5月27-28日，在机器之心主办的为期两天的全球机器智能峰会（GMIS 2017）上，「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智能官邓力、腾讯 AI Lab 副主任俞栋等知名人工智能专家参与峰会，并在主题演讲、圆桌论坛等互动形式下，从科学家、企业家、技术专家的视角，解读人工智能的未来发展。

在大会上，第四范式创始人戴文渊发表了主题为《构建 AI 商业大脑》的演讲，分享了如何使机器学习的过程变得更简单，如何使企业在降低成本的同时，拥有 AI 的能力。

在戴文渊看来，企业构建AI商业能力，必须具备5个要素：大数据（Big data）、外部的反馈（Response）、算法的能力（Algorithm）、计算的能力（Infrastructure），以及商业需求（Needs）的带动，他将之总结为“BRAIN”。

在详细解释每一个要素之后，戴文渊建议，企业要通过“专业化分工+专注核心环节”的方式，借力人工智能平台，关注数据本身及业务需求，更加高效通过智能决策引擎，让数据发挥价值。

以下是该演讲的主要内容，经黑智编辑整理：

如今，一些大型企业已经获得 AI 能力，甚至已经享受 AI 带来的红利，但更多的企业在思考：如何拥有 AI 的能力？这么多纷繁复杂的信息，有那么多算法、技术，应该如何选择？今天我将会在这方面进行分享。

生物智能我们相对容易理解。我们评判一个生物智能的高低，是看它的脑细胞有多少，比如人的脑细胞比狗要多，大家会觉得人比狗聪明，而狗的脑细胞比昆虫多，大家会觉得狗比昆虫聪明。

机器是怎么回事呢？统计学家早就给我们奠定了机器的理论，叫 VC 维理论，为什么叫 VC 维？因为这两个科学家姓的首字母一个是 V，一个是 C，它就被叫做 VC 维。

VC 维理论的结论是这样：一个模型的维度越高，能力就越强。我们甚至发现，VC 维可以用来解释生物智能，比如，人的大脑 VC 维大概等于脑细胞的个数，在 VC 维理论下，我们可以把人的智能和机器的智能进行对比，最后达到比较的方式。

在这种情况下，我们发现人和机器可以类比。人最高的智慧在哪儿？在于我们对社会、对自然界经验的提炼，比方牛顿三大定律。如果让机器做牛顿的工作，应该如何做？机器可以去记录大量物理学的自然现象的数据，让机器去读数据，按照不同的速度区间总结不同的规律，甚至总结出可能三千万，乃至更多的定律。如此一来，我们可能并不需要牛顿。

如今，业务专家在设计营销、金融、风控，医疗各个领域的业务规律。但在各行各业，机器都有可能超越人。我 2009 年加入百度，百度的广告是一个利润丰厚的业务，百度的广告不是 AI 做的，而是由业务专家制定规则，他们制定了将近一万条规则。我们基于百度的数据，当年写出一千万条规则，比业务专家多出了将近一千倍，当年提升了 40%。后来我们逐渐加码，2013 年把整个规则数写到了一千亿条以上。2009 年-2013 年，百度的广告利润提升了八倍。

我们把这个方法论应用到不同的行业，包括金融的实时反欺诈。过去，比较好的反欺诈系统也能写出一千多条规则，我们能够很轻易的基于目前的交易以及投诉的数据能够写到 25 亿条以上。再比如个性化的内容分发，过去，编辑最多写几十、上百条的规则，用机器人则能写出十亿条以上的规则。

机器比人有更强的精力，能写出更细的规则，因而它能做得更好更精细。如果你能用机器基于数据写出超过一千万条规则，VC 维超过一千万，人基本上没有办法跟机器抗衡了。这就是机器为什么能在各个领域打败人的原因。

但机器超越人，有一定前提条件，这是因为做出好的 AI Model 有前提条件。我们总结五个要素，它们分别是：

大数据；

外部的反馈；

算法的能力；

计算的能力；

商业需求的带动。

1

大数据

并不是有数据就行，而是要有意义的大数据，比如过程数据。举个例子，我们学习围棋，去看围棋手的等级和排名、围棋赛事的报道，是学不会的。只有把别人下的棋一盘一盘看完，才能够每日精进。

那么，我们如何去搜集这种过程数据呢？通常我们会对客户提供一个服务，这个服务可能收到正反馈，也可能收到负反馈，我们把这个过程收集下来。具体来说，对于在线广告，我们有一个搜索，搜索以后给他推出广告，用户点击是正反馈，没有点击则是负反馈；对于个性化推荐、访问，我们提供推荐，用户接受是正反馈，不接受是负反馈。对于反欺诈，我们提供授权，用户投诉，是正反馈，没有投诉，说明授权是对的，是负反馈。最后，我们要做好的 AI 模型，而这通常需要一千万以上的过程数据。一千万以上，我们就有机会制作比资深的业务专家更好的模型。这不仅是有经验的支撑，也有理论的支撑。通俗地讲，一个模型的规则数，模型的 VC 维，要和数据量匹配，要做到一千万以上的维度才能够打败人，这就需要一千万以上的样本，一千万以上的过程数据。

2

外部的反馈

反馈非常重要。例如搜索的点击，推荐的接受，反欺诈的投诉，这样的反馈对优化模型是非常重要的。

在推荐领域，今日头条、快手这些风头正健的应用，和上一代推荐系统最大的不同是什么？