中發(fā)現(xiàn)模型本身的錯誤或局限，在沒有程序員沒有旁人主動干擾指出中習得 “錯誤”，并從中學習進化。這需要部分拋棄冰冷的邏輯和理性，一場真正的哲學革命。

生命體是各種不同細胞的堆疊，涌現(xiàn)了意識、智能、情感、道德、乃至今天人類的一切，以至于反作用于現(xiàn)實世界本身。計算機實現(xiàn)強人工智能的一天，必然也具備意識、情感、道德等表面上與 “智能”無關的東西，那時候恐怕就不是一種機器和工具，變成活生生的生命體，而我們成為了造物主，成為了上帝。

宇宙的圖像和大腦神經元的圖像何其相似，真正人工智能的問世，筆者深信，那就是另一種創(chuàng)世。

作者：青山

近日，2017云棲大會·深圳峰會如期舉行，多項阿里云新產品對外發(fā)布。在企業(yè)級互聯(lián)網架構分會場，來自阿里中間件（Aliware）的技術專家及合作伙伴，為現(xiàn)場參會嘉賓帶來最新的傳統(tǒng)IT架構到企業(yè)級互聯(lián)網架構跨越式升級、實現(xiàn)互聯(lián)網轉型的產品及解決方案。其中高級技術專家姜宇在分享中帶來的Aliware新產品—全局事務服務（GlobalTransactionService，簡稱GTS），在分布式事務處理上帶來的高性能和技術創(chuàng)新令到場參會的各路技術專家眼前一亮。

Aliware新成員—全局事務服務GTS技術分享現(xiàn)場

分布式事務背景

OLTP領域中很多業(yè)務場景都會面臨事務一致性的需求，傳統(tǒng)業(yè)務系統(tǒng)常以單體應用形式存在，只需借助特有數(shù)據(jù)訪問技術和框架，結合關系型數(shù)據(jù)庫自帶的事務管理機制來實現(xiàn)事務一致性的要求。而目前大型互聯(lián)網應用和平臺往往是由一系列分布式系統(tǒng)構建而成，平臺和技術架構也是流派紛呈。

尤其是微服務架構盛行的今天，一個看似簡單的功能，內部可能需要調用多個“服務”并操作多個數(shù)據(jù)庫或分片來實現(xiàn)，單一技術手段和解決方案已無法滿足這些復雜應用場景。因此，分布式系統(tǒng)架構中分布式事務是一個繞不過去的挑戰(zhàn)。什么是分布式事務？簡單的說，就是一次大操作由不同小操作組成，這些小操作分布在不同服務器上，分布式事務需要保證這些小操作要么全部成功，要么全部失敗。

本質上來說，分布式事務就是為了保證不同數(shù)據(jù)庫或消息系統(tǒng)的數(shù)據(jù)一致性。

分布式事務三大難題：一致性、高性能和易用性

分布式系統(tǒng)的事務一致性本身是一個技術難題，沒有一種簡單完美的方案能夠應對所有場景，很難兼顧事務一致性，高性能與易用性。三者缺一，則適用場景大大受限，實用價值不高。

首先是一致性：要求在各種異常情況下保證數(shù)據(jù)是強一致的。目前最常見的一致性解決方案是最終一致性方案，通常是結合消息中間件實現(xiàn)，在互聯(lián)網企業(yè)中廣泛使用。最終一致性實現(xiàn)方案比較復雜，開發(fā)、運維成本高，并且與強一致相比，業(yè)務上是受很多限制的。

其次是高性能：目前基于XA協(xié)議的兩階段提交是最常見的分布式事務解決方案，但XA類產品的典型不足是性能低下，這對于互聯(lián)網大并發(fā)需求下的多數(shù)企業(yè)是無法接受的。國外具有幾十年歷史和技術沉淀的基于XA模型的商用分布式事務產品，在相同軟硬件條件下，開啟分布式事務后吞吐經常有數(shù)量級的下降。

第三是易用性：為了滿足一致性和高性能要求，出現(xiàn)了一些特定場景下的分布式事務方案，但通常會限制用戶用法，對業(yè)務侵入性強，無法做到簡單易用，帶來更多開發(fā)成本。

世界級應用場景，催生世界級分布式事務解決方案

早期的阿里巴巴集團隨著業(yè)務高速發(fā)展，內部不斷涌現(xiàn)各種典型的分布式事務需求，比如阿里內部廣泛使用的TDDL分庫分表所帶來的分庫間數(shù)據(jù)不一致問題，HSF服務化后所帶來的服務鏈路上數(shù)據(jù)不一致問題等。在這個過程中，各業(yè)務技術團隊利用現(xiàn)有中間件技術手段實現(xiàn)分布式事務處理，但這些手段都較為復雜，工作量大，對應用侵入嚴重，有些適用場景還有限制。

2014年5月開始，阿里中間件（Aliware）內部命名為TXC的分布式事務中間件開始研發(fā)，同年10月1.0版本發(fā)布，分布式事務功能已經具備，但性能還有局限，只適合于吞吐量較小的場景；2015年12月，TXC2.0版本發(fā)布，相比1.0版本性能提升10倍以上，在阿里內部多條業(yè)務線得到部署。

通過部署TXC，應用只需極少的代碼改造和配置，即可享受分布式事務帶來的便利。TXC作為阿里內部為解決分布式數(shù)據(jù)強一致性問題而研發(fā)的分布式事務中間件，徹底解決了分布式事務數(shù)據(jù)一致性的問題，簡單易用，先后在淘寶，菜鳥，淘票票和村淘等多個業(yè)務的核心系統(tǒng)上得到部署和驗證。

順應云時代潮流，GTS應運而生

從2016年年中開始，在阿里內部一直接受錘煉的分布式事務中間件TXC在2.0版本后，隨著阿里中間件上云熱潮，開始通過專有云輸出，并得到了市場極大認可，適用場景得到進一步拓展，全面涵蓋電商、物流、金融、零售、政企、游戲、文娛等領域。2017年2月，TXC2.0通過阿里云對外公測，外部改名為全局事務服務（GlobalTransactionService，簡稱GTS）。

GTS總體架構圖

在整體架構方面，GTS由三個組件組成：客戶端（GTS-Client），資源管理器（RM），事務協(xié)調器（GTS-Server）?？蛻舳伺c事務協(xié)調器間，資源管理器與事務協(xié)調器間都是通過GTS分布式事務協(xié)議進行通信?？蛻舳素撠熃缍ㄊ聞者吔纾_啟/提交/回滾全局事務，資源管理器負責管理資源，支持的資源包括：DRDS，Oracle，MySQL，RDS，PostgreSQL，H2，MQ，后續(xù)計劃根據(jù)實際業(yè)務需求支持更多類型資源。事務協(xié)調器，也就是GTS服務器，是分布式事務處理的大腦，負責協(xié)調整個事務過程。GTS事務通過RPC框架和消息中間件進行事務傳遞，把整個業(yè)務調用鏈路或者消息鏈路串成一個分布式事務，極大簡化應用開發(fā)。

在高可用方面，GTS支持同城容災與兩地三中心容災，可保證各種異常情況下的數(shù)據(jù)一致。在易用性方面，GTS對業(yè)務無侵入，真正做到業(yè)務與事務分離，開發(fā)者可以集中精力于業(yè)務本身。在技術創(chuàng)新方面，GTS也走在了行業(yè)前沿。項目負責人阿里高級技術專家姜宇（花名于皋）擁有13項分布式事務的核心技術專利，研發(fā)團隊的技術專家張松樹也有3篇專利。通過大量的專利技術，精妙的算法，與精巧的分布式事務私有協(xié)議，GTS取得了超強的性能。

另外，在部分嚴苛的行業(yè)應用場景，比如金融用戶的資管項目分布式事務場景下，GTS也經歷了嚴格的測試，按照用戶要求順利完成功能性、穩(wěn)定性和性能測試。下圖是一個典型性能測試場景數(shù)據(jù)，從實測數(shù)據(jù)可以看出，開啟GTS（TXC）分布式事務后性能下降不明顯。目前GTS已經在資金業(yè)務上有實際應用，線上大量真實數(shù)據(jù)驗證了GTS的高效可靠。

GTS典型性能測試場景數(shù)據(jù)

性能優(yōu)異，業(yè)務場景廣泛

作為新一代企業(yè)級分布式事務服務產品，全局事務服務GTS兼顧了事務一致性，高性能與易用性。在滿足事務ACID的前提下，普通配置的單服務器就可以達到15000TPS以上的超強性能（兩個小時內完成1億多筆業(yè)務），3臺8核16G內存虛機組成的服務器集群可以支撐1萬TPS以上的分布式事務，與同類產品相比，性能優(yōu)勢明顯。另外簡單易用對業(yè)務無侵入，為廣大企業(yè)大幅降低開發(fā)成本，業(yè)務場景非常廣泛：

1、跨多分庫的分布式數(shù)據(jù)庫事務場景：關系型數(shù)據(jù)庫普遍支持事務，能夠滿足事務內的SQL要么全部成功、要么全部失敗。但客戶從單機數(shù)據(jù)庫往分布式數(shù)據(jù)庫遷移的情況下，原有的一個事務往往會被拆分為多個分庫上的事務。由于網絡的不可靠性，容易出現(xiàn)部分分庫上成功，部分分庫上失敗的情況。GTS結合DRDS可徹底解決了這一問題。

2、跨多數(shù)據(jù)庫的事務場景：復雜的業(yè)務系統(tǒng)經常會使用多個數(shù)據(jù)庫，甚至多種類型的數(shù)據(jù)庫，比如企業(yè)中Oracle，MySQL和其他關系型數(shù)據(jù)庫并存的情況時有發(fā)生。業(yè)務同時操作多個數(shù)據(jù)庫的情況下，一旦發(fā)生先提交的事務成功、后提交的事務失敗，就很難解決。GTS支持各種常見關系型數(shù)據(jù)庫，并提供多數(shù)據(jù)庫間的事務保證。

3、跨數(shù)據(jù)庫系統(tǒng)、消息系統(tǒng)的事務場景：消息系統(tǒng)被廣泛地用于系統(tǒng)間解耦，一般先執(zhí)行一段業(yè)務邏輯，執(zhí)行成功會向消息系統(tǒng)發(fā)送一條消息，用于通知或觸發(fā)下游業(yè)務。這個場景下，如果業(yè)務邏輯執(zhí)行成功、消息發(fā)送失敗，則業(yè)務不完整；如果先發(fā)送消息，但執(zhí)行業(yè)務邏輯失敗，同樣存在問題。GTS提供了針對消息系統(tǒng)以及常見關系型數(shù)據(jù)庫的操作入口，保證數(shù)據(jù)庫操作和發(fā)送消息要么同時成功、要么同時失敗。

4、跨服務的事務場景：隨著業(yè)務復雜度提升，大多企業(yè)會對業(yè)務進行服務化改造。可能存在服務一操作MySQL和DRDS，服務二操作Oracle，要求兩個服務操作要么同時成功、要么同時失敗，否則會造成業(yè)務數(shù)據(jù)的不一致。GTS可以很方便地進行跨多個服務的分布式事務。

依托阿里中間件(Aliware)，打造世界一流企業(yè)級互聯(lián)網架構平臺

據(jù)GTS項目負責人姜宇介紹，“GTS作為一款高性能、高可靠、接入簡單的分布式事務中間件產品，可與DRDS、RDS、Oracle、MySQL、PostgreSQL、H2等數(shù)據(jù)源，EDAS、Dubbo及多種私有RPC框架，MQ消息隊列等中間件產品配合使用，可輕松實現(xiàn)分布式數(shù)據(jù)庫事務、多庫事務、消息事務、服務鏈路級事務及各種組合。策略豐富，易用性和性能兼顧，將真正完善阿里云中間件產品線?！?/p>GTS（TXC）的研發(fā)依托于阿里中間件(Aliware)團隊，中間件技術部是阿里巴巴集團生態(tài)系統(tǒng)的技術基石，為集團各大業(yè)務群提供可靠、高效、易擴展的技術基礎服務；并在此基礎上打造世界一流的中間件產品、高可用架構基礎設施和企業(yè)級互聯(lián)網架構平臺，為全球企業(yè)和客戶提供服務。

更多AliwareGTS產品服務和技術細節(jié)，請訪問官網：

相關新聞

2016-04-19

2016-06-13

2016-10-24

2016-11-04

2017-12-29

2017年5月27日，由人工智能頂尖媒體“機器之心”主辦的2017全球機器智能峰會（GMIS2017）在京正式召開。大會邀請了來自中、美、歐等眾多頂級專家參會，以專業(yè)化及全球化的視角為該領域的從業(yè)者及愛好者奉上了一場人工智能盛宴。第四范式聯(lián)合創(chuàng)始人、首席研究科學家陳雨強受邀出席，并發(fā)表了主題演講、分享了機器學習在工業(yè)界應用發(fā)展的新思考。

    第四范式聯(lián)合創(chuàng)始人、首席研究科學家陳雨強于全球機器智能峰會（GMIS2017）發(fā)表演講

陳雨強認為，過去五年，人工智能在工業(yè)界的火熱程度正以指數(shù)的方式增長，而“VC維”便是衡量人工智能應用水平的關鍵。VC維理論是由Vapnik和Chervonenkis于1960年代至1990年代建立的統(tǒng)計學習理論，它反映了函數(shù)集的學習能力——VC維越大則模型或函數(shù)越復雜，學習能力就越強。舉個例子，如果人類的智商水平可以用大腦的腦細胞數(shù)來衡量，那么機器的智商水平就可以用VC維來衡量，即超高智商的人工智能，需要超高維度的機器學習模型來實現(xiàn)。

陳雨強表示，第四范式在提高模型維度方面可謂下足了功夫，高維度模型在實際應用中的效果亦十分出眾。以第四范式與某銀行信用卡中心的合作案例為例，該銀行需要通過數(shù)據(jù)精準識別出所有客戶當中的信用卡賬單分期客戶。在短短兩個月內，經過第四范式和卡中心的共同努力，該信用卡賬單分期模型從此前的兩百多維，提升至“五千萬維”，使賬單分期推薦短信的響應率提升了68%，卡中心的賬單分期手續(xù)費提升61%。取得如此顯著的效果，陳雨強為與會者解密了第四范式的機器學習產品前瞻的研發(fā)思路。

第四范式聯(lián)合創(chuàng)始人、首席研究科學家陳雨強于全球機器智能峰會（GMIS2017）發(fā)表演講

打造深度稀疏網絡（DSN），兼顧“寬”與“深”的算法

眾所周知，機器學習包含數(shù)據(jù)、特征、模型三個方面。特征分為宏觀（描述的統(tǒng)計類特征）、微觀（如個性化ID特征）兩類，模型也分為簡單、復雜兩類。在數(shù)據(jù)足夠充足的情況下，沿著模型優(yōu)化和特征優(yōu)化的兩條路徑切入，可以有效地提高機器學習的模型維度。

沿著模型優(yōu)化——即走“深”的路徑是由學術界主導，優(yōu)化模型的科學家們?yōu)榱朔奖銓嶒?，降低了工程實現(xiàn)能力的要求，大部分模型可單機加載。工業(yè)界在按照該思路優(yōu)化時，往往采用觀察數(shù)據(jù)、找到規(guī)律、根據(jù)規(guī)律做模型假設、對模型假設中的參數(shù)用數(shù)據(jù)擬合、將擬合的結果上線測試等步驟。這條路徑需要解決數(shù)據(jù)分布式以及通訊overhead等問題。

沿著特征優(yōu)化——即走“寬”的路徑是由工業(yè)界主導，無論是模型還是算法，均采取分布式的策略，在保證高效分布式的同時兼顧快速收斂。針對具體問題，采用較為成熟的線性模型，將觀察到的所有微觀特征進行建模。該優(yōu)化路徑的模型簡單粗暴，且對工程挑戰(zhàn)極大。

兩種路徑在工業(yè)界都有非常成功的應用案例，但雙方的劣勢同樣明顯。崇尚“寬”路徑的陣營認為深度模型在某些問題上從來沒有發(fā)揮出數(shù)據(jù)的全部價值，離真正的個性化尚有差距；而寬度模型則在推理能力上略遜一籌。

    Wide&DeepModel與DSN對比

近年來，寬與深的結合已經逐漸成為一個研究熱點。2016年6月，Google研究院發(fā)表論文稱，正在研發(fā)Wide&DeepModel，并表示其在搜索、廣告與推薦等領域均十分有效。同年7月，第四范式發(fā)布了新一代的模型算法——深度稀疏網絡DSN（DeepSparseNetwork）。Wide&DeepModel利用深度窄網絡刻畫宏觀特征之間的關系，利用寬度淺層網絡記憶微觀特征，但無法刻畫微觀特征之間的復雜關系，由于Wide&DeepModel將“寬”和“深”分離，導致微觀和宏觀特征之間的關系也無法刻畫。與Wide&DeepModel不同，第四范式的DSN將“寬”和“深”做了更全面的融合，算法底層是上千億大小的寬度網絡，上層是一個全連接的網絡，這樣既可以記住更多信息，又能刻畫所有特征（包括宏觀特征和微觀特征）之間更復雜的關系。在參數(shù)規(guī)模上，Wide&DeepModel支持的參數(shù)規(guī)模為十億級,DSN支持的參數(shù)規(guī)模已達到十萬億級，模型“VC維”更高，這意味著隨著數(shù)據(jù)量的增大，模型效果有更大的提升空間。

重塑大規(guī)模分布式機器學習系統(tǒng)架構，兼顧開發(fā)和執(zhí)行的效率

在工業(yè)界應用中，由于模型維度的增加，對機器學習的系統(tǒng)架構提出了更高的要求。

第一，由于功率墻（PowerWall，即芯片密度不能無限增長）和延遲墻（LatencyWall，即受光速限制，芯片規(guī)模和時鐘頻率不能無限增長）的限制，摩爾定律正在慢慢失效。目前，提升計算能力的方式主要是依靠并行計算，從早期的以降低執(zhí)行延遲為主到現(xiàn)在的以提升吞吐量為主。在模型訓練的高性能計算要求下，單機在I/O、存儲、計算等方面顯得力不從心。因此，第四范式針對此問題設計了分布式并行化的機器學習模型訓練系統(tǒng)。

PowerWall，功耗隨著集成電路密度指數(shù)提升

第二，在機器學習的領域中，一個著名的定理叫NoFreeLunch（Wolpert和Macready于1997年提出），是指任意算法（包括隨機算法）在所有問題上的期望性能一樣，不存在通用的算法，因此需要針對不同的實際問題，研發(fā)出不同的機器學習算法。這對于機器學習計算框架的開發(fā)效率要求極高。

    典型的機器學習建模過程

第三，在面對實際問題時，需要對數(shù)據(jù)、特征表達、模型、模型參數(shù)等進行多種嘗試，且每一次嘗試，都需要單獨做模型訓練。所以，模型訓練是整個機器學習建模過程中被重復執(zhí)行最多的模塊，執(zhí)行效率也就成為了重中之重。

    機器學習核心系統(tǒng)對計算資源的需求對比

除此之外，由于對計算問題、計算模式和計算資源的需求都有所不同，因此在所有問題上，沒有最好的架構，只有最適合實際問題的架構。針對機器學習任務的特性進行框架設計才能更有效地解決大規(guī)模機器學習模型訓練的計算問題。第四范式的機器學習系統(tǒng)兼顧了開發(fā)效率和執(zhí)行效率，具備高效、智能、易開發(fā)、易部署、易運維、易擴展、覆蓋場景廣泛等優(yōu)勢，且隨著計算能力的提升，該架構使模型的復雜度與投入的計算資源呈線性增長，與以往的架構相比，節(jié)省了大量的計算資源。

在通過技術層面提高模型維度的同時，第四范式也在積極降低機器學習的使用門檻，讓更多的技術、業(yè)務等非專業(yè)建模人員能夠使用機器學習，建立適合各個業(yè)務的高維模型。陳雨強介紹說，2017年初，第四范式內部舉行了全球首個面向非專業(yè)人士的機器學習建模比賽——“一顆賽艇建模大賽”。所有參賽選手均由第四范式內部行政、人事、市場、商務等非機器學習專業(yè)的員工構成。比賽結果按照參賽選手所建模型的AUC（筆者注：AUC是衡量模型準確度的專業(yè)指標，取值在0到1之間）指標衡量。以往，專業(yè)數(shù)據(jù)科學家的建模AUC在0.8以上。通過兩周的簡單培訓，有70%的“業(yè)余”參賽選手的模型AUC達到了0.8以上的優(yōu)異成績。值得一提的是，在內部建模比賽之后，第四范式創(chuàng)立了“范式大學”人才培養(yǎng)計劃，通過培養(yǎng)非專業(yè)人士利用“先知”建模，“批量生產”數(shù)據(jù)科學家，進一步解決AI人才高門檻的問題。

關于陳雨強

陳雨強，第四范式聯(lián)合創(chuàng)始人、首席研究科學家，世界級深度學習、遷移學習專家。在百度鳳巢期間主持了世界首個商用深度學習系統(tǒng)，大幅度提升廣告點擊率的同時，提升用戶滿意度和企業(yè)收入，加入今日頭條后主持了中國用戶量最多的新媒體人工智能推薦系統(tǒng)，完成全新的信息流推薦與廣告系統(tǒng)的設計。作為第四范式首席研究科學家，帶領團隊打造專為機器學習而生的計算框架，實現(xiàn)人工智能產品化的關鍵技術突破，推出的人工智能產品“第四范式·先知”2016年榮獲中國智能科技最高獎－吳文俊人工智能科學技術獎一等獎。陳雨強曾在NIPS，AAAI，ACL，SIGKDD等頂會上發(fā)表論文，獲APWeb2010BestPaperAward，KDDCup2011名列前三，其學術工作在2010年作被全球著名科技雜志MITTechnologyReview報道。他和第四范式創(chuàng)始團隊開創(chuàng)的“遷移學習”被業(yè)界認為是“下一代人工智能技術”。