新东方人工智能中台建设和AI部门管理经验分享-CSDN博客

本文链接：https://blog.csdn.net/geniuszjx/article/details/120027519

新东方人工智能中台实践经验分享

作者：新东方AI研究院院长张建鑫，网址：https://ai.xdf.cn/
有句话讲，技术总是在短期内被高估，而在长期内被低估。您认为人工智能技术目前是被高估还是被低估呢？
人工智能技术的发展历史已经很久远了，现在的AI顶流-人工神经网络理论研究工作最早发生于1943年，在1980年代由Hopfield完成了基础理论的突破，引发了1985年以后持续的人工神经网络研究热潮， Hinton和他的学生们在基础理论的指导下长期努力，终于在2012年推出了Alex Net取得了技术上的重大突破，在那之后更多的人工神经网络模型被提出来，实用效果越来越好，导致了很多人工智能公司的成立，在2015年微软推出残差网络模型和2018年谷歌推出Bert网络模型后，人工智能算法的工业化前景越发清晰，很多传统行业公司都跟风成立了AI研发部门，近几年AI技术的发展脚步越来越快，让市场普遍产生乐观情绪，认为未来已来。但是现在的AI技术在模拟人类感知能力方面表现尚可，而在模拟人类认知能力方面依然征途漫漫。理论和算法是人类的公共知识和共同财产，目前在各种商业应用里取得算法竞争优势的首要因素不是作为公共知识的算法，而是具体业务场景规则（熟悉业务）和这个业务场景下用户产生的海量数据（数据优势），通过对数据的自动、半自动和人工标注再加上AI算法的泛化能力我们可以实现在某种程度上的case穷举，把某个业务场景里积累的大数据优势转化为这个业务场景里的算法优势，可以说是在用大数据解决小问题，但由于神经网络算法解决的大多是NP完全问题，因此归根到底其算法推理模型只是一个无限逼近完美的近似解，很难做到100%的准确率。与神经网络算法不同，人类经常可以根据蛛丝马迹的少量信息就推导出正确的结论、甚至还能发现新的规律和符合逻辑的定理公式，所以人工智能理论和技术距离成熟还有很长的路要走，黑盒的人工神经网络模型很可能不是人工智能技术的终极答案，神经网络技术目前依然还是一个依赖大数据和算力的，理论性较弱的，工程性很强的算法。但即便如此，人工神经网络算法目前的进步已经足以让它在很多工业、农业和商业领域取得成功。除了算法、数据和算力这三个因素，为了取得更好的效果，我们还必须重视对业务规则的透彻理解和相关的数据开发工作，重视组织管理，重视基础设施建设和降本增效，确保在使用与竞争对手类似的算法技术的情况下，可以用更低的成本，更快的速度，取得更好的算法效果。2018年后随着AI技术在媒体曝光的大幅增加和资本的踊跃投入，AI技术短期内处于被高估的状态，但是AI技术的落地却显得困难重重，有的企业家讲，在人工智能技术上投入了15个亿，换来的只是网速快了一点点，低效的资本狂欢过后，部分企业家对AI技术的评价不可避免地滑落到低估倾向上。

造成这个现象的原因是什么呢？
任何一项科技成果产生社会价值都会经历三个阶段的突破，第一个阶段是大学和研究所里的理论突破，这是没有任何功利性质的理论发明和理论完善的阶段，这个阶段通常没有资本的介入，岁月静好红尘无扰。
第二个阶段是在实验室中理论联系实际的技术突破。新技术研究和算法研究虽然还是偏研究性质，但已经是即将冲出地平线的太阳，已经让世界看到了曙光。这个时候资本已经嗅到机会，红尘滚滚而来。
第三个阶段是应用工程突破，就像蒸汽机的发明历史一样，只有把一项新技术经过了工业化和应用工程化改造，把新技术应用成本大幅度降低，并且通过横向和纵向的分工把学习门槛大幅度降低下来后，才可以广泛地应用到各行各业。工程化的本质就是用自动化替代简单人类劳动，用精细化分工让一个人难办的事变成多人协作，结果是许多普通工程师都可以参与到大分工里发挥作用。回顾计算机软件工程过去40年的发展历程。1980年代，似乎非斯坦福毕业的写不了计算机程序，90年代非985毕业的不可，2000年代非211毕业的写不了代码，2010年代，各个软件公司雇佣着许多经过简单培训的程序员从事写编程工作，我不是说软件工程不再需要精英程序员了，而是说软件工程经过多年的精细化分工和管理方法迭代后，分化出了大量普通岗位和角色，这些岗位是允许经过简单培训就可以参加的，并且一部分原来必须由人完成的工作，现在也已经可以自动化完成了，因为各种开源架构和基础组件的发展，程序员也不需要重复造轮子了，软件工程这个工业化组织体系也已经进化得非常复杂和高效了，可以吸纳各个层次的从业人员参与其中,软件工程管理方法经过好个版本的迭代（瀑布、敏捷、Devops等等）也越来越先进和高效，对团队高级管理者的要求也提升了很多，新技术理论消灭旧的工作岗位的同时，也创造着大量新的工作岗位，改造着人们的工作方式、协作方式和管理方式。

换个角度再看，90年代求伯君一人写出了WPS，张小龙一个人写出Foxmail后以2000万人民币卖给了腾讯。20年后张小龙的微信研发团队有2000名多正式员工，主打WPS软件的金山办公也已经有3000多人的团队了。现在软件领域再也没有一个人单挑就能震动天下的软件产品，而20年前的堪称神作的个人软件放到今天可能会被迅速拆解为20人软件工程团队几个月的工作量，用户体验还可能做的更好，没有了神秘感。

今天软件工程对产业界的作用，是我们在20年前只能想像无法实现的。如果我们相信人类的一切不过是在不断地重复历史，就应该相信AI应用工程化的路径很可能会参考软件工程的历史，也会以20年周期来计算，20年是一个说长不长的过程，但足以让很多不坚定的人掉队，并失去他们相信过的未来。

新东方的企业文化强调“做正确的事，和正确地做事“。
正确的事是用心来判断和选择的，要明心见性，正直、豁达、乐观才能看到并坚持正确的事情，而正确地做事则是要用脑子去思考如何执行落地，在执行前要略微悲观地想到各种可能的困难和潜在的问题，谋定而后动，执行时又要乐观、积极地提高效率、降低成本、减少阻力、少走弯路、to make it happen、to get things done。无论市场对AI是高估的还是低估的，无论大V们对AI应用前景是如何判断的，无论人工智能技术的下一个突破方向是什么,教育+AI一定是一个正确的大方向，只是长路漫漫，很多不起眼的基础工作必须要有人去做，不能既没有理论突破，又没有工程进展。本文通过新东方人工智能研究院的技术管理实践和AI中台建设实践，介绍了如何管理AI研发部门的一些思路，和一些AI研发工作中的降本增效方法，以及一些AI中台产品规划和AI中台建设思路，希望这篇文章能帮助到同行的其它AI工程团队去降本增效，彰显出人工智能技术对业务的赋能作用和创新价值。

人工智能研发部门的KPI或者OKR应该是什么？
首先应该看到，大部分公司的存在目的主要是持续地服务客户并创造经营利润，一家没有增长还持续亏损的公司不可能长久地活下去。然后再来看AI研发部门的存在目的是什么？显然公司里的部门要有能力服务于客户，或者创造利润才能活下来，创造利润无非通过两个手段，一个是扩大收入，另一个是降低成本。扩大收入往往是公司业务部门的责任，而公司职能部门存在的意义是服务公司主营业务并努力降本增效，否则这个职能部门就没有存在的必要和存在的意义。
AI研发部门的首要KPI自然是要去服务业务，因此要认真思考三点。一是要去思考算法团队有没有能力支持业务需求，二是要去思考支持业务的效果如何？三是要去思考自研成本有多高？如果自研的性价比不如供应商，并且公司的业务近几年内也不会扩张，为什么不考虑外购系统或者聘请外包团队呢？通常我见到的算法研究人员比较缺乏成本意识和整体意识，但是企业对研发工作是要算经济账的，如果AI研发部门不重视这一点&