人工智能商

**章??难民 网飞走得太远太快了，你很难想起它*初是一家基于邮件的机器学习公司。直到 2010 年，公司的核心业务仍然包括向用户邮寄装有光盘的红信封，用户“永远不需要交纳滞纳金”。每个信封会在寄出几天后被寄回，并附有用户对于电影的评分，评分范围是 1 到5 分。随着评分数据的积累，网飞的算法会在其中寻找模式。随着时间的推移，用户可以获得更好的电影推荐。（这种人工智能通常叫作“推荐系统”，我们更喜欢称之为“推荐引擎”。） 网飞 1.0 专注于改进其推荐系统。为此，在 2007 年，公司向全世界的数学天才高调宣布了一场公开的机器学习竞赛，奖金为100 万美元。网飞将一些评分数据放到公共服务器上，参赛者需要在网飞系统 Cinematch 的评分基础上提高至少 10% — 即将网飞用户电影评分预测的准确率提高 10%。**个超过 10% 门槛的团队将会赢得奖金。 在随后的几个月里，数千个团队参与了竞赛。一些团队已经很接近神奇的 10% 门槛了，但是没有人能够超越它。接着，在 2009年，经过两年的算法改进，一个自称“贝尔科实用混沌”的团队*终提交了价值百万美元的代码，其准确率比网飞的引擎提高了10.06%。他们幸好没有在点击提交按钮之前观看新一集的《生活大爆炸》。就在贝尔科团队赢得这场两年竞赛的 19 分 54 秒后，另一个团队“合奏组”提交了将准确率提升 10.06% 的算法 — 可惜他们提交晚了。 事后看来，网飞大奖是该公司早期依赖核心机器学习任务的完美标志，这个任务就是用算法预测用户对电影的评分。接着，在2011 年 3 月，一部名为《纸牌屋》的电视剧永远改变了网飞的未来。 《纸牌屋》是首部“网飞原创系列”。在这部电视剧中，该公司**次尝试了内容制作，而不是仅仅从事发行工作。《纸牌屋》背后的制作团队*初带着他们的想法找到了所有大型电视网络，各家公司都表示了兴趣。不过，他们都很谨慎 — 他们都想先看一集试播集。毕竟，这部电视剧是关于谎言、背叛和谋杀的故事。你几乎可以想象到这些大型电视网络的疑问：“我们如何确定有人愿意收看如此罪恶的东西？”事实上，网飞可以确定。根据该剧制作人的说法，网飞是唯一有此底气的电视网络，他们说，“我们相信你。我们运行了数据，结果表明，观众愿意收看这部电视剧。你们不需要制作试播集。你想做多少集？” 我们运行了数据，我们不需要试播集。想一想这种说法对于电视行业的经济意义。在《纸牌屋》首播的前一年，各大电视网络观看了 113 集试播集，总成本近 4 亿美元。其中，只有 35 部电视剧得到播出，只有 13 部 — 即 1/9 — 制作了第二季。显然，这些公司几乎不知道哪部剧集会取得成功。 那么，网飞在 2011 年 3 月知道了各大电视网络不知道的哪些事情呢？他们为什么对于自己平台的判断如此自信，愿意在推荐个性化电视剧的基础上开始制作个性化电视剧呢？ 正确答案是，网飞拥有基础用户的数据。不过，虽然数据很重要，但是这种解释太过简单了。各家电视网络也有许多数据，包括尼尔森收视率、焦点小组和数千项调查的数据。如果他们相信数据的重要性，他们还可以用相当大的预算收集更多数据。 不过，网飞数据科学家拥有其他电视网络没有的两样东西，它们和数据本身一样重要：（1）对于数据提出正确问题所需要的深厚的概率知识，（2）根据所得答案再造整个企业的勇气。所以，网飞发生了惊人的转变，从机器学习驱动的发行网络转变成了由数据科学家和艺术家共同制作优秀电视节目的新型制作公司。网飞首席内容官特德·萨兰多斯（Ted Sarandos）在接受《智族》（ GQ ）采访时说过一句名言：“我们的目标是在 HBO 成为我们之前成为HBO。” 今天，很少有哪家机构能够比网飞更好地将人工智能用于个性化，它所开创的方法现在已经主导了在线经济。你的数字轨迹为你带来了个性化推荐，包括声田上的音乐、YouTube 上的视频、亚马逊上的商品、《纽约时报》上的新闻故事、脸书上的朋友、谷歌上的广告以及领英上的工作。医生甚至可以用同样的方法根据基因向你提供治疗癌症的个性化建议。 过去，在你的数字生活中，*重要的算法是搜索。对于大多数人来说，这意味着谷歌搜索。不过，未来的关键算法不是搜索，而是推荐。搜索是狭窄而受限的。你需要知道应该搜索什么，而且会受到个人知识和经验的局限。推荐则是丰富而开放的，它所依据的是其他几十亿人积累的知识和经验。推荐引擎就像“幽灵软件”一样，它可能会在某一天比你更了解你的偏好，因为你可能并不了解自己的潜意识。例如，要不了多久，当你对亚历克莎说“我想冒险，请给我预订一个星期的旅游”时，它会给出令人惊喜的结果。 这些推荐引擎背后显然有许多复杂的数学知识。不过，如果你惧怕数学，你还是可以听到一些好消息，事实上，你只需要理解一个关键概念，那就是：对于学习机器来说，“个性化”意味着“条件概率”。 在数学上，条件概率是一件事情已经发生时另一件事情发生的概率。一个很好的例子是天气预报。如果你今天早上向窗外望去，看到云层在聚集，你可能认为要下雨了，并且带上雨伞去工作。在人工智能领域，我们将这种判断表述为条件概率 — 例如，“在今天早上多云的情况下，今天下午下雨的条件概率是 60%。”数据科学家对此的表述更加紧凑： P （今天下午下雨 | 今天早上多云）。 P 表示概率，竖线表示“给定”或“依据”。竖线左边是我们感兴趣的事件。竖线右边是我们已具备的知识，也叫“条件事件”，即我们相信或假设的真实事件。 人工智能系统用条件概率来表述判断，以反映它们已有的部分知识： 你刚刚给《神探夏洛克》打了高分。你喜欢《模仿游戏》或《谍影行动》的条件概率是多少？ 你 昨 天 在 声 田 上 听 了 法 瑞 尔· 威 廉 姆 斯（Pharrell Williams）的歌曲。你今天想去听布鲁诺·马尔斯（Bruno Mars）的条件概率是多少？ 你刚刚买了有机狗粮。你还要买 GPS 狗项圈的条件概率是多少？ 你在 Instagram 上关注了克里斯蒂亚诺·罗纳尔多（Christiano Ronaldo，@cristiano）。 你 还 愿 意 关 注 莱 昂内 尔· 梅 西（Lionel Messi，@leomessi） 或 加 雷 斯· 贝 尔（Gareth Bale，@garethbale11）的条件概率是多少？ 个性化基于条件概率，而所有条件概率必须用很大的数据集合来估计，这些数据需要以你为条件。在这一章，你将了解这件事背后的一些秘密。