中國IDC圈4月15日報道，當你下一次運行 Facebook 時，無論是網(wǎng)頁版還是 App，你可以仔細想一下，個人頁面刷新、家庭相冊瀏覽等這些操作會需要多少計算量，然后再乘以十億用戶，而且每一天都如此。
這不僅是運營一家「財富500強」（第242位）的社交網(wǎng)絡公司，也是在運營異常龐大的支撐各種服務的計算基礎架構，包括處理器、存儲器以及知道用戶各種需求的軟件。
Facebook 為全世界五分之一人口提供服務，而且去年年底，全球32億人口中有超過一半的人成為了互聯(lián)網(wǎng)用戶。此時，這不是一個不理性的問題：地球上有足夠多的人來驅(qū)動這樣一張巨型網(wǎng)絡嗎？
回答是否定的，至少是負擔不起的。這就是 Facebook 求助人工智能的原因。
五年前，F(xiàn)acebook 推出 Open Computer 硬件倡議，他們這么做的原因是為用戶提供 News Feed 服務的成本完全就是產(chǎn)品銷售成本，即便對于這樣一個當時擁有7.4億用戶的網(wǎng)站。因此，打造公司自己的計算基礎架構，讓博文發(fā)布更快，成本更低，成為公司的基礎需求。
Facebook 表示，公司已經(jīng)從對 Open Compute 的投資中節(jié)省了超過20億美元。但在互聯(lián)網(wǎng)領域，五年就是一個時代，如今每個科技巨頭都在設法征服另一個難題。雖然他們可以低成本的提供內(nèi)容服務，但在數(shù)十億博文中，要搞清楚推送哪類內(nèi)容依然有很大挑戰(zhàn)。因此，就像 Facebook 五年前通過 Open Compute 計劃開始重新搭建硬件產(chǎn)業(yè)一樣，最近，公司也創(chuàng)造了一個管理人工智能的內(nèi)部平臺，如此一來，就能精準推送你想看的內(nèi)容。而且，公司也希望將這個「機器學習」平臺規(guī)模化。（「機器學習」是一種人工智能類型，能讓計算機在沒有預編程的前提下學習如何運行。）
「我們正試著打造超過 15 億個人工智能代理（AI agents）--為每個使用 Facebook 或公司其他產(chǎn)品的每一個人服務?！剐陆闪⒌臋C器學習應用組負責人 Joaquin Candela 說，「那我們應該怎么做到呢？」
Candela 說，你要從以前的勝利中汲取靈感。Facebook 的基礎架構團隊也是機器學習應用團隊的靈感之源。
「我們傾向?qū)⒅T如存儲、網(wǎng)絡設計以及計算視為理所當然的事情，」他說，「當視頻小組做直播視頻時，人們并沒有意識到這件事的量級。這很愚蠢。而基礎架構小組就是在那個地方傳遞魔力--將不可能變?yōu)榭赡堋Ｎ覀冃枰獙θ斯ぶ悄茏鐾瑯拥氖虑椤Ｒ残枰獙⑷斯ぶ悄茏兂赡銈冋J為理所當然的工程結(jié)構中的一部分，如此完整的一部分?！?/p>
去年九月，F(xiàn)acebook 成立了機器學習應用團隊（Applied Machine Learning team）。團隊負責運行一個覆蓋全公司的機器學習內(nèi)部平臺，叫做 FBLearner Flow ，這個平臺就相當于人工智能領域的 Open Computer ，不過最大的區(qū)別在于：它并不會依托于開源硬件來提供給世界。公司說，如果沒有 Facebook 手頭數(shù)據(jù)，這個平臺本質(zhì)上沒啥用。
FBLearner Flow 結(jié)合了幾個機器學習模型并用于處理幾十億數(shù)據(jù)點，這些數(shù)據(jù)點來自網(wǎng)站15億用戶的活動，并能對數(shù)千件事情進行預測：圖片中有哪位用戶，哪些可能是垃圾信息。FBLearner Flow 模型創(chuàng)造的算法有助于界定什么樣的內(nèi)容出現(xiàn)在你的動態(tài)消息中，以及你會看到什么樣的廣告。
基于以上內(nèi)容，我們會很容易得出結(jié)論：Facebook 使用人工智能會讓公司13,000雇員中的某些人失去工作。「但現(xiàn)實并沒有什么變化，」公司 CTO Mike Schroepfer 說。人工智能恰恰是在幫助公司提升工程師的能力。他說，「我們能做之前無法做到的事情?！?/p>
Applied Machine Learning 主任 Joaquin Qui?onero Candela
在 Schroepfer 看來，F(xiàn)acebook 經(jīng)常能夠發(fā)現(xiàn)那些好機會，即便自己還沒有能力去征服--至少在人類力量的范圍內(nèi)還無法解決?？匆幌鹿咀罱l(fā)起的一項新功能，為視覺受損人提供圖片說明（以讓其「看到」圖片）。如果公司雇人手動為上傳到網(wǎng)絡的每張圖片內(nèi)容做標記，成本會非常高，也無法規(guī)?；?，當然也不可能期待用戶自己來做這個事情。但不管對于視覺受損人士，還是對于 Facebook，這些信息都是有用的?，F(xiàn)在通過使用 FBLearner Flow 平臺上的計算機視覺模型，一臺計算機就能自動梳理數(shù)十億張圖片并給照片加上標簽，并實現(xiàn)了較為理想的準確率。
「它正在讓新應用成為可能，特別是規(guī)?；鉀Q問題。」Schroepfer 說。Facebook 使用這種基于機器學習的辦法來翻譯 News Feed 博文；在用戶看到之前監(jiān)測到網(wǎng)站不合適的內(nèi)容；在打造 M 過程中，公司通過人與機器的結(jié)合去打造一個私人助理。