作者 | 高飛 編輯 | 周雅
來源 | 賽博故事(cybergushi)
《流浪地球》的韓方特效制作公司Macrograph CEO李仁浩,上周參加了一場以生態(tài)為名的活動——華為中國生態(tài)伙伴大會 2019,并做了主題演講。
他在演講中,介紹了公司在制作《流浪地球》特效時如何用華為的技術(shù)。其實(shí),除了電影特效之外,《流浪地球》電影和會議的主題“生態(tài)”也大有關(guān)系。
有報(bào)道說《流浪地球》電影的劇本老外看了之后頗為不解,既然地球有危險,坐飛船走了不就行了,為啥要帶著地球一塊走。電影制作團(tuán)隊(duì)說,這是東方的故土情懷,要走就帶著家一塊走。劉慈欣在采訪時也接受了這個解釋,說雖然自己寫的時候沒想到這個角度,但現(xiàn)在看來確實(shí)是這么回事。
不過在小說原著中,是沒有“文化因素”的,而是“生態(tài)因素”。讓地球隨人類共同流浪,是因?yàn)槿祟惿鐣?,甚至生物世界的生存與發(fā)展,都需要一個可以循環(huán)利用的生態(tài)系統(tǒng),無論在此處的太陽系,還是在遙遠(yuǎn)的目的地。
所以在原著中,人類為了在飛抵目的地之后重建一個和原來世界類似的生態(tài)系統(tǒng),才不惜任何代價,都要帶著地球一塊走。
生態(tài)的重要由此可見。
生物生態(tài)與產(chǎn)業(yè)生態(tài)
生態(tài)一詞,最早來自生物界。
維基百科的定義生態(tài)系統(tǒng)是“在一個特定環(huán)境內(nèi),相互作用的所有生物和此環(huán)境的統(tǒng)稱”,是生物自然界的術(shù)語。不過現(xiàn)在越來越多的科技公司,正在把這個詞納入到商業(yè)語境當(dāng)中,構(gòu)建自己的產(chǎn)業(yè)“生態(tài)系統(tǒng)”。
生物生態(tài)系統(tǒng)和產(chǎn)業(yè)生態(tài)系統(tǒng),在運(yùn)行上,有相同的邏輯部分,也有不同的的邏輯部分。
但是總體而言,無論是生物界,還是產(chǎn)業(yè)界,一個生態(tài)系統(tǒng),總要厘清三個問題。
第一是領(lǐng)地歸屬,指不同“物種”(生態(tài)角色)的各自位置,領(lǐng)地不界定清楚,如同生態(tài)系統(tǒng)遭到外來物種入侵,生態(tài)系統(tǒng)必然崩潰。
第二是能量鏈條,生態(tài)作為一個特定環(huán)境,需要外部能量支持,并在生態(tài)鏈條中傳導(dǎo),舉例而言,比如生物生態(tài)系統(tǒng)的能量來自陽光;
第三是進(jìn)化方向,指生態(tài)系統(tǒng)的演化之路。
觀察華為“產(chǎn)業(yè)生態(tài)”方法論
華為是業(yè)界較早舉生態(tài)旗幟的科技企業(yè),觀察其生態(tài)方法論,對于探討科技圈的“產(chǎn)業(yè)生態(tài)”運(yùn)行規(guī)則,是一個非常適合的范本。
解讀同樣從上文提到的三個層次展開:
1、領(lǐng)地歸屬
華為可能是較早在產(chǎn)業(yè)生態(tài)運(yùn)行中認(rèn)識到領(lǐng)地歸屬問題的企業(yè)。其非常出名的“上不碰應(yīng)用、下不碰數(shù)據(jù),不做股權(quán)投資”,比較清楚了界定了華為在其產(chǎn)業(yè)生態(tài)的角色。另外一個云服務(wù)提供商在上周也做了類似的宣示“不碰Saas應(yīng)用”,可以看作是對領(lǐng)土界定原則的某種附和。
即使在生物界,如果領(lǐng)地被入侵,就會發(fā)生種群或者物種內(nèi)的沖突;商場如戰(zhàn)場,如果在產(chǎn)業(yè)生態(tài),不界定好各自角色,很難成為一個統(tǒng)一協(xié)調(diào)的生態(tài)。在這一點(diǎn)上,生物生態(tài)和產(chǎn)業(yè)生態(tài)差別不大。
2、能量鏈條
能量鏈條,是生物生態(tài)和產(chǎn)業(yè)生態(tài)產(chǎn)生“區(qū)別”的開始。
第一,生物生態(tài)的能量來源是自然與無上限的(陽光),但是產(chǎn)業(yè)生態(tài)必須考慮生態(tài)第一推動力,即商業(yè)回報(bào)問題。
第二,生態(tài)的能量傳導(dǎo)關(guān)系是食物鏈,是非自愿的,而產(chǎn)業(yè)生態(tài)的能量傳導(dǎo)是基于商業(yè)規(guī)則的,是以協(xié)同效應(yīng)為基礎(chǔ)的。
在這兩方面,在能量來源方面,華為企業(yè)業(yè)務(wù)將行業(yè)數(shù)字化轉(zhuǎn)型作為生態(tài)的推動力。數(shù)字化轉(zhuǎn)型,是廣大傳統(tǒng)企業(yè)對數(shù)字化技術(shù)加以利用,改善運(yùn)營,服務(wù)創(chuàng)新的過程??紤]到技術(shù)的發(fā)展日新月異,在動態(tài)的科技革命面前,甚至每一個企業(yè)都是“傳統(tǒng)企業(yè)”。
華為企業(yè)BG中國區(qū)總裁蔡英華在這個生態(tài)大會上演講中宣布了幾件小事,和一件大事。或許正是對數(shù)字化轉(zhuǎn)型可以創(chuàng)造的外部紅利的重視,其發(fā)布“數(shù)字化轉(zhuǎn)型方法論”就是這一件大事。
而在能量鏈條方面,則看生態(tài)領(lǐng)導(dǎo)者的讓利心態(tài)。華為在活動上也表達(dá)相應(yīng)的態(tài)度。從展區(qū)的每一項(xiàng)展示,都聲明是華為與合作伙伴的聯(lián)合展示,“讓名”;到蔡英華在演講中說,對伙伴的業(yè)績發(fā)放將從40天縮短為1分鐘;認(rèn)證注冊周期將從兩天下降到秒級;業(yè)績激勵將從不可視,改變?yōu)榭梢?;伙伴認(rèn)證將從5天降至3天,“讓利”。
這是作為外部觀察者,能夠看到的能量鏈條優(yōu)化。
3、進(jìn)化方向
這可能是生物生態(tài)和產(chǎn)業(yè)生態(tài)的最大不同之處。
盡管千百萬年的時間過去,生物生態(tài)呈現(xiàn)了不斷進(jìn)化的趨勢,從細(xì)菌到單細(xì)胞,從單細(xì)胞到復(fù)雜生命,從三葉蟲到靈長類。
不過生物生態(tài)的進(jìn)化,是對外部環(huán)境的被動進(jìn)化,不是生態(tài)個體的主動選擇過程,產(chǎn)業(yè)生態(tài)則大不同。
產(chǎn)業(yè)生態(tài)由人的主動行為控制,可以有明確的既定目標(biāo),也就是說,進(jìn)化方向是受控的。這是產(chǎn)業(yè)生態(tài)可能在效率上會高于生物生態(tài)的原因所在。產(chǎn)業(yè)生態(tài)的技術(shù)爆炸速度,也遠(yuǎn)遠(yuǎn)快過生物生態(tài)的“物種大爆炸”,這就是主動和被動的區(qū)別。
在這方面,華為目前將AI作為進(jìn)化的主基調(diào)。
或許每一個科技都在談AI革命,但是從很多方面來看,華為對待這個產(chǎn)業(yè)進(jìn)化方向是非常嚴(yán)肅的。
去年的華為全連接大會,是華為全棧全場景AI的發(fā)布(從芯片到開發(fā)平臺再到場景),而今年的生態(tài)合作伙伴大會,展區(qū)則是落地的全棧全場景解決方案展示(http://digital.zhiding.cn/2019/0321/3116472.shtml)。第一天、第二天的主題演講,也有相當(dāng)大的比重關(guān)于AI的。
終極之問:生態(tài)為何對公司如此重要
生態(tài)毫無疑問正成了科技產(chǎn)業(yè)的高頻詞,但是它為何如此重要?
有一本很厚的書,名為《規(guī)?!?,作者杰弗里· 韋斯特被《時代周刊》評選為“全球最有影響力100人”之一,他研究的是復(fù)雜性科學(xué)。
在這本書里,作者發(fā)現(xiàn)了公司和城市的兩個截然不同點(diǎn)。城市的規(guī)模越大越好,但是公司并不是。
比如公司的雇員增加一倍,利潤只會增加大約92%,凈收入只增加79%,總資產(chǎn)是86%,總銷售額則是98%。但是城市則恰恰相反,規(guī)模越大,運(yùn)行成本越低,生命力越持久。所以超大城市越來越多,中國多數(shù)省也在加快提高“城市首位度”,“城市首位度”是美國學(xué)者馬克·杰斐遜80年前提出的一個概念,是指一個區(qū)域內(nèi)首位城市與第二位城市的人口規(guī)模之比。實(shí)際上,就是增加城市規(guī)模。
基于上述理論來思考,如果公司的增長,必然受限于規(guī)模因素。是否生態(tài)的運(yùn)營,會讓“企業(yè)“產(chǎn)生類似“城市”的規(guī)模效應(yīng),避免“規(guī)模陷阱”,并賦能更多人?這或許就是伴隨產(chǎn)業(yè)生態(tài)所而來的生命力所在。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗(yàn)證有效性。