原創(chuàng)：譚婧

全球AI大模型的技術(shù)路線，沒有多少秘密，就那幾條路線，一只手都數(shù)得過來。

而舉世聞名的GPT-4渾身上下都是秘密。

這兩件事并不矛盾。為什么呢？

這就好比，回答“如何制造一臺光刻機？”。

“所需要的任何數(shù)學公式、物理學定律和工作原理，都可以在任何一所理工科大學的圖書館里找全，但是這距離制造出光刻機，完全是兩碼事，中間需要解決的工程問題是數(shù)以十萬級?！?/p>

光刻機的例子來自曾任微軟雷德蒙德研究院深度學習技術(shù)中心的首席研究員，現(xiàn)任京東集團副總裁、京東科技智能服務(wù)與產(chǎn)品部負責人的何曉冬博士。

將技術(shù)做到極致，人類智慧正在打開“機器智慧”的魔盒。

極致背后的奧秘被多位科學家以畢生之經(jīng)歷數(shù)次總結(jié)。

我于2021年7月收藏了何曉冬博士在京東AI研究院內(nèi)部分享的九條經(jīng)驗，頻頻回顧，總有收獲。

分享得到了他的允許。

在這九條經(jīng)驗中，何曉冬博士不僅再次強調(diào)了“工程能力”的重要性，而且毫無保留地將他心中的普世科研真諦遞給麾下科研人員。

如今，大模型的爆發(fā)將AI工程實踐推向了一個嶄新巔峰。在何曉冬博士看來，AI在科學原理意義上的進步，離不開工程的極致實現(xiàn)。

這是一個“既要”“也要”的難題。

歷史反復證明，技術(shù)是創(chuàng)新的核心，但它也需要資源和管理的加持才能產(chǎn)生預期的成果。所以，創(chuàng)新不是技術(shù)的獨角戲，而是與資源與管理的合奏曲。

當今世上，一個人一支筆依然可以拿諾貝爾文學獎，但一個人就想造出有競爭力的千億參數(shù)的AI大模型，已絕無可能。

那些容易被忽略的細節(jié)，科技觀察者應該重視。

當某一技術(shù)路線蓄積爆發(fā)的力量，那么多年前這個技術(shù)路線上奠基論文的引用數(shù)量就會突然間增長。

時隔五年，一篇完成于2018年，關(guān)于注意力機制的論文（“Bottom-up and top-down attention”）引用量，悄然增長（截至發(fā)稿前4028次引用）。

這篇論文的學術(shù)價值在于，在更高層次上提出一個比較基礎(chǔ)的問題：“跨模態(tài)的語言和圖像信息，在語義層次怎么對齊？”

假如哪位讀者對多模態(tài)技術(shù)感到興奮，那“對齊”這個詞，定是“后會有期”。

稍作論文綜述與歸納就會發(fā)現(xiàn)，這篇論文是更早期三篇論文的“集大成者”。文中提出了一種非常創(chuàng)新的注意力機制。前三篇之一的論文“Hierarchical attention networks”，截至我的這篇文章發(fā)稿前，有4953次引用。一般來說，AI領(lǐng)域論文引用量在一千以上就算較高。

而今看來，三篇蓄力一篇發(fā)力的技藝讓這套“三+一”的論文有了里程碑式的意義。

有趣的是，過去五年，CVPR會議發(fā)表的所有論文中，“Bottom-up”這篇論文排名前二十。

更有趣的是，排名前二十的論文中，只有“Bottom-up”這一篇是有關(guān)多模態(tài)的。

要我說，排名前二十的論文中，按多模態(tài)技術(shù)排名，這篇論文排第一。（因為前19篇都是關(guān)于計算機視覺的，哈哈。）

這項多模態(tài)學術(shù)論文奠基工作來自何曉冬與京東云言犀人工智能應用平臺團隊。

CVPR在世界上所有期刊和會議文集中排名第四，有多少AI科研工作者宵衣旰食、不辭勞苦都是為了在會議截稿前爭取“一張門票”。

CVPR有一個指標（H5因子），在此發(fā)表的重要工作（不是所有工作）的科研價值已經(jīng)跟科學雜志Nature（《自然》），Science（《科學》）處于同一水平。

從2014年的第一篇發(fā)布至今，日月不居，匆匆九年。

多模態(tài)技術(shù)之于大模型重要性不言而喻，時間會等待想法不同的人最終到達同一個目的地。

在這九年中，2018年是一個特別重要的年份。

那一年，何曉冬出任京東AI 研究院常務(wù)副院長。

那一年，何曉冬博士團隊用文生圖算法（AttnGAN）生成了一張小鳥“照片”。

可以說，這是人工智能文生圖的“古早小鳥”。

那是一只紅羽毛白肚子的短嘴小鳥，胖憨可愛，加上兩道黑粗劍眉，神似風靡全球的游戲“憤怒小鳥”里的主角。何曉冬博士告訴我，他喜歡給階段性工作留下紀念品，這只小鳥有段時間是他的手機屏保。

那一年，時光仿佛打開了一扇門。他從門縫中看到了一個更大的空間，一個從未見過的空間，他對到達那個空間充滿信心。

何曉冬博士說：“不只是我的團隊做大模型要走多模態(tài)這一條路，其他團隊也得走這條路。”

“走多模態(tài)大模型技術(shù)路線，就一定會決策要在哪個層次做多模態(tài)融合?！八麖娬{(diào)。

顯然，這是在考驗科研團隊帶頭人的決策能力。

“這是一個科學問題。”何博士說。我補充道：“這是一個離應用非常近的科學問題?！?/p>

何曉冬博士點了點頭，表示認可。

諦聽于此，心潮澎湃。

此前我一直認為，在大模型的世界里，多模態(tài)技術(shù)還有很大機會。

我請教何博士幾個令人興奮的技術(shù)問題：

1.要實現(xiàn)多模態(tài)大模型的涌現(xiàn)，現(xiàn)在的Transformer模型架構(gòu)是否足夠？Transformer模型架構(gòu)有沒有必要做底層改變？

何博士說，也許有必要，也許沒有必要，需要探索研究。

2.是在語義層面對齊，還是數(shù)據(jù)層面對齊？

何博士的觀點是，在語義層面，或者更低。

我認為，多模態(tài)大模型的起點是語言大模型。

也就是說從某種程度上，語言大模型的科研水平和工程能力是大模型的堅實基礎(chǔ)。

一開始，何曉冬與言犀團隊語言大模型的發(fā)展目標是使其具有更強的語言能力，特別是語言生成能力。這種能力很快在京東就用起來了。說白了，寫商品文案能寫得越來越好。

團隊的大模型原創(chuàng)性工作包括10億規(guī)模參數(shù)的K-PLUG大模型。K代表knowledge，知識。這個大模型從2019年開始推動，到2021年就成熟了。

京東畢竟是一家擅長于用技術(shù)推動零售生意的企業(yè)，基于京東云言犀AI應用平臺的基礎(chǔ)能力，內(nèi)容審核，拍照購、商品營銷文案生成等多種應用應運而生。

比如，在京東商城里，商品營銷文案工作量大，文案生成很有必要，且已覆蓋到商品三級類目（服裝，女裝，連衣裙），已達3000余個三級類目。

清點一下總體工作量，K-PLUG大模型累計生成超30億字，直接帶來了至少3億元人民幣的收入。

我向團隊中的吳博士和張博士了解到，文案生成場景有一個有趣的地方，文案生成后要人工審核，而通過率就好比成績單，目前成績是95分（滿分100分）。因為通過率已經(jīng)超過了95%。

產(chǎn)業(yè)場景對大模型的常態(tài)是“苛求”。

團隊發(fā)現(xiàn)，很多產(chǎn)業(yè)應用對“生成內(nèi)容”的忠實度和可靠性要求極高，營銷一個商品不能一味堆砌贊美之詞，真實的贊美尤其重要。

日常推薦冰箱都會談到綠色節(jié)能制冷好，但是情況不適用于奢侈款冰箱，節(jié)能不是奢侈款冰箱的優(yōu)勢。

在傳統(tǒng)語言模型時代，很可能會把一些詞就放上去了。對冰箱產(chǎn)業(yè)鏈來講，忌諱“有名無實”，把不存在的“亮點”硬塞給商品，商家完全不可能接受。

何曉冬與言犀團隊不會只做一個技術(shù)路線，大模型背后有很多嘗試工作，或者說創(chuàng)新本身就包含多種嘗試。

團隊的大模型原創(chuàng)性工作還包括一個多模態(tài)文本生成模型。也就是說，現(xiàn)有的兩類大模型將會是未來京東產(chǎn)業(yè)大模型的重要組件。

團隊對大模型的技術(shù)布局，既是場景推動，也是產(chǎn)業(yè)推動。

那么，團隊的當下聚焦與未來遠景分別是什么？

目前聚焦AGI，第一步做通用語言大模型。

第二步做多模態(tài)大模型（在這步一定會決策在哪個層次做多模態(tài)融合）。

何曉冬博士說，接下來，團隊會從文生圖技術(shù)著手。

“文生圖會是很好的一個牽引性的應用?！焙螘远┦空f，“雖然這是科學問題，但我們還是希望有一個應用來牽引?！?/p>

這也是一個非常務(wù)實的做法，對何博士來說，產(chǎn)業(yè)落地始終是不懈追求。

第三步，當通用智能向前進發(fā)，除了多模態(tài)技術(shù)非常關(guān)鍵之外，數(shù)字智能會走向?qū)嶓w世界。物理世界中的機械體，不管是手臂，機器人，還是無人駕駛汽車，將通用智能賦予機械體會是一個巨大飛躍。

未來，人均畢業(yè)于哈利·波特的母?；舾裎执乃拇髮W院，這是不是會讓人感到害怕？

2017年美國耶魯大學的一次會議上，何曉冬博士和美國波士頓動力機器人團隊有一場令雙方興奮的交流。

何曉冬博士說，如果把多模態(tài)認知智能裝到機器狗里去，會發(fā)生什么？

比如，去隔壁小賣店幫我買一瓶可樂。這個對人類小孩來說是簡單任務(wù)，對機械狗來說是高難度的。復雜環(huán)境下的定位，識別，外加推理、數(shù)學、對話等“技能”。

能不能進店？

認不認識可樂？

買回來口香糖怎么辦？

機械狗可能也會為自己犯下“花式錯誤”辯解：“起猛了，犯錯有點多?！?/p>

何曉冬博士的觀點是，比較之前的感知智能，認知智能進入到一個學習曲線更加陡峭，也就是說，更加艱難的學習過程里。

越是難走，越無法預判出人類走出這條“山路”的時間。

難在何處呢？

到了認知智能這個層次后，學習會變得困難。而在感知智能這個層次，你可以很清晰地告訴計算機，識別錯了，改過來。打標簽就是公布答案。反復試驗（trial and error）這個機制很清晰。

然而，認知智能則行不通。

人們常說：“一千個人心中有一千個哈姆雷特?！痹谡J知智能這個層次，情況變得微妙和復雜，也就是說，AI要理解事務(wù)的復雜性，涵義的寬泛性。一幅畫，每個人都有自己的理解，也許各個角度的描述都是正確的，那么如何設(shè)計訓練？

這個問題我們遇到了，美國公司OpenAI肯定也遇到了。人類反饋是非常重要的技術(shù)。人類可能只能給出一些非常大致（general）的反饋，但是很難給出非常細節(jié)（detail）的標注。

日前，很多人對大模型無止境的算力，數(shù)據(jù)，參數(shù)量的增長，持悲觀態(tài)度，擔憂有可能形成新一輪的技術(shù)壟斷。

那些中小企業(yè)勢窮力盡也不能從零造出世界領(lǐng)先大模型，他們的訴求是“用”。在這一點上，何博士做了樂觀的判斷。

何博士描述了兩個臺階。

第一個臺階很難邁上去，踏步難度大。

在這個臺階，我們制造一個通用大模型，通識能力強，異常困難，且所費不貲。

當大模型具備了信息壓縮、邏輯判斷與推理等良好能力之后，下一個臺階的踏步高度就會降低。

“門檻”變低的技術(shù)原理是，大模型能力強了之后，下一步“微調(diào)”，算力成本也降低。

此時，產(chǎn)業(yè)受益之處就體現(xiàn)出來了。

產(chǎn)業(yè)利潤低洼地的企業(yè)，以及供應鏈上地位低的中小企業(yè)都有機會用上“大模型”。如此一來，不僅不會加大數(shù)字和技術(shù)鴻溝，還會產(chǎn)生普惠價值。

先拋一個問題：“我昨天在電商下單的手機今天什么時候到？”

從技術(shù)的角度，這個問題內(nèi)容簡短，意圖清晰。

只可惜，ChatGPT回答不了。

因為答案不在公共信息里。

想回答這個問題，ChatGPT就得知道在哪里下單，得接入電商業(yè)務(wù)系統(tǒng)，包括訂單、下單、倉儲、物流。

毫無疑問，一個相對獨立的“領(lǐng)地”，會有獨特的場景和數(shù)據(jù)。

毫無疑問，這樣的“領(lǐng)地”有成千上萬個。

在京東，僅靠“實驗室指標成功”和“比賽打榜第一”的技術(shù)結(jié)果，這些都遠遠不夠。

因為京東對購物體驗要求高，人類客服都不能服務(wù)差，更別說機器人了。所以，從技術(shù)走到服務(wù)這個過程必須在京東內(nèi)部有非常嚴格的驗證，驗證邏輯就是直接和人類服務(wù)對比。

“服務(wù)水平”差，那個技術(shù)就完蛋了，用不了。

舉三個例子，體會“獨家難題”。

第一，京東智能客服有一個指標叫“首句掛斷率”。這很好理解，操著某某濃厚方言又不著五六的腔調(diào)的電話和你說人貨錢，你不僅不信，而且想掛斷。

人在通電話時也會被掛斷，但是，智能客服被掛斷的比率一定要接近人類客服掛斷比率。

家電大件商品配送貨的時間預約電話，接起來一聽就是機器人的冰冷聲音，電話瞬間被掛，實在很耽誤事。

第二個例子是售后。

比如用戶帶著售后問題來了，得盡快把人家的問題解決掉。這時候，客服不需要“嘴甜留人”，而是盡快理解人家之所急，給一個滿意的方案，然后，就沒有然后了，服務(wù)結(jié)束，滿意而歸。

聊天時間長，閑扯能聊，這都不是對售后智能客服的要求。

用技術(shù)語言來總結(jié)就是：人機對話中，通常帶有明確目的指向，需完美解決客戶售前售后咨詢、價保、交易、支付、配送、退換貨服務(wù)等各環(huán)節(jié)需求。

第三個例子是400熱線。用戶來電投訴，誰也不會準備投訴的演講稿，再照稿朗誦。用戶想怎么說都行，一邊說一邊想，想停就停。

半句話，倒裝句，車轱轆話，能不能聽懂？

說錯了，再糾正，能不能理解？

旁邊有人說話，有電視聲音，能不能區(qū)分？

這些都是在語音交互里面的難點。

第三個例子，雖然口語談話打斷習以為常，但曾經(jīng)是個技術(shù)難點。比如，智能客服說完了，輪到人類發(fā)言了，人類可能在思考。

猶太諺語說：“人類一思考，上帝就發(fā)笑?！?/p>

機器人怎么知道對方說完了？

比如，超過2秒對方就不說了，寫這么一個規(guī)則夠用嗎？我們很難寫一個規(guī)則讓大多數(shù)人舒服。

對此，何曉冬與言犀團隊用一個多模態(tài)的話語決策模型解決。原理是，通過語音信號、停頓時間、語意完整度、語氣相關(guān)等多模態(tài)信號綜合做動態(tài)決策模型，來判斷人類是說完了還是在思考，等對方表述結(jié)束，再去接話。

恭而有禮，莫過于此。

一般人認為客服不就是對話機器人，有語言文字能力強的大模型，情況并非如此。

京東需要多模態(tài)大模型。

在京東，有400電話（聲音）；有商品照片（圖片）；有安裝指南（視頻）；有好評如潮（文字）。

模態(tài)是一種學術(shù)詞匯，更準確而久遠的來源是和“信號”相關(guān)的。簡單理解，不同種類的數(shù)據(jù)就是“模態(tài)”。

這些多模態(tài)信息，需要多模態(tài)大模型來處理。

所以，不用好奇京東這里會成長出什么樣的大模型。多模態(tài)是一個順承并滿足業(yè)務(wù)場景需求的技術(shù)路線，以此類推到與京東密切相關(guān)的產(chǎn)業(yè)，比如零售，比如金融。

京東科技智能服務(wù)與產(chǎn)品部門的出現(xiàn)，就是因為京東日益增長的客服業(yè)務(wù)需要一支專門的技術(shù)團隊，把內(nèi)部所有的客服單獨拿出來用“智能”來解決。多年以來，陸續(xù)將技術(shù)和能力沉淀成一個可用的產(chǎn)品能力平臺，就是言犀平臺。

“我們平臺（京東云言犀人工智能應用平臺）有40多個獨立子系統(tǒng)，3000多個意圖和3000萬個高質(zhì)量問答知識點?！焙螘远瑘F隊的吳博士說。

京東全量智能服務(wù)的技術(shù)經(jīng)驗，加上在京東零售、物流、健康等多類業(yè)務(wù)的多年實踐，體量做到了日均千萬次智能交互。

談笑間，那些輕量化模型任務(wù)（信息抽取、語音識別、方言語音識別、關(guān)鍵詞識別、語義識別、情感分析）早已“拿下”。

京東生意額增長，帶來“三高”要求：真實場景要求高，用戶體驗要求高，大規(guī)模服務(wù)要求高。

所以，高難度的技術(shù)問題內(nèi)部早已入手研發(fā)，內(nèi)容生成，復雜語義理解或意圖識別，多輪對話決策推理都是重點。

何曉冬博士是自然語言處理和跨模態(tài)智能領(lǐng)域極具影響力的科學家。在AI2000人工智能全球最具影響力學者榜單中，同時入選三個領(lǐng)域（NLP、Speech、IR），為全球60人之一。

他是教授，也是IEEE Fellow，他雖然有極強的學術(shù)背景，但特別重視技術(shù)的應用前景。何曉冬團隊的技術(shù)領(lǐng)域的積累建立在200余篇學術(shù)論文、近4萬次學術(shù)論文引用、5.8億用戶真實場景的練兵場上。對于有能力挑戰(zhàn)的人來說，難度越高，能把技術(shù)水平提得更高。

2023年5月6日，第十二屆吳文俊人工智能科學技術(shù)獎?wù)焦?#xff0c;京東云言犀團隊憑“任務(wù)型智能對話交互關(guān)鍵技術(shù)及大規(guī)模產(chǎn)業(yè)應用”，斬獲吳文俊人工智能科學技術(shù)獎科技進步獎。

“產(chǎn)生了逾20億元的直接經(jīng)濟效益和良好的社會效益，促進了零售、物流、金融、政務(wù)等相關(guān)產(chǎn)業(yè)的快速發(fā)展?！?組委會點評。

與此同時，何曉冬博士獲得了吳文俊人工智能科學技術(shù)獎杰出貢獻獎。

“他的耐心是一種鼓勵。”

“他擅長指明方向，總是能在討論中找到問題的本質(zhì)，幫助我們打開思路?！焙螘远┦亏庀碌膮遣┦俊⒎恫┦窟@樣評價道。

京東對人工智能大模型的布局可以從一個個前沿酷炫的實驗室名稱中洞見。那些研究員們有些來自圖生文實驗室，有些來自基礎(chǔ)模型與系統(tǒng)實驗室，有些來自跨模態(tài)視覺生成實驗室，未來還會來自機械智能實驗室。這里鼓勵探索，策勵探討，不歡迎施號發(fā)令、刻板短視。

回到文章開頭第一句。

在大模型的技術(shù)路線之爭這件舉足輕重的事情上，到底是Decode-Only勝出，還是Encode-Decode勝出，任誰目前也不能草率得出結(jié)論。

雖然目前走Decode-Only路線的大模型GPT-4暫時領(lǐng)先，可保不齊谷歌哪天逆風翻盤，大大書寫一筆《谷歌戰(zhàn)微軟：AI大模型反轉(zhuǎn)史》。

何曉冬與言犀團隊對發(fā)展產(chǎn)業(yè)大模型的三個條件是這樣理解的：

第一，看得懂，懂業(yè)務(wù)邏輯。

垂直的場景自有壁壘，懂業(yè)務(wù)，懂行業(yè)，一步步弄懂。

第二，摸得到，運營了業(yè)務(wù)才會有數(shù)據(jù)，進而喂給大模型，發(fā)展出特有的能力。

第三，數(shù)據(jù)飛輪轉(zhuǎn)起來，有反饋再優(yōu)化的循環(huán)。

這三點既是本質(zhì)，又是限制。大模型制高點是強者之間的游戲，產(chǎn)業(yè)大模型與通用大模型的競爭優(yōu)勢來自于此。

得到產(chǎn)業(yè)的認知規(guī)律，從來都不容易：今天有多懂，昨天就有多艱難。

在一次次的錯誤中成長，將所有的經(jīng)驗導向理解與正確的結(jié)果。

每一次變革都有規(guī)律可循，從消費互聯(lián)網(wǎng)到產(chǎn)業(yè)互聯(lián)網(wǎng)的變革亦是如此。像京東這樣的技術(shù)企業(yè)，有供應鏈思維的企業(yè)，那些年雖有優(yōu)勢但也不能保證穩(wěn)勝。

京東相關(guān)內(nèi)部人士也有類似觀點：

雖然我們是做零售出身的，但每一次進入零售細分領(lǐng)域，也是從頭學習。早期做家電，后來做生鮮（7FRESH），再次出發(fā)做大量的線下零售，摸爬滾打。零售是一個巨大的場景，每一個賽道都是不一樣的，都有單獨的解決方案。深入行業(yè)不能僅靠想象力，浮泛的議論好發(fā)卻無用。

“用通用數(shù)據(jù)把大模型常識能力訓練足夠，再用精準，少量的行業(yè)數(shù)據(jù)，最終以產(chǎn)業(yè)大模型的形式提供給產(chǎn)業(yè)?！?何曉冬博士說。

當技術(shù)和意義都存在，何曉冬與言犀團隊如何理解大模型與上層應用的關(guān)系？

數(shù)據(jù)依然在大模型的發(fā)展中占據(jù)無以復加的重要地位，這無疑會增加產(chǎn)業(yè)大模型的競爭優(yōu)勢。大模型是迄今為止人類最高智能的AI原生產(chǎn)品，有實力顛覆SaaS層現(xiàn)有生態(tài)。

在所有的科技企業(yè)中，京東在零售產(chǎn)業(yè)和零售供應鏈實力最為雄厚，他們理解零售業(yè)的高度動態(tài)極其需要敏捷推動，他們理解零售以SaaS的形式提供服務(wù)最為合適。

產(chǎn)業(yè)需求的共性可以提煉，數(shù)智供應鏈的能力可以復制，數(shù)百個場景都會得到賦能。

比如，農(nóng)產(chǎn)品和電商的關(guān)系日益緊密，搜索關(guān)鍵詞“產(chǎn)地+特色農(nóng)產(chǎn)品”，在京東APP消費者TOP搜索熱詞中，連續(xù)四年持續(xù)增長。

近5年，地標農(nóng)產(chǎn)品消費金額年均增長36%，高于農(nóng)產(chǎn)品整體增速4個百分點；地標生鮮農(nóng)產(chǎn)品消費金額年均增長41%，高于生鮮農(nóng)產(chǎn)品整體增速7個百分點。

銷量的增長需要高效供應鏈與先進營銷方式，這也是京東產(chǎn)業(yè)大模型未來落地的重點方向之一。

離需求最近的人，最有機會。京東在產(chǎn)業(yè)大模型的加持下，有機會生長出一個市值等同于Salesforce的龍頭企業(yè)。

從某種程度上講，Salesforce是一家定義了SaaS的公司。有了美國Salesforce，才有了SaaS。

在產(chǎn)業(yè)大模型上，每一個人都可以通過SaaS套件，不僅是開商店、做生意，而是把各個行業(yè)的銷售和服務(wù)做好。從貨到錢的支付物流，從后端客服到前臺導購營銷，有全生命用戶全生命周期管理服務(wù)。并且，不但有自己的SaaS產(chǎn)品（模塊），還要建一個允許第三方開發(fā)的平臺。這樣才能把產(chǎn)業(yè)大模型的生態(tài)真正做起來。

產(chǎn)業(yè)隨著社會分工的發(fā)展而發(fā)展，垂直產(chǎn)業(yè)中成千上萬個企業(yè)未來一定會用大模型。誰來做？

良機在望，來者可追。

-結(jié)束-

更多閱讀

AI框架系列：

1.搞深度學習框架的那幫人，不是瘋子，就是騙子（一）

2.搞AI框架那幫人丨燎原火，賈揚清（二）

3.搞 AI 框架那幫人（三）：狂熱的 AlphaFold 和沉默的中國科學家

4.搞 AI 框架那幫人（四）：AI 框架前傳，大數(shù)據(jù)系統(tǒng)往事

注：（三）和（四）現(xiàn)在并未公開發(fā)表，將會以圖書出版的形式與各位見面。

漫畫系列

1.?解讀硅谷風投A16Z“50強”數(shù)據(jù)公司榜單

2.?AI算法是兄弟，AI運維不是兄弟嗎？

3.?大數(shù)據(jù)的社交牛逼癥是怎么得的？

4.?AI for Science這事，到底“科學不科學”？

5.?想幫數(shù)學家，AI算老幾？?

6.?給王心凌打Call的，原來是神奇的智能湖倉

7.?原來，知識圖譜是“找關(guān)系”的搖錢樹？

8.?為什么圖計算能正面硬剛黑色產(chǎn)業(yè)薅羊毛？

9.?AutoML：攢錢買個“調(diào)參俠機器人”？

10.?AutoML：你愛吃的火鍋底料，是機器人自動進貨

11. 強化學習：人工智能下象棋，走一步，能看幾步？

12.?時序數(shù)據(jù)庫：好險，差一點沒擠進工業(yè)制造的高端局

13.?主動學習：人工智能居然被PUA了？

14.?云計算Serverless：一支穿云箭，千軍萬馬來相見

15.?數(shù)據(jù)中心網(wǎng)絡(luò)：數(shù)據(jù)還有5納秒抵達戰(zhàn)場

16. 遲到不可怕，可怕的是別人都沒遲到，?數(shù)據(jù)中心網(wǎng)絡(luò)“卷”AI：

17.?是喜，還是悲？AI竟幫我們把Office破活干完了

AI大模型與ChatGPT系列：

18. ChatGPT大火，如何成立一家AIGC公司，然后搞錢？

19.?ChatGPT：絕不欺負文科生

20.?ChatGPT觸類旁通的學習能力如何而來？?

21.?獨家丨從大神Alex Smola與李沐離職AWS創(chuàng)業(yè)融資順利，回看ChatGPT大模型時代“底層武器”演進

22.?獨家丨前美團聯(lián)合創(chuàng)始人王慧文“正在收購”國產(chǎn)AI框架OneFlow，光年之外欲添新大將

23.?ChatGPT大模型用于刑偵破案只能是虛構(gòu)故事嗎？

24.?大模型“云上經(jīng)濟”之權(quán)力游戲

25.?深聊丨第四范式陳雨強：如何用AI大模型打開萬億規(guī)模傳統(tǒng)軟件市場？

26. 云從科技從容大模型：大模型和AI平臺什么關(guān)系？為什么造行業(yè)大模型？

DPU芯片系列：

1.?造DPU芯片，如夢幻泡影？丨虛構(gòu)短篇小說

2.?永遠不要投資DPU？

3.?DPU加持下的阿里云如何做加密計算？

4.?哎呦CPU，您可別累著，兄弟CIPU在云上幫把手

長文系列：

1.?我懷疑京東神秘部門Y，悟出智能供應鏈真相了

2. 超級計算機與人工智能：大國超算，無人領(lǐng)航

最后，再介紹一下主編自己吧，

我是譚婧，科技和科普題材作者。

為了在時代中發(fā)現(xiàn)故事，

我圍追科技大神，堵截科技公司。

偶爾寫小說，畫漫畫。

生命短暫，不走捷徑。

原創(chuàng)不易，多謝轉(zhuǎn)發(fā)

還想看我的文章，就關(guān)注“親愛的數(shù)據(jù)”。??