蚂蚁金服漆远首谈其AI重大突破及招人计划，期望科技网红少一点

7月22-23日，由中国 人工智能 学会、 阿里巴巴 集团& 蚂蚁金服 主办，CSDN、中国科学院自动化研究所承办的第三届中国人工智能大会（CCAI2017）将在杭州国际会议中心盛大开幕。

大会开幕前，CSDN独家采访到本届大会程序委员会主席、蚂蚁金服副总裁兼首席数据科学家漆远博士。

本次采访中，漆远博士首次对外批露了日前刚刚完成的一项重大创新—— 把 深度学习 和图模型结合起来，在知识图谱上做相关推理的能力，这在行业应用上绝对是第一次。

此外，漆远博士还谈到了蚂蚁金服目前正紧缺的图像人才，以及蚂蚁金服特别欢迎既懂金融又懂算法的人才。

而谈到即将举办的CCAI大会，漆远更是真性情地说到，“我们以前在国内，网红多了点，真正的这种技术性的会不是特别多。这次CCAI大会，请到了普林斯顿、佐治亚等很多一流的教授，他们是真正的领头羊，真正的高手。“

以下为漆远博士的访谈内容。

来阿里做的三件事

CSDN：阿里在人工智能上的布局，一直是外界关注的焦点。您当时从普渡大学来阿里后主要做了哪几件事？主抓的第一件事是什么？

漆远：在阿里三年时间，简单来说主要做了三件事，一个是分布式机器学习平台，就是大规模参数服务器平台；一个是语音识别；再一个是人工智能平台PAI。应该说这三件事情为阿里在AI方面奠定一个比较好的基础。

来阿里后做的第一件事是 分布式机器学习 ，当时一来就主抓这件事，因为阿里急需这么一个平台，而我自己也比较擅长。

在麻省理工，我当时在《Nature》以第一作者发表的文章，就是用分布式计算来做的，通过机器学习来分析海量的生物数据。

后来到了普渡大学教书，我做了两个项目，一个是通过分布式机器学习算法来分析生物数据，这个跟我来阿里特别相关。另外一个GPU，2008年我开始用GPU来训练机器学习文本分析模型，然后通过计算并行化加速，这个跟我后来的研究也一脉相承。

CSDN：这个分布式机器学习平台用是怎么实现的？

漆远：首先是基于参数服务器，后来我们用到了参数服务器的框架，再后来我们又在上面做了实时学习，开发了深度学习，接着在PS框架做了深度学习框架。这个东西做完之后，有一个简单的指标：百亿的特征，数据做到千亿，参数做到万亿。其实去年有个大公司开源特征规模10亿，数据百亿，参数千亿，这个数据乘以十差不多到我们的级别了。这个其实我们2014年就做了，我们直到三年后才对外公开。

这是一个工业界的算法和业务的结合。这跟学校做的工作相关，但是有很大的不同。这是实打实的，必须稳定，我们把阿里妈妈的特征数直接从2000万提到近百亿，RPM直接提升8%左右，这就意味着上亿的收入提升。

从广告的搜索到推荐到菜鸟等，全集团都在使用这个分布式机器学习平台。

蚂蚁金服的风控、CTR及智能助理

CSDN：这之后您去了蚂蚁金服，蚂蚁金服吸引您的地方是？

漆远：当 时我来阿里面试的时候，就奔着这个了。当时就觉得，蚂蚁金服AI平台有大量的适合机器学习的场景。 AI要落地，除了平台就是场景，场景非常非常必要。普惠金融这个场景就特别适合AI。 普惠要服务很多人、很多中小企业，这里面一定是技术驱动的。人是没有办法做普惠的。而蚂蚁金服恰恰就做的是普惠金融。

CSDN：蚂蚁金服常提的概念是TechFin，用科技为金融赋能。这里面关于风控，主要用了什么技术模型？里面的原理是什么？

漆远：风控这块主要是无监督学习。里面的思路是，假如你能把用户之间的关系，他们正常行为分析得很好，那就可能发现有哪些不正常的。在统计机器学习里面我们叫做异常检测。如果我们用一个更好的模型来分析正常的用户行为，就可以分析异常的行为。跟正常不一样的，可能最后就是异常。

其实我们并不知道哪些数据特征和风险相关，哪些不相关，所以我们就把当初开发广告的一套技术思想，用在风控里面。通过机器学习，一个是保证准确性，一个是误识率这两个的平衡，我们就能够在抓到足够坏人情况下，不打扰用户，减少上千万次的用户打扰。这里面灌入我们系统里面用户行为轨迹的数据，然后再把这种特征变换的技术和深度学习的技术做一个结合，运用在风控里面，而且效果非常好。

数据的实时性和多维度非常重要。结合用户本身的行为轨迹，就可以分析是否是一个欺诈行为，盗号或者洗钱行为。

CSDN：来蚂蚁金服后，您主抓三个方向的落地：广告预测CTR，AI助力 金融科技 TechFin，还有智能助手。关于广告预测CTR，讲一个特别创新的例子吧，以及背后的技术点。

漆远：那我说说口碑吧。CTR对它的提升特别大。

我说说这背后的技术亮点。 这里面就是一个矩阵分解和哈希算法，可以完成十亿数量级的超大规模学习。

这种情况下怎么加速？

我们把它和哈希算法进行结合，结合之后可以大规模提升效率，同时保证预测的精准性。这算是一个直接的技术创新。工业界讲究稳定性，在稳定的技术上讲究速度和计算的资源消耗程度，然后才是准确性。

CSDN：目前来说，您主要的精力是抓什么？

漆远：从技术本身，我们现在比较关心的其中之一是 智能助理 的发展，然后另外一个就是蚂蚁金融大脑的构建。我们希望通过智能助理，帮助蚂蚁变成一个智能的一站式生活服务平台。

比如转账给某个好友，直接说句话，支付宝自己就给你转了，你只需要点击确认。比如你要找到一个埋得很深的城市服务，打车，买电影票，你对助理一说，就完成了。这个是我们比较关心的方面，涉及到很多机器学习，自然语言处理，对话技术，知识图谱还有推理能力。

另外一个就是蚂蚁的金融大脑，这个金融大脑要理解市场的风险，包括信用风险、理财风险等，并从多个角度来理解它，这个是我们金融大脑的定位。这也是我比较关心的一个事情。

再一个，是希望把我们的AI能力直接赋能到现在所有业务领域，对我们业务的发展，就像水一样注入所有业务的发展。

CSDN：蚂蚁金融大脑比较难攻克的地方是？

漆远：金融大脑的核心能力就是 推理 ，推理是一个核心问题。从推理到决策，怎么能够保证它是一个系统化的风险刻画，而不是单个的单点的刻画。

深度学习应用很多都是单点模型，比如预测这张脸是不是你，预测图片里面是狗还是猫。这是单点的。但金融里面很多是一个网络结构，是一个系统。

这与大家平时外面听得比较多的图像识别不太一样。

CSDN：智能助理，从您开始创立到现在，已经到了什么阶段，取得了什么实质性的效用呢？技术难点在哪里？

漆远：蚂蚁金服业务的迅速扩张，对客服人员的需求量还是非常大的。去年的双十一，客服已经做到97%的自助率了，满意度也高。因为自助率高的话，大部分使用自助程序的 机器人 干得比人还好，人的满意度也很高，比真人提供的客户质量、满意度还要高，这是一个直接的表现。

这里面的技术难点包括推理，对知识库的理解、知识图谱的构建等。

CSDN：目前在工作上，有什么问题是想解决还没有解决的？

漆远：怎么把公司的长期目标分解成一个短期的算法指标，这个还需要思考。

CSDN：可否透露一个您还从来没有对外讲的料？

漆远：我们正在知识图谱上做相关的推理能力。我们把深度学习和图模型结合起来， 在风险上做出了新的东西， 这个是非常大的技术亮点。

深度学习以前和图模型是分开的，并没有做推理能力。我们把这个结合起来，直接大规模的提升了我们效率，上星期刚做到的，这个还没有对外讲，绝对是独家专有的。

深度学习怎么推理，是一个技术难点。怎么从这个知识点推到下个知识点，下个知识点推到下下个知识点，这个其实并不容易的。

因此在我们行业应用，这绝对是第一次。其实在整个世界上，这个技术本身也是非常领先的，可以说是最领先的。前两天有一个伯克利一个教授来了之后，聊完之后也是非常震撼。

CSDN：问一个俗套的问题，在金融领域，您觉得哪些领域、哪些职业是很容易被未来的AI取代，哪些是不太容易被取代的？

漆远：重复性的，没有真正创造性的工作，我觉得从长远来讲会收到很大的冲击。

假如你的工作每天一模一样，天天看一个财报，拿一个规律做一个结果，将来就会非常危险。最简单的例子——贷款，对于贷款审计，数据就可以利用算法自动完成。

蚂蚁金服急需的人才

CSDN：问一些大家都迫切想知道的问题。蚂蚁金服现在估值600亿美金，很多人也希望进入里面工作。您对人工智能团队的要求是什么样的？什么样的人才能够进入到蚂蚁金服的和您一起来工作呢？

漆远：对团队的要求是，既叫座又叫好。

叫座的话，首先能够解决实际问题，见效果，从问题出发，不是拿着锤子找钉子。

叫好的话，希望有技术深度，当然这里面需要平衡，有的同学算法多一点，有的搞工程多一点。

我们的团队不是一个刷单的团队，刷各种外面的公开比赛，我们是真正要解决实际问题，一方面提升蚂蚁金服甚至服务整个阿里经济体，解决大家遇到的核心的AI问题；一方面我们要产生新的产品、新的服务，能够造成新的增长点，这是目标。

这就直接映射到我们对人的需求上来。

我希望加入我们团队的人，首先能够对机器学习技术本身有真正的热爱，没有热爱就比较难做。因为技术说起来很高大上，真正做起来需要投入的精力，不是短期的，也不是表层的。

第二，对于人才我们既需要全栈型的，也需要对某技术特别钻深的。如果两个都很强，那就更好了。

CSDN：没有名校背景的人，但是有一些实战经验，这样的人才也OK吗？

漆远：实战经验看怎么定义，实战经验如果是自学，真正学了很多机器学习的技术，真正比较深入地掌握了技术，有基础并且还能进一步提升，这种实战经验就非常好。

如果只是拿开源软件做了一个模型，对背后的思想和原理并不明白，那我认为这个潜力就不是非常高了。

CSDN：现在急缺的是哪一类人？

漆远：急缺的图像上的人。图像市场竞争激烈，好的人才，大公司、创业公司抢得非常严重。好的算法人才，永远都不够，但是除了算法人才本身，工程和产品我们一样很缺。

还有一个方向，既有金融经验，又有算法经验的，也非常缺。我们用科技服务金融公司，假如能和金融协调起来，那就更好了。

麻省理工及普渡大学的影响

CSDN：从阿里到蚂蚁金服，您操盘过的内容包括机器学习平台、语音识别、PAI平台等，为阿里奠定了一个比较好的AI基础，您觉得哪段经历对于今天的您影响重大，麻省？还是普渡？两个学校有什么不一样？

漆远：当然不一样了。

在麻省读博时，主要是理论基础的学习，博士后就是创新了，开始做各种算法，然后是应用，包括基因解码、生物信息上的应用。

麻省理工是当之无愧的世界最牛的科学和工程学校。我们住在学校楼里，和诺贝尔奖获得者一起吃饭、聊天。比如人工智能创始人马文·明斯基，与他们交流，对扩大思路，提升眼界，有很大的帮助。

在麻省理工收获的很重要一点就是，不迷信任何权威。

在普渡当了老师后，更多会思考哪些是机器学习人工智能可能有的方向，技术本身突破的方向，社会应用哪些是最关键的。

在普渡做老师和做公司其实是一样的，你要自己拉项目基金，自己招人，自己设定方向，自己产出复盘，整个体制和你在做一个创业公司是非常像的。

普渡当时一个优势是计算机系和统计系的结合，因为机器学习本身是计算机和统计、优化形成的融合。这个对我来说非常吸引。

当前感兴趣的理论

CSDN：您现在最感兴趣的前沿理论是什么呢？为什么？

漆远：现阶段比较关心两方面的理论，一个是推理，一个是先验知识结合小数据学习。

我对物理也是感兴趣的，我从物理学、包括经济学看到很多结合点，总结来说对三点比较感兴趣。

一个是物理上非均匀态的物理学和机器学习的结合；

第二个是非均匀动态变化系统和机器学习的结合，我们叫动态系统；

第三个是博弈论和机器学习的结合。

CSDN：最后一个问题，请您分享一句话，一句话您在AI之路上，对您帮助最大的一句话，或者是您多年从事AI这一块，最大的一个心得体会。

漆远：Assume nothing，question everything。（不事先做任何的预设，敢于质疑一切）

很多问题本身要从基本原理出发，不应该带着有色眼镜，不管是商业还是科技还是技术链的，大家要敢于从独特的角度来思考。我觉得做科学和做公司，到最后的相通之处，都是从基础的原理、从最基本的问题出发，这个非常关键。

所有大牛所有的理论，都有可能是错的。你要敢于质疑现有的状况，现有的方案，想到更好的方案，不是人云亦云。