拼多多 CTO 陳磊：「分散式 AI」給了我們一個超前的想法〡IF19

科技 01-20

作為一家零售企業，拼多多也在探索如何利用新技術，布局後流量時代，服務消費者。

2018 年以來，「技術落地」成為人工智慧領域討論的熱詞。

在諸多應用場景中，電商平台擁有不同人群、地域、維度的消費數據，是 AI 天然可以發揮作用的主流場景之一。從搜索式購物、效率型購物再到逛街式購物，用戶的消費習慣在改變，基於社交的應用場景變得更加重要。新消費時代，電商平台該如何利用 AI，有效實現技術賦能？

在 2019 極客公園創新大會上，拼多多 CTO 陳磊提及了「分散式 AI」。傳統互聯網平台更多採用「集中式 AI」，即把所有數據匯聚，通過演算法從數據里找到一定的模式，為單體消費者服務。這種方式卻面臨著一些困境，比如用戶對數據缺乏控制能力，數據所有權問題不夠明晰等。

通過分散式 AI 技術，能夠實現公有數據對所有用戶開放，演算法變得更加開源，可供所有用戶監督。這就相當於每個個體用戶擁有了專屬的智能代理。整個數據的決策控制邏輯將會重構。陳磊說，未來雲計算將成為像水電煤一樣的公共事業部，這就使得用戶重新獲得了對決策的主導權。

作為技術驅動的電商平台，拼多多利用 AI 技術分析用戶習慣，提高消費者與商品的匹配效率，實現「貨找人」的 AI 電商應用場景。對於拼多多的發展，陳磊表示，未來要花更多精力優化技術細節，更大層面依靠分散式 AI 策略。

以下是拼多多 CTO 陳磊在 2019 極客公園創新大會上的演講內容：

感謝極客公園，很高興有機會能夠和來自全國各地的創業者探討新技術和新理念。

大的創業場景每隔五年就會出現一次。從 2000 年以來，線上商業場景一直聚焦在搜索之上，有人會說搜索場景就是「人找貨」（人通過搜索的方式，去尋找自己想要的商品）。

電商行業本質上就是「流量×轉化率=銷售額 GMV」，在這個公式下，人被簡單的抽象成數字和流量，平台如果需要更多的流量，就要盤更多的貨，鋪更多的線上線下渠道。

自從 2004 年和 2011 年，Facebook 和微信先後誕生以來，互聯網的整體思維方式產生了非常明顯的變化，基於社交的商業場景不斷崛起，依賴搜索進行的交易比重不斷下降，本質上是因為移動互聯網和社交網路的興起。

當消費者的時間以碎片化的形勢呈現，興趣就變得更加隨機了。從原本帶有很強的目的性去參與搜索、進行購物，變成了興趣使然，在碎片化的時間，在逛的過程引發了興趣，產生了購物行為，這是一種新的使用場景。

在這種場景下，傳播模式發生改變，整個行業會朝著後流量時代過渡。在這個轉變過程中，技術作為第一生產力會發生根本性的革命，拼多多作為一家零售企業，也在不停的探索，尋找如何利用最新的技術服務消費者，提供更加匹配的服務模式，找到新的增長點。

今天的大數據流量平台是由五個部分組成的。第一部分：場景。即有一個使用場景，這個場景裡面有用戶，用戶在場景裡面進行活動，然後產生數據。因為有海量的數據聚集起來，就在平台里形成了大數據的數據倉庫。通過定型的計算能力和 AI 演算法，我們可以在數據中尋找規律。

在這裡場景驅動服務，服務帶來了用戶，用戶帶來了數據，數據經過 AI 和計算能力的處理，優化用戶體驗，而體驗又帶來了新的用戶增長。

比如說一個創業者忽然發現一個場景不錯（打車、外賣、電商），消費人群非常明確，有非常具體的需求，然後他就去搭建一個平台，提供一個服務，用戶進來享受服務的同時，留下來了數據軌跡，產生了數據，平台收集到這些數據就會建立幾套演算法，來優化產品體驗。

所以，重要的是用戶的數量越多，使用的時間越長，數據的積累就越豐富，後台的演算法在不同的數量級上，演算法的複雜程度、能力有本質的區別，所以演算法也在不斷提升，消費者的體驗也會更好。

換句話說，在這種模式下，大家拼的就是數據手機能力和規模，效率越高、規模越大，企業的競爭力就越強。

在龐大的數據驅動下，很多公司是試圖創造一個無所不能的 AI，記錄每一個用戶的行為模式，然後圈定模型，進行演算法分析，再把分析結果返回給每個消費者，大量用戶的多維度數據記錄下來以後，能夠對過往的生活軌跡、消費軌跡、出行軌跡、衣食住行等全場景的喜好進行全面分析，能為整個零售體系提供底層的數據支持。

對於企業來說，用戶已經不是單一個體，而是由多個表現組成的畫像，或者是一個高維的向量。對用戶來說，企業提供的服務，比用戶自我了解更精準。最經典的就是 Google CEO 說過的一句話：通過大數據的 AI，我們不僅知道你在哪裡，我們不僅知道你去哪兒，我們還要知道你想要幹什麼。

這句話聽起來很美好，但我們也看到這兩年大數據的平台都會遇到一系列的問題，我們來分析一下。

第一，場景。智能設備的數據搜集能力在不停增長，同時也意味著可能暴露更多的隱私，你開發一個 APP，你在搜集這個數據的同時，你所要承擔的責任就會越來越大。用戶要求這個不僅僅能夠有服務，但是又不能暴露我的隱私。

過去，說雲計算是 2B 的業務，是提供給企業來使用的，但如果去看過去 20 年或 30 年，整個計算框架，最早是主機，然後是小型機、伺服器，伺服器就進一步的抽象成了虛擬機，到現在的容器服務。

現在最流行的趨勢是，技術本身不需要配置伺服器、存儲、網路，純粹就是一個邏輯。你把邏輯上傳到雲端它就能實時計算，意味著未來雲計算不是一個 2B 的業務，而是一個 2C 的業務，就是每一個個體，都可以去抓一段開源的代碼，然後在網上為自己搭建一套個性化的服務。

這與剛剛前面說的，通過把大家的數據收集在一起，中央進行計算就有很大的區別。我們再看用戶，現在就知道服務很了解他們，但是我不知道它為什麼是這樣的，而且我也不知道，這種了解是應用在了正確的場合，還是用在了不正確的地方。

當用戶感覺對數據缺乏自主權，數據的所有權不明細，那麼數據到底是歸誰所有？是歸用戶還是互聯網企業？大家會在歐洲和美國看到，越來越多的法律在試圖做這方面的界定，對互聯網企業有越來越多的限制。

雖然我們做演算法，大家都知道深度學習很強大，在人臉識別、語音識別方面甚至可以超越人的性能，大家也知道有很多的問題，深度學習為什麼是這樣，是一個端到端的方案，中間的邏輯為什麼是這樣，裡面是不是存在著一些不合理的因素，很難分析出來。

面對一些消費者，多樣性的消費需求，你用一個固定的模型，及即使是一個深度模型去做，也很難判斷到底是不是合理的。我們的未來預期是什麼呢？我們想到了所謂的分散式 AI，在未來每一個用戶個體，配備有專署的 AI 演算法、計算資源，將會成為一個趨勢。

你可以利用現成的演算法、開源的也好、商業的也好，去搭建一套自己服務的體系，我們稱之為「AI 的代理」，當我們輸出自己的數據給這個代理以後，就會自動匹配私有數據和公有數據，集成到一個 AI 演算法裡面，並通過調用雲資源技術計算，去產生一個滿足消費者需求的結果。

在處理的過程中，保證完全封閉和隱私，並不需要和大家進行交互的過程。未來所有的演算法、數據和 AI 都能獨立地展現給每個消費者，每個人都可以利用自己私有的數據，自己希望的方式來獲得自己希望的結果。這也就意味著，整個數據和決策的控制邏輯會有一個根本性的改變，消費者在場景裡面可以更多的支配場景數據，深度優化決策。

所以就像剛才所說的，雲計算未來不是 2B 的業務，會是 2C 的業務，每一個個體都可以去調用雲資源，做一些優化我個體體驗的計算，就像水電煤一樣的，未來我可以輸出我這個月用了多少的雲計算做了什麼什麼事情，會有一個賬單，這是我們的未來。

用戶重新獲得了對自身服務行為的決策權利，就是相當於他有權利去決策我做的各種推薦、搜索結果，是不是真的滿足我的需求，而不是像現在這樣被動的接受。

我們數據本身會有一個明顯的分割，就是說公有數據和私有數據會有一個切割，公有數據意味著所有人都可以訪問，是公開透明的，私有數據是每個人自己保存，會有一個非常嚴密的容器保存這些數據。

從 AI 演算法方面來說，將來演算法需要給個體調用，我預期未來越來越多的 AI 演算法會是開源的，然後公眾可審核，將會更加的安全和公平。現在大數據強大的原因是它需要整合數億人的數據，去看溝通的模式，最後再去演算。如果每個人的數據自己保存，互相之間不透露，那麼有一個問題，比如我們看深度學習的前提條件就是要有足夠的樣本，那怎麼解決這個問題？每一個人都有自己的數據，他並不知道自己數據的個性和共性之間的差異，那麼怎麼辦？

我們有一個超前的想法，想像一下未來有一個智能代理程序，它為你做智能決策，保護你的私有數據，但是同時也會和其它智能代理程序溝通，就和人一樣。

比如我們去買東西，會問朋友什麼東西好，最近什麼東西比較流行，什麼衣服比較適合我。這是人和人之間的溝通，這種溝通的效率非常低，因為人的語言比特率非常低。那麼未來能不能有這樣的一個智能演算法程序呢？程序和程序之間可以進行通信，就好像今天的互聯網，手機、電腦之間其實也是在通信，只是通信的並不是模型，而是存的數據。

我們理解未來這種智能代理人可以通過信息的交換，擴展自己的能力，通過和別的代理進行溝通，擴展自己的能力以及決策的能力。比如說你看到一款商品上面寫著好友多次購買、好友好評的標籤時，就會提升你的信任感和判斷準確性。

所以這種分散式 AI 能夠幫助人以群分的消費群，以更加方便的方式互相學習，降低決策成本提高交易的效率，更進一步的是，當有這種分散式代理的時候，我們不僅能夠優化個體的體驗，我們甚至能夠反向去優化、製造，就相當於 C2M 這種優化的目標。

舉個例子，冬天到了，我們要買羽絨服，可能會有 50 個工廠會生產羽絨服，他們可能會準備半年的時間生產服裝投入到市場，有一些好賣有一些不好賣。最後就實現了優勝劣汰，但是也就意味著 50 家裡面有 1 個成功了，有了利潤，有 49 家有大量的積壓、資源的浪費。

但是，這種浪費其實就是市場競爭的代價，如果有了分散式智能，衣服到底生產什麼樣的款式、類型，能不能通過智能代理所築成的網路來完成，就像今天的股票市場一樣，股票的漲跌、價格的高低，就是通過買方和賣方瞬時產生大量的交易來完成的。

這就好像做一個模擬遊戲一樣，我們把不同的衣服款式，不同的花紋、式樣的數據都輸入到巨大的代理網路裡面去進行模擬，它能不能告訴我們到底需要什麼樣的產品，這樣我們就可以避免傳統的市場競爭帶來的極大的浪費。就是你要先生產然後去市場檢驗，當需求能被精確預測了以後，生產的廠家就可以提前安排生產周期進行備貨，庫存的剩餘也會有了很大的解決，不用再擔心賣不出去的問題。

從根本上來說，可以將理想化的消費需求聚集到同一個時間、同一個品類，為工廠提供更穩定的訂單，從而降低生產成本，實現了便宜有好貨。

最後我覺得分散式 AI 還能根據用戶本地的行為數據不斷地演，就是這個網路本身是在不斷演進的，每一個節點其實都是在不斷地優化自身的同時，也在提升整個網路的效率，通過高效、安全的方式，和其他的代理通信，為不同的消費群打造符合其自身喜好的定製化產品。

我們覺得，從未來的趨勢來看，我們的判斷是，AI 的演算法、框架將會是分散式的，將會是去強化個體的，而不是提供一樣東西去服務所有人。

而且，在零售變革之前，技術永遠是第一位的，所以說我們現在要做的事情，就是要不斷地優化演算法，不斷地增強對這種數據演算法的理解，從而為消費者提供多實惠、多樂趣的消費體驗，謝謝大家！

圖片來源：VPhoto