在2016年世界經濟論壇的報告中，人工智能被預測為第四次工業(yè)革命的核心技術代表，越來越多的企業(yè)開始借力人工智能，在這場科技革命中搶占先機。深耕人工智能工業(yè)應用多年、全球第一個商用深度學習系統(tǒng)和全球最大的深度學習系統(tǒng)設計者陳雨強也表示，“AI+大數(shù)據(jù)”正在成為企業(yè)競爭標配，超高維的人工智能技術能為企業(yè)“彎道超車”提供突破口，未來每一個成功的公司都是一個人工智能公司。

 

　　同時，作為科學家的陳雨強面對AI熱潮保持冷靜。他表示機器學習的基本要素是“數(shù)據(jù)+模型+特征”，近期不斷取得突破也是源于這三個因素：前所未有的大數(shù)據(jù)、更高維的機器學習模型和更高效的特征分析能力。然而，這些要素目前還有諸多技術難點有待突破。“對現(xiàn)在的機器學習來說，數(shù)據(jù)的時序性、模型的解釋性、特征工程的復雜性等技術難題，仍是橫在人工智能工業(yè)應用前的鴻溝。人工智能無所不能只是人們的過度想象。”

 

　　首先，就數(shù)據(jù)而言，目前主流的深度學習技術是以二維數(shù)據(jù)矩陣來進行訓練的，在工業(yè)化的應用場景之中，還需要引入時序特征，從而構成三維數(shù)據(jù)。以銀行業(yè)為例，根據(jù)業(yè)務目標對銀行用戶的某些歷史行為自動總結并做出相應關聯(lián)，這就需要機器能調用并深度理解“人+特征+歷史時間軸”的三維數(shù)據(jù)組合。第四范式嘗試以工業(yè)界的具體目標為導向，最大程度地枚舉出全部pattern,從而找到全面的歷史特征，讓數(shù)據(jù)三維立體化。

 

　　此外，在模型方面，只有人工智能的客戶能夠更好地理解模型原理，才會投入更大力度支持人工智能的工業(yè)應用，因此模型的可解釋性，已經成為人工智能在產業(yè)界發(fā)展的必要前提。第四范式的科學家們希望模型易于理解、易于交互，來滿足某些關鍵問題上要求輸出和特定特征呈強線性關系的需求。對于價值密度高的特征來說，可以用特征細節(jié)增強技術，一個特征可以從多維度進行描述，當實際應用需求產生時能夠自動判斷出最佳維度，保證既有全局觀，又不失細節(jié)。這種新的技術不但具有良好的模型效果，還具備良好的可解釋性，能為工業(yè)界所快速接受。

 

　　最后，在特征方面，復雜的特征工程要求企業(yè)能夠提供較強的專家知識和經驗，一個基本的AI應用需要由專家來提取700個特征，并不斷根據(jù)業(yè)務目標進行排列與總結，這些都使得機器學習的在人力的投入上居高不下。人工智能的工業(yè)應用急需使機器具備更強大的特征提取能力，使得機器學習對專家的依賴性降低，同時獲得更佳效果。通過領先的特征工程技術，第四范式扭轉了傳統(tǒng)機器學習精力分配不合理的局面，將原本占比80%的特征工程工作量降低到20%，而將80%的精力安排在更有價值的模型調優(yōu)上，提高了機器學習的效率。這種技術能夠極大地降低機器學習的行業(yè)應用門檻，幫助人工智能在各行業(yè)普及。

 

　　時下，盡管人工智能被寄予厚望，其中也不乏停留在空想階段的“畫餅”人工智能技術。而第四范式希望人工智能在高速發(fā)展的同時，可以以一種全局的、智能的、低耗的方式不斷突破技術難題，讓AI的商業(yè)價值落地于各行各業(yè)。例如第四范式推出的國內首個人工智能應用者開發(fā)平臺”先知”，就將頂級科學家10余年人工智能研究和應用經驗封裝到產品中，極大降低了人工智能應用門檻。

 

　　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。曾在多個國際頂級人工智能會議發(fā)表論文，論文被全球著名科技雜志MITTechnologyReview收錄報道。陳雨強主持架構了世界上第一個商用深度學習系統(tǒng)“百度鳳巢系統(tǒng)”，大幅提升了廣告點擊率并使變現(xiàn)能力提升8倍;主持架構了中國用戶量最多的新媒體人工智能推薦系統(tǒng)“今日頭條”，以支持千億特征、千億數(shù)據(jù)的流式機器學習系統(tǒng)，實現(xiàn)今日頭條新聞推薦的個性化、準確性與時效性。

 

　　第四范式是國際領先的人工智能技術與服務提供商、數(shù)據(jù)科技驅動行業(yè)應用的創(chuàng)新者。創(chuàng)始團隊楊強、戴文淵開創(chuàng)的“遷移學習”被業(yè)界認為是“下一代人工智能技術”。