李彦宏批评推荐式算法，你怎么看？ 第1页

·

在很多互联网巨头眼中，人嘴与猪口一样。

所有投行专家的图表、分析报告，只是计算猪饲料与猪肉的产出比而已。

他们仿佛说：

你把这些猪分栏（用户分群）关起来。

放够食料（针对用户喜好，进行养猪式投喂）。

那些猪便会相安无事，而天下太平，并且稳定产出猪肉（利润）了。

这种经营方式，在移动互联网爆发初期很有效，只要有稳定增长的用户，进行养猪式投喂，即可得到源源不断的利润。

但作为用户，我们感到，被常年过度灌食某种低端饲料，见到饲料都想吐。

李彦宏也是意识到了这一点，所以才批评这种“养猪式投喂”的推荐算法。

其实百度早就意识到，在移动互联网时代末期，几乎没有新增用户红利了，为了将用户和流量锁死在自家产品中，互联网巨头们就必须了解挖掘用户的深度目标和需求，而不是养猪式的投喂。

那么，什么样的推荐算法才是最好的呢？

深度学习推荐算法才是最好的。

所谓的深度学习，实际上是机器学习的分支，机器学习指的是：在没有明确编程的情况下使计算机获得学习的能力，则该研究领域可以被称为机器学习。

深度学习是机器学习的一个子集，基于神经网络技术，深度学习可以从原始数据直接学习、自动抽取特征、通过足够多的隐含层神经网络，对特征值逐层抽象，最终拟合极其复杂的函数，以实现回归、分类或排序等目的。

简而言之，深度学习，就是把海量答案投喂给计算机进行学习后，使计算机能自动解决类似的问题。

当然，机器并不能解决人类的所有问题，人类发明人工智能、机器学习、深度学习的动机，是让机器自动解决“可计算问题”。

简而言之，就是让机器替代脑力劳动，满足人类自身的惰性。

“可计算问题”是数学问题中的一个分支，数学问题又是“所有问题”的分支。所以“机器学习”和“深度学习”的本质是人工智能解决“可计算问题”的手段。

而与内容推荐相关的问题，恰恰是一种“可计算问题”，完全可以用深度学习的方式解决。

近些年来，人工智能深度学习技术在很多领域都取得了巨大的成功。学术界和工业界都在尝试将深度学习应用于个性化推荐系统领域中。

接下来，我们就介绍两种最知名的深度学习推荐算法：

YouTube的深度神经网络个性化推荐系统：

YouTube是全球最大的视频分享网站，其个性化推荐系统，为超过10亿用户从不断增长的视频库中推荐个性化的内容。

YouTube的推荐系统由两部分组成：

l 候选集生成：从百万量级的视频库中，为用户生成上百个候选视频。具体做法是，对于一个Youtube用户，使用其观看历史（视频ID）、搜索词记录、人口学信息（如地理位置、用户登录设备）、二值特征（如性别，是否登录）和连续特征（如用户年龄）等，对视频库中所有视频进行多分类，得到每一类别的分类结果（即每一个视频的推荐概率），最终输出概率较高的几百个视频。

l 排序：对候选进行打分排序，输出排名最高的数十个结果。

Youtube的深度学习推荐算法，本质上是让机器学习了地理位置、用户登录设备、性别、年龄等用户特征，与观看历史（视频ID）、搜索词的对应关系。

这样，当我们把地理位置、用户登录设备、性别、年龄等用户特征告诉计算机时，计算机就能预测出相应的观看历史（视频ID）和关键词了。

百度飞浆在YouTube算法的基础上，进行了升级，推出了开源的“融合推荐算法”。

飞桨是百度研发的我国首个开源开放、功能完备的产业级深度学习平台， 基于飞桨，百度大脑开放平台为中小企业提供各种易用的人工智能服务。

融合推荐算法

以电影为例，在飞浆的融合推荐模型的电影个性化推荐系统中：

首先，使用用户特征和电影特征作为神经网络的输入，其中：

用户特征融合了四个属性信息，分别是用户ID、性别、职业和年龄。

电影特征融合了三个属性信息，分别是电影ID、电影类型ID和电影名称。

然后，将用户对于电影的评分作为训练目标。

经过深度学习训练后的神经网络，就可以根据“用户特征”和“电影特征”，预测出评分了。

使用融合推进算法的电影推荐系统，可以预测出用户对电影的评分，然后将预测评分最高的电影推荐给用户。

深度学习的秘诀：

不仅是推荐算法，其实在深度学习的驱动下，人们在计算机视觉、语音处理、自然语言方面相继取得了突破，达到或甚至超过了人类水平。深度学习的成功的秘诀有以下三点：

1) 海量数据：深度神经网络基于大数据进行训练，市面上常见的商用语音助手，基本上都掌握十亿甚至百亿级对话库。从近期谷歌、微软和OpenAI的最新进展看，语料库的大小和能力成正相关，OpenAI推出的 GPT-3神经网络已经学习了45TB的语料，不仅可以更好地答题、翻译、写文章，还带有一些数学计算的能力。

2) 深度神经网络模型：深度神经网络的模型非常复杂，所以其能力也比传统机器学习更强，一般以参数量表示深度神经网络模型的大小，目前最复杂的用于NLP的GPT-3神经网络模型，其参数数量已经达到了1750 亿。

3) 大规模并行计算：

著名科学家 Richard S. Sutton曾说道：“回溯70年的AI研究，从中得出最大的经验是，利用计算力的通用方法最终总是最有效的，而且遥遥领先。”

为了追求更好的效果，模型复杂度和数据量越来越大，计算成本也越来越高，根据谷歌发布的信息，研究者估计在训练 110 亿参数的 T5（谷歌 2019 年推出的预训练模型）变体时，单次运行成本就远远超出了 130 万美元。

而百度大脑则更为夸张，其硬件由数十万台服务器以及中国最大GPU集群组成。数据包括全网数万亿网页内容,每天数十亿次搜索数据,百亿级别定位数据。

有了如此强大的硬件基础，自然会创造出最优秀的成绩，在2020年3月落下帷幕的全球最大语义评测SemEval 2020上，百度ERNIE摘得5项世界冠军， 该技术也被全球顶级科技商业杂志《麻省理工科技评论》官方网站报道，相关创新成果也被国际顶级学术会议AAAI、IJCAI收录。ERNIE在工业界得到了大规模应用，如智能推荐、搜索引擎、新闻推荐、广告系统、语音交互、智能客服等。

各国政府早就意识到，人工智能可以达到或甚至超过人类水平。所以2013年美国政府启动“大脑计划”，同年，欧盟的人脑计划（Human Brain Project）入选了欧盟的未来旗舰技术项目。2017年中国国务院发布了中国2030年前人工智能系统发展计划，计划在2030年之前成为人工智能技术领域的世界领袖。2017至今，人工智能开源技术爆发、腾讯、百度、科大讯飞等企业也提供了人工智能云服务（也被称为人工智能开放平台）。2019年，我国人工智能企业数量位列全球第二。

科学家凭借无与伦比的创造技巧、以不朽的文明科技，仿造并超越了人脑机能。这是一项神圣的工程，而更为神圣的强人工智能技术，则矗立于世界文明的未来之巅，微笑着、等待着。

梁思申家庭，从剧中的暗示来看，应该是49年之前的上海工商业者。他们家至少他父母这一支还算是爱国的，49年之后并没有跑路而是留了下来，属于政治上靠得住的工商业者，文革之后被国家启用。

这样的家庭基本上在海外都有亲属，改革开放之后才重新联系上，这也是梁思申改革开放之后选择移民国外的原因之一。

梁思申自视甚高，她说自己没有歧视，但宋运辉说得对，她就是歧视了。她确实想促成中国的发展，但另一方面她心里已经内化了西方资本的逻辑，她认为中国要发展，做西方的附庸就是理所应当的。她并不知道，也没想过，为什么重点国企必须由中国掌握控股权的原因，也不在乎，只要她能完成这笔投资，受到老板的表扬，她的价值就实现了。

剧中对梁思申这一路人的小心思写的是很好的。这就是改革开放中华人华侨的真实想法。

她和宋运辉的矛盾，不是谁和谁斗气，或者性格冲突，而是根本立场不同。对梁思申来说，单子能谈成，中国市场开拓出来，她就实现了自己在美国人中的价值；但是对宋运辉，他就必须考虑中国化工几年甚至几十年之后的长远利益，为了这些利益，政治底线是不能退让的。

梁思申说自己受了歧视，实际上和宋运辉说的歧视并不是一回事。梁说的，是她作为美国华人所受到的种族歧视，这种歧视，宋和大部分中国人当然没有体会，也没有理由就要体会。毕竟梁还是要在美国社会混的，宋和大部分中国人不需要。

宋说的歧视，则是西方大公司利用自己的优势地位，并不把中国当做平等的合作伙伴，而是趁机控制中国的经济命脉。这点，梁实际上是不在乎的。毕竟，就算控制了又能怎么样？梁还是吃香的喝辣的，大不了回美国去。

对吉恩一路人来说，梁当然就是个工具。毕竟买办永远也不可能和老板真的平起平坐。

当然，梁思申并不坏，我相信她主观上也是想为中国好的。但是她长期受美国的教育，认为中国处处落后，美国的一定先进，所以自己有先天的权力去决定东海应该如何如何，还自以为是为中国好，实际上就是个二鬼子。

宋运辉也不傻，这点他肯定早就看透了，但是为了合资，一直到吃饭之前都没捅破。宋也一直在和日本还有其他公司联系，该摊牌就摊牌，可见也没有对梁这边报不切实际的希望。

---

大结局了补充一下：最后两集说明梁的层次还是比宋差远了。她以谈判为要挟，不仅救不了宋，而且会让上级部门更加怀疑宋和梁有不正当的交易。她以为靠自己就能扳动洛达，靠一个洛达就能改变党的组织原则。而她实际上就是个工具人，不可悲么？

最后她和宋的谈话，宋对她是大失所望的。本来吃饭的时候，宋以为她回来投资是为了帮助中国的建设，结果因为她自己的一点私心，说不投就不投了。她看得上的人就行，其他中国人统统不行。我相信随着改革的深入，梁思申这种人如果不改变自己看问题的方式，会走到完全西化派的路子上。

---

  li-mu-gen-19 网友的相关建议: 
      

谢谢邀请。

北京冬奥会开幕好几天了，精彩绝伦的开幕式还时常浮现在我的脑海中……

大家心里都清楚，奥运会这种国际盛会，意义远远超出体育比赛本身。举办一次奥运会，本质上是大国综合实力的全方位体现，其中很重要的一部分就是科技实力。本次北京冬奥会确实出现了不少有趣的新技术，我感兴趣的则是云上全息通信技术让光学相关的“黑科技”得以更好发挥，比如昨天一个叫做Cloud ME(云聚)的“全息显示仓”，让国际奥委会主席巴赫出现在了2022北京新闻中心给全国观众拜年。

这个“全息显示仓”要实现的目标非常简单：让远隔千山万水（国际奥委会主席巴赫在北京、阿里巴巴CEO张勇在上海）的两个（或多个）人仿佛处于同一空间中进行交流。而且从实际的观看、拍摄与交流方面来看，对记者们来说，虽然两人都不在眼前，但效果上与他们俩站在面前几乎别无二致。

当然了，虽然新闻中名称叫“全息显示仓”，但实际上这是生活中广义上的全息，并不是物理意义上的。物理意义上狭义的“全息”是衍射成像的技术，但目前的技术还远远做不到理想的动态全息显示，这是整个光学领域圣杯级别的高难度挑战。

此次堪称黑科技的“全息显示仓”虽然不是严格的物理全息，但在立体感与真实感方面远远超出了目前普通显示屏所能呈现的显示效果。可能还有小伙伴没看现场的视频，可以看一下：

https://www.zhihu.com/video/1473958962386739200

明明这是一个显示技术，官方的名称为什么叫“阿里云聚”呢？其实这是因为，之所以能取得如此惊艳的效果，最重要的核心技术不仅仅是我们看得见的面前的这款显示屏本身，还包括我们看不到的、尤其是云端的大量黑科技。

要能够实现我们看到的这么棒的发布会效果，至少有三个方面的“黑科技”：

（1）拍摄与显示的硬件设备

从现场的情况来看，发布会现场的“全息显示仓”是一块一人多高的高清大屏幕，用于显示参加新闻发布会的两位嘉宾的实时影像，仿佛两个人都同时站在大家面前。

从官方透露的消息来看，拍摄端的硬件布置大概是这样的：

拍摄端在摄影棚内，有常规的灯光、交互提示用的电视屏。除此之外，还有一块不太常规的屏幕，那就是用于显示另外一个人的“显示仓”。而且这个显示仓的位置和角度是特意设计过的，使得望向屏幕中的人时，拍摄出来的视线恰好符合两人站在一起时的视线。如此一来，物品的交接才会显得如此自然。

（2）符合广播级稳定要求的实时通信网络

很多小伙伴可能会觉得，本质上这不就是个复杂一些的视频会议嘛，只不过级别更高、屏幕更大、清晰度更高、稳定性要求更高。非要这么说倒也没错，但是要注意的是，无论是什么技术，随着从量变到质变的过程，要解决的技术问题的数量和难度可都是非线性陡增的。要想实现类似高规格发布会的万无一失，网络传输环节要实现的保障度是远远超出大多数时候的。

比如为了能够实现发丝级的“全息复刻”，拍摄的原始画面清晰度是非常高的，如果按照传统方式传输，将挤占大量带宽，极有可能遇到网络拥堵问题。阿里云聚这次采用了一种叫作“窄带高清”的技术，能够在节省50%带宽的情况下，仍然保障画面的清晰度。

另外，即便我们使用的是运营商最高带宽的宽带套餐，日常生活中还是难免会遇到网络信号不好的情况，造成视频会议时的画面卡顿。平时会议稍微等一等倒也问题不大，但是对新闻发布会这种高级别会议，卡顿显然是无法接受的。为了能够在网络信号不好的情况下依然保持画面流程，阿里云聚开发了“弱网抗丢包”技术，能够在80% 丢包下可提供流畅通话，同等丢包环境弱网传输效率提升65%，实现良好的实施传输效果。

（3）强大的云端算法与算力

不知道大家有没有注意到，记者会现场的全息显示仓中，张勇与巴赫所处的似乎是一个封闭的空间，两个人的身后似乎有一定的纵深，墙上也有很自然的阴影效果，使得图像出现了较强的空间感。其实这种光影效果是计算机实时渲染出来的，起到了以假乱真的效果。这是需要强大的算法与计算力的。

其实需要算法与算力的远不止视频的实时渲染。比如音频的处理，我们都有过在嘈杂环境下开会的经历，要想听清对方讲话是非常困难的。阿里云聚通过亿次通话数据验证和海量历史数据回归，实现了持续进步的多场景智能降噪能力。而这同样需要算法与算力的加持。

根据研究，要想实现流畅舒适的交互效果，延时必须控制在200ms以内。

也就是说，端到端的实时传输和处理，比如音视频转码、光影渲染、音频智能降噪等等功能，都需要在200ms以内实现，这需要高效的算法与强大的算力，靠拍摄或发布会现场的端侧计算机是无法做到的。阿里云聚解决这个问题的方法是“云处理+端渲染”技术，即通过实时通信与云上处理的技术结合，解决因端侧算力受限的难题。

其实可以看得出，这次的高级别新闻发布会算是阿里云聚的一次“亮剑”：连如此高要求的场景都能hold住，其他的应用场景更不在话下。很明显，这种“宛若就在面前”的显示与交互技术，还可以应用在很多其他的应用场合，比如远程教育、虚拟社交、远程VR操控等等。而在新冠疫情的大背景下，甚至只用它来开个远程视频会，都让会议显得更温暖了呢……

---