他舉例說，這個屏幕是我去年去波士頓遇到一個哈佛的學生，他和我說為什麼我在波士頓能看到長沙的新聞，雖然我是一個長沙人，他是怎麼知道的，我就問他，你在過去兩三年的春節有沒有回家呢？他說回家了。我和他說大概率是因為我們的機器猜到你春節回家了，你可能是一個長沙人，但是他說我又看不到很多的長沙新聞，為什麼長沙市政府引進人才的新聞我們可以看到呢？我和他說我們確實不是因為你是長沙人就把長沙的新聞推薦給你，我們現在只是把在長沙的留學人才可能喜歡看的新聞推薦給你。
張一鳴接著說，他又問我，為什麼長沙在外留學的人喜歡看這條新聞呢？我說並不是因為你看了這條新聞，因為其他長沙在外留學的人，他們點擊了這篇新聞，你和這些人類似，所以你會看到這篇新聞。這也是個性化推薦，其次體現了泛化，他並沒有看過這條長沙吸引高端人才回流的新聞，而是和他類似的人看過新聞，泛化就是我們在利用人之間的共同特征，把一個模式應用到其他的人身上，不僅是你為自己推薦內容，而是人人為人人推薦內容。
數據積累方面，張一鳴說，我們發現推薦系統具備這樣一個特點，首先是一個人用，一個人用的越久越好用，因為我知道你閱讀的數據，這是個性化。第二個是越多人用越好用，越多人用可以找到類似的人群。第三個是數據的積累，我們看一下數據的積累，到目前為止我們有八百個算法方面的工程師，有兩萬台處理器，有151條訓練樣本，每天用戶請求60億次，這個請求在人工智能應用當中已經是非常大的，有兩萬台機器晝夜不停計算各種概率。
除了創作分發，張一鳴認為，在互動方面人工智能參與非常多，我們經常想問一個問題，但是我不知道這個問題問誰，不知道大家是否有這樣的經歷，我有一個問題，不知道誰知道這個問題，我們可以在朋友圈問一下，如果有人懂這個方面，可能就會回答。
張一鳴說，我們分析問題領域，我們在所有的用戶當中找到這個領域感興趣的人，這個人看過這個領域很多的文章，我們將把你的問題推薦給可能的回答者，我們判斷他有可能回答出高質量的答案，把問題推薦給他，如果把問題回答出來以後，我們再判斷還有什麼人對這個答案感興趣，再推薦給讀者，所以提問、回答、閱讀，這個匹配過程也是可以讓機器發揮非常重要的作用，很可能你感興趣的問題，我們不僅用問答的匹配，我們也在嘗試結構化信息化的內容，機器直接計算出答案，這就是基於計算的自動問答。
|
