AI 能力在産業端的規模化落地是否存在可能?第四範式用五年時間給出了答案——在金融、零售、醫療等行業領域積累了超過八千家行業客戶 AI 落地業務經驗。
“數據治理難、科學家稀缺、業務價值不佳以及算力成本負擔重，是企業 AI 轉型中四個最常見的坑，”第四範式創始人兼 CEO 戴文淵談道，“這些問題歸根結底是因為缺少基于規範和标準的基礎設施。”
為此，他們從實戰經驗中提煉出一套完整方法論——從底層操作系統到基于自研 AI 加速卡的一體機，從模型開發工具到業務開發工具——并将其标準化地複制給更為廣泛的産業客戶與市場需求。
第四範式創始人兼CEO戴文淵
“是的，我剛從客戶那裡出來”。
電話那頭，趕着搭高鐵的胡時偉氣喘籲籲，“他們是一家面向大學生的 APP 公司，平時日活也就百萬左右，疫情期間達到了四百萬，線上流量爆增，需求非常典型。”
胡時偉是第四範式的聯合創始人，同時也是公司技術層面的首席架構師。這幾個月以來，頻繁穿梭于不同客戶之間成為第四範式各個負責人的日常。
第四範式是一家面向人工智能機器學習平台的公司，來自于一幫年輕的研究人員，特别是的，他們曾為百度、今日頭條等中國的互聯網公司打造了最早一批的深度學習技術框架，手握彼時産業端稀缺的 AI 業務開發經驗。
2014 年底，他們創立了自己的公司“第四範式”，并展現出驚人的成長速度和落地能力。五年的時間裡，他們在金融、零售、醫療等行業領域積累了超過 8000 家行業客戶。今年 4 月，第四範式完成 C 輪總計 2.3 億美元融資，估值約為 20 億美元。
據 IDC2019 年《中國機器學習開發平台市場評估》顯示，第四範式在機器學習平台市場占有率位于第一，于 BAT、微軟和 AWS 等公司與平台。
在這背後，是機器學習模型與框架等偏向底層的 AI 能力走向業務端的突破，是 AI 價值切實落地到面向用戶的場景裡。
一、疫情催生流量格局劇變，如何解圍?
2020 年，席卷全球的新冠疫情當屬影響的市場變量，隔離與封城讓線下産業舉步維艱;而與此同時，線上辦公新增 3 億人，觀看直播的人次達到 500 億，一場線下用戶向線上流量的大規模遷移或許隻發生在一瞬間。
黑天鵝突如其來，促使線下經營者和線上流量主都不得不對重新深思 “在線化” 主題，胡時偉和同事們接觸多了太多這樣的聲音。
“一方面，他們迫切地想要活下來;另一方面，如果能活下來，他們必須思考要做出哪些改變。”
在胡時偉看來，他們所面臨的共同挑戰主要集中在三個層面：
移動化以後，如何找到用戶;
找到用戶以後，如何經營用戶;
如何競争獲取用戶的碎片化時間。
“比如傳統零售業，店家熟知如何選址才能會有豐富的人流;到了線上，就是有效流量獲取的問題，而這可能是線下店主所完全不了解的。”胡時偉說道。
此外，傳統線下行業的競争僅限于商圈，同品類的店鋪，但到了線上，競争泛化為無差異的用戶的時間競争。這些競争或許發生在今日頭條與銀行應用之間，也可能是電商與閱讀類應用的競争。業務與交易的過程被打碎，用戶的注意力稍不留意就被偷走。
種種挑戰，無論是對于初涉移動互聯網的線下店家，還是年輕的線上流量主，要想快速提出有效的解決方案都不是件容易事。
胡時偉，第四範式聯合創始人兼首席架構師。
胡時偉和同事們想出了辦法。不過主角并不是他們，而是封裝了人工智能能力的功能包——“相當于為每家企業提供一個 VIP 專員為他們解決業務問題”。
具體來看，這些問題被梳理為增長、留存、變現三大類，每一類問題都關聯了相應的自動化功能，比如要實現用戶留存，可以通過關聯推薦、熱點推薦、千人千面等智能推送能力提升活躍度。
這些功能的影子最早出現在今日頭條等信息流裡，它們正是出自第四範式的早期團隊。現在它們被定義地更加清晰和準确，其适用的場景也從内容領域拓寬到各行各業，成為第四範式面向企業用戶的業務系統應用——天樞。
事實上，第四範式的這些單點能力已在多個領域落地并取得了不錯成效，包括為在餐飲領域，百勝餐飲(KFC 母公司)提供 APP 點餐推薦功能，使其客均單價得到提升。在媒體領域，第四範式累計服務上千家媒體客戶，每天為 2 億人次提供千人千面的浏覽體驗。
第四範式總裁 裴沵思
二、管理 AI 業務的第一步：讓數據 AI Ready
要讓人工智能的能力輕松落地到客戶端。在應用之下，還需要更為底層的能力支撐，以降低算力和建模的高門檻，讓數據成為人工智能系統真正可用的數據。
第四範式将這樣的平台能力集成為「AIOS」操作系統，脫胎于全流程 AI 平台「先知」——從最初解決數據建模問題，到實現模型快速上線，以及現在提供端到端的方案——該平台成為驅動第四範式能力升級的重要引擎。
和面向個人計算用戶的 Windows 操作系統類似，「AIOS」操作系統主要面向企業用戶，用于人工智能業務的管理，它類似于一套數據中台的系統應用，不過這裡的「數據」有些特殊——它們是 AI Ready 的數據。
胡時偉解釋，基于這種被特殊定義的數據形式和産品化模式，能夠為企業的業務數據和機器學習系統之間架起一座橋梁，以解決人工智能落地實際業務過程中的「數據治理」的難題。
這套理論聽來有些晦澀，數據還有「AI Ready」和「非 AI Ready」之分?這和「數據治理」有何關聯?
胡時偉進一步解釋，所謂「數據治理」，即指在 AI 數據的采集和傳輸過程，進行治理和規範化，很大程度上對應了數據清洗和數據集成等工作。實際上，這些環節在 AI 落地應用過程中耗費了大量人力和時間，因為 AI 應用的本質就是數據的問題。
回顧過往的市場與客戶經驗，胡時偉坦言，「從傳統案例來看，機器學習這件事情，失敗的概率其實非常大」。但他同時指出，這其中 90% 以上的苦惱都集中在數據問題，有時客戶甚至無法意識到是自己的出了問題。
按照數據 AI Ready 的思路，「數據治理」的核心就在于将「非 AI Ready」的數據轉換成「AI Ready」數據。胡時偉将其比喻為「用 Word 打開 PDF 格式文檔的亂碼問題」，第一步便是先轉換成對應的正确格式文檔。
而第四範式團隊的創新之處就在于，将何為機器能夠讀懂的「正确格式文檔」定義清晰。胡時偉将其稱之為「AIOS 最為重要的設計之一」。
「将大幅降低 AI 業務和其他 IT 系統之間的連接成本」，他說道，「用企業内部的數據形态去構建成 AI 數據，與之對應的 AI 業務就能自動地連接其他數據資源。」
而這恰恰是現有的傳統數據管理與分析軟件所無法實現的功能盲區，因為傳統管理軟件與 AI 業務管理軟件的管理目标和服務對象不同，形成了原理和架構上的差異——前者無法理解數據一緻性和有序性問題。
胡時偉以金融領域中機器學習對于欺詐行為的識别舉例：機器學習通常需要從數據庫調取曆史交易數據進行學習和建模，用于判斷和檢測新的交易。但很多時候，由于曆史數據在數據庫中進行了格式處理，所以機器無法再辨認。(金融領域是第四範式最早開拓的優勢市場，目前 80% 以上的頭部銀行都是第四範式的客戶。)
除了在系統底層的設計思路革新之外，第四範式還提供了一套十分簡易化的自動化建模平台——HyperCycle，基于團隊積累的高維機器學習框架與 AutoML(自動機器學習)算法，将 AI 數據的分析過程簡化為行為、反饋、學習、應用四個步驟。
與滿是代碼行的編程界面有所不同，HyperCycle 的界面和 IU 設計簡潔易懂。
相比此前谷歌雲、微軟雲等雲計算推出的 AutoML 線上服務，胡時偉認為，HyperCycle 工具軟件的成熟性與适用場景更為廣泛。
三、從全生命周期看 AI 應用：誰才是「算力短闆」
接觸的客戶與場景越多，對于 AI 應用落地的難點與痛點理解便越深刻，而在之中，算力已經成為 AI 落地話題繞不開的話題。
不止步于軟件與算法能力的鍛造，尤其在接觸了廣泛與深入的客戶需求讨論後，這兩年第四範式開始向硬件層面探索，并與今年推出第二代 SageOne 算力平台——SageOne 和 SageOne 領航兩大系列，後者完全基于中國 AI 基礎設施的軟硬件設計。
第四範式副總裁鄭曌在接受機器之心采訪時表示，SageOne 領航算力平台最早由客戶提出，滿足對于數據的敏感性、合規性、安全性的更高需求。
目前，SageOne 領航通過硬件與軟件、算法的高效适配，能夠在性能上與國際主流計算平台性能對齊。鄭曌透露，目前合作夥伴包括華為、寒武紀、海光等。
此外，SageOne Advance 系列加入了第四範式自研人工智能加速卡 ATX900。經過全面測試驗證，在風控反欺詐、反洗錢和智能營銷等場景的性能比傳統 AI 構建方案平均提升 4-10 倍。
與市面上已有的 AI 軟硬一體加速方案不同，第四範式更看重從 AI 應用的全生命周期着手找到算力短闆，并将之攻克。「傳統方案主要聚焦在訓練和推理兩個環節的性能優化，但我們發現，AI 業務對于算力的需求貫穿了整個 AI 全流程生命周期。」
以數據數據準備環節為例，在軟件層面與 AIOS 系統的數據治理優化相對應;在硬件層面，通過 ATX900 設計提出針對性的優化提速方案：包括提升 FE 過程中數據落盤的壓縮效率，性能提升 10 倍;自研 GBDT 模型訓練加速(FlashGBM)，加速 GBDT 模型訓練速度;采用自動調慘技術，自動優化模型訓練超參數，提升高達 19 倍等。
通過一系列的軟硬件深度優化，SageOne 對比傳統算力服務器設計，在保證性能一緻的基礎上，将算力成本降低至 1/10。據介紹，在某連鎖餐飲企業實際應用場景中，SageOne 以 8 台替換了 88 台通用服務器集群。
鄭曌表示，目前行業客戶對于 AI 應用與基礎設施的建設需求多種多樣，拓寬産品的維度提供更為完整的解決方案是市場的需求所在。比如從橫向維度來看，互聯網成熟度較高的客戶傾向于軟件方案，非互聯網客戶因為基礎設施薄弱，加入 AI 應用之後算力成本勢必成為其負擔，便需要完整的軟硬一體方案。
整體來看，第四範式所提出的整套 AI 落地軟硬件産品邏輯在于，從底層系統出發，從實際算力短闆着手，填平算力與技術的溝壑，提供從數據到建模，從數據到應用的「傻瓜式」開發工具。
他們打破了新增 AI 業務與企業現有 IT 業務的高牆，得以讓 AI 數據與計算在企業系統裡自由穿梭與融合。我們有理由相信，AI 技術終将走下神壇，成為企業客戶真正觸手可及的業務能力。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
