「我们正在做的是人工智能的泛化，」Candela 说。「随着需要理解、分析的内容量的爆炸，我们生成可判断内容的标签的能力跟不上了。」问题的解决方案，就是开发泛化的系统，这样一个项目的工作成果可以用到其他团队的相关项目上。Candela 说，「开发出可以将知识从一个任务迁移到其他任务的算法，会非常棒，对不对？」

这种知识迁移对于 Facebook 产品产出速度意义重大。拿 Instagram 来说。从这个照片服务产品的初始，用户的照片就是时间倒序呈现。不过在 2016 年年初，Instagram 决定使用相关性 sr'fa 排列照片。好消息是，因为 AML 已经在类似 News Feed 这样的产品中应用过了机器学习，「Instagram 不需要从零开始」，Candela 说。「Instagram 有一两个专业的机器学习工程师和数十个其他使用各种排序算法的团队对接。这样，他们就可以复制工作流，并且有问题可以直接沟通。」最终，Instagram 仅用了几个月就完成了这项巨大的产品改动。

对于可以将其神经网络的威力与其他团队结合而产出「Facebook 规模」的功能的使用案例，AML 团队时刻准备着。「我们正在使用机器学习技术，来增强我们的核心能力，以取悦我们的用户，」AML 认知团队的带头工程师 Tommer Leyvand 说道。（他来自……嘿嘿……微软。）

Rita Aquino, Facebook 技术产品经理

一个案例就是最近推出的社交推荐功能。一年前。一名 AML 工程师和一个 Facebook 分享团队的产品经理正在讨论一个强社交场景，即用户向朋友要求推荐当地的餐厅或者其他服务。「问题是，怎样将这个功能呈现给用户？」Rita Aquino，AML 的自然语音团队产品经理说道。（她之前也是产品经理，供职于……算了，不说了）分享团队一直在尝试匹配推荐请求的词语。「那种方式并不精确，在一天 10 亿条的消息下，也无法扩大规模，」Aquino 说。通过训练神经网络，并在生活行为模型上测试，团队随后可以监测到非常细微的语言变化，并能准确检测用户是否在询问某个地区内的餐厅或者需要购买鞋子。之后，合适的联系人的 News Feed 上就会出现一条请求。下一步——也由机器学习驱动——判断是否有人提供了合理的推荐，并将商铺或者餐厅的地址，显示在用户的 News Feed 上。

Aquino 说，在她为 Facebook 工作的一年半时间里，人工智能从产品中的罕见部分，变成了深植于产品概念中。「大家希望自己交互的产品能够更加聪明，」她说。「很多团队看到了社交推荐这样的产品，看了我们的代码，然后就问『我们怎么实现这种功能？』给你的团队实验这种用户体验，并不需要太多机器学习背景。」就自然语言处理来说，团队开发了一个可供其他团队方便访问的系统，叫做 Deep Text。这个系统可帮助使用 Facebook 翻译功能背后的机器学习技术，每天超过 40 亿条消息都会用到这项技术。

对于图像和视频，AML 团队开发了名叫 Lumos 的机器学习视觉平台。该平台始于当时还是 FAIR 实习生的 Manohar Paluri。他当时正在开发一个他称为 Facebook 视觉大脑的大型机器学习视觉项目，这是一个用于处理和理解 Facebook 上发布的所有的图像和视频的工具。2014 年的黑客马拉松上，Paluri 和同事 Nikhil Johri 在一天半的时间里完成了产品的原型，并展示给激动不已的 Zuckerberg 和 Facebook COO Sheryl Sandberg。Candela 创建 AML 后，Paluri 加入了小组，并负责计算机视觉团队，开发 Lumos，帮助所有的 Facebook 工程师（包括 Instagram、Messenger、WhatsApp 以及 Oculus）使用这一视觉大脑。

有了 Lumos，「公司里的任何人都可以使用多个神经网络的功能，为自己的使用场景建立模型，检测效果，」在 AML 和 FAIR 有联合职位的 Paluri 说道。「在工作流程中，其他团队可以有人参与进来，纠正系统、进行再训练，然后上线，这并不需要 AML 团队参与。」

Paluri 给我做了一个快速演示，他在他的笔记本上启动 Lumos，我们进行一个样本任务：优化神经网络识别直升机的能力。一个包含图像的网页——如果我们继续刷屏，图像数量将达到 5000 张——出现在屏幕上，充满了直升机的图片，还有一些不是直升机的图片。对于这些数据集（Facebook 使用公开发布的图像），这些图像具有仅限朋友查看或其他分组不受限制的属性。尽管我完全不是一个工程师，更不是人工智能专家，点击负样本以训练直升机图像分类器对我来说并不难，我就像行家一样完成了它。