第9期 2019/08/12
從《三體》的降維打擊，到數字化轉型的數據升維
在《三體2》開篇中，劉慈欣用了一只螞蟻的視角來描繪人類的世界。但夏蟲不可語冰，受限于生物體結構，二維空間中的螞蟻就算爬遍了楊東的碑文也無法理解其中的意義。這樣一段長篇幅的鋪墊和陳述，映射的正是三體人與人類的關系——在高維的三體人眼中，人類也不過是“蟲子”而已。
事實上，關于維度的情節在《三體》三部曲中還有很多，比如三體艦隊建造智子時遭遇的降維攻擊、歌者對太陽系發動的二維化打擊；再比如在戰爭中使用四維空間碎片取得敵人大腦、利用四維空間破壞水滴結構等等。在小說中，維度戰爭給讀者留下了深刻的印象，而在小說之外，“降維打擊”還被總結為一套成熟理論，成為許多創業者信奉的準則——即用先進的商業模式去攻擊落后的商業模式，從蠻荒之處發掘新的機遇。
在商業變革中，這種“降維打擊”實際上就是數字化轉型的過程。如何先人一步，通過“技術升維”搶占先機，成為了關鍵問題。技術能夠賦予企業前所未有的運營效率和創新的巨大空間，而企業要獲得敏銳嗅覺和洞察能力，數據則是基礎。數據已經被視為當今時代新的生產資料，沒有數據，機器學習、深度學習和人工智能等技術也無的放矢。
“具體來說，通過高階算法對數據進行升維，抽取海量數據中的特征并描述出來，進而重構一個新的商業世界。這就是數字化轉型的核心。”在日前接受至頂網采訪時，天云大數據CEO雷濤拋出了這樣一個觀點。
也就是說，在實施“降維打擊”策略前，首先要進行“升維”的準備工作，否則你的思考方式依舊是“低階”的。而輔助人類去完成這一工作的，正是機器。“在多維的數據鏈條中，人類也像是螞蟻，我們的視角和大腦抽象能力非常有限，而通過算法，就可以把復雜的問題通過長程的推演描述出來，進行量化表述。這實際上也是從BI向AI升級的過程。”雷濤表示。
數字化轉型四階段：BI是insight，AI是action
目前，國內許多企業用的BI系統很多還只是一個報表中心分析系統，而不是一個真正的數據驅動系統。相對于AI來說，這樣的BI是沒有閉環的。
用一個形象的比喻說明：這就像是電影《摩登時代》中卓別林扮演的生產線工人，在他眼中唯一的工作就是擰螺絲，并不知道生產線的終端產生了什么。在國內，許多決策者會通過靜態的報表來進行業務分析和決策，但往往要在比較長的一段時間后才能從市場反饋中印證其決策正確與否，不僅反應遲緩，同時，非動態分析的方式也使得最終的分析結果很難被反饋回系統中進行反復的推演，無法形成閉環。
根據對數據應用程度的不同，雷濤認為，企業的數字化轉型可以劃分為四個階段：第一，借助BI工具進行報表分析，它回答的是“發生了什么”的問題；第二，創建企業的數據倉庫，為企業決策制定、業務流程改進、成本控制、質量監測等提供所有類型數據支持，它回答的是“為什么會發生”的問題；第三，利用機器學習、深度學習模型進行業務“演練”和預測，它回答的是“會發生什么”的問題；第四，通過“數據+算力+算法”的AI平臺將預測的結果反饋回系統中形成閉環信息流，對業務模式進行干預和優化，它回答的是“最好發生什么”的問題。
天云大數據CEO 雷濤
“簡單來說，出租車公司使用數字大屏的交通反饋結果做調度實際上還是BI，而滴滴打車通過動態規劃算法每天完成超過400億條路徑的申請和規劃，使用的就是AI。”雷濤表示，“BI是insight，AI是action，BI向AI的升級過程事實上也是企業從流程驅動到數據驅動轉變的商業重構的過程。”
數字化轉型是一個商業重構的過程
在過去流程驅動的模式下，企業往往會從行業經驗和規則中總結出“最佳實踐”作為標桿，而在數據驅動的模式中，其知識構造則由算法從數據中提煉而來，可以用更豐富的特征表達能力把人類沒法抽象的復雜事物量化出來，不再受限于人類的大腦。這意味著，我們可以定義更多以前無法定義的“最佳實踐”，創造出新的商業模式。
從目前來看，數字化的先行者中，有很大一部分是過去信息化基礎比較好的行業，比如金融、運營商等等。因為基于完善的數字化前提，在其日常運營的背后，往往會產生大量的流程副產品數據，這些數據自然成為這些行業轉型的驅動力。
以金融行業為例，基于其自身龐大的數據資源和天云大數據AI平臺的算力基礎，天云大數據正在幫助許多金融機構通過面向“答案”的AI方法論構建其中不確定的過程。比如，某證券機構利用深度學習算法，在短短數周內即提高了異常交易賬戶識別準確率，確認多起違規事項，涉及資產逾6億。“形象地說，當我們輸入黑白落子，輸出的是輸贏，中間的不確定過程用神經網絡表達出來，而當我們輸入大量消費者的行為數據與資金交易的結果數據，中間得到的是反欺詐風險評估的模型。
除此之外，AI方法的引入也給許多過去在IT投入并不大的行業帶來了新的機會，比如能源、生物制藥等等。與金融、運營商不同，他們的數據來自于“機器”的生產，這里的“機器”包括大量的傳感器、智能設備、醫療儀器等無處不在的設備。
在這方面，我們以能源行業為例，在經歷了十幾年智能油田的布局之后，能源行業中擁有了大量的物聯網傳感器，實時記錄著地面、地下機器的油壓、溫度、工況等高維度、高密度、高時效性的數據。然而，過去在BI面前，許多機器數據都是沒有明確商業價值的，因此很難被人工所理解和利用，而在算法面前，所有數據都可以被解讀，其價值也得到了最大化。我們甚至可以通過數據的分析和預測了解地底下的情況，而不需要真正把設備送到地下。
信息產業的變革：從IT到DT
在以上如此種種的行業變革背后，事實上最先發生的是信息產業本身的變革。雷濤強調說，“過去，我們往往是在一套IT軟件中輸入數據然后輸出分析結果，現在反過來，我們只需要提供輸入和輸出數據，AI就可以幫助我們構建中間過程，即傳統意義上需要編寫的軟件。”
這樣一個看似簡單的順序變化，實際上就是從IT到DT的變化。“新的生產方式和生產資料的變化帶來了效率的迭代，機器的角色從嚴格執行人類的指令寫程序，轉變成可以基于目標進行反復學習，將輸入和輸出過程中不確定的過程表達成一個軟件模型或智能應用程序，這將大規模提高軟件的生產效率，對于信息產業而言，這本身也是一次顛覆性的變革。“雷濤表示。
也就是說，未來信息產業背后的主角將由人變成算法，流程不再由人來直接制定，不再是一步步的“白盒”操作，而是一個個長程推演不失真數學表達過程。雷濤向至頂網記者強調，“但是，這個‘不可解釋性’只是暫時的。事實上，90%的算法都是可解釋的，只是在深度學習模型中，很多東西沒有物理意義而已。它本身是一個實驗科學，隨著技術的發展，我認為這些模型都可以被解釋。”
雷濤拿單反相機做了個比喻：單反的原理基于的是光學理論，而其本身就是一個實驗科學。舉例來說，由于“50mm狗頭”相機鏡頭的局部瑕疵不適于在逆光下進行拍攝，日本與德國工程師靠實驗的方式在其中加入了凹凸鏡片，根據反饋最好的結構最終做出了13個鏡片的“牛頭”。這個實驗過程跟深度學習的模型訓練過程是類似的，即通過調參找出最優的模型結構。同時，在實驗結論的基礎上，光學理論也得到了進一步發展，因為科學家們可以根據結論再去研究其中的因果聯系。
“放到行業場景中，比如金融機構中的一個資產管理產品，下面會嵌套信托，信托下面會嵌套大量的公司債券，而公司債券會涉及大量法人、自然人、機構持有者，會產生正回購、逆回購等諸多不同的行為……因此，在合約產品人之間存在著極其復雜的關系，這些關系之間沒有層級、沒有規律，如果全憑人力進行理解再梳理，用關系型數據庫平面的去理解高維的經濟活動，就會變得非常局限，而通過復雜網絡等表示學習，構建金融產品本體的知識圖譜，這將為新的商業世界的構建創造諸多可能性。”雷濤強調。
嘗試前行才能不落人后
回過頭來，我們再從維度的角度來思考“黑盒子”這件事——作為一個三維生命體，我們又何必去理解一個“高維機器”的工作原理呢？所以，與其怯懦不前，不如像螞蟻一樣，嘗試性地邁出每一步，用“升維思考、降維打擊”的方式，讓自己成為時代“漩渦”中的贏家。
對此，雷濤進一步總結道：“技術的變革帶來的是知識生產方式的改變。蒸汽機封裝的是動力，電力封裝的是能源，過去專家通過經驗封裝了知識，而在如今的數字化轉型浪潮中，知識源自于數據，AI則是知識再生產的一次規模性變革。對于企業來說，可以借助最新的技術實現彎道超車，對于信息產業來說，也要清醒意識到被顛覆的風險。”“當所有人都在享受變革帶來的益處時，而你還在糾結其理論的可解釋性和技術的可行性，勢必會落后于人。”。
本文章選自《AI啟示錄》雜志，閱讀更多雜志內容，請掃描下方二維碼
