第四范式：借势PC霸主，推出企业级AI操作系统

数据形式至少需要三类knowhow(实用知识)：第一，模型需要什么样的数据，业务的knowhow。第二，哪些数据从APP里面直接取，哪些数据可以从数据仓库取，IT的knowhow。第三，这些数据里面，哪些是行为数据，哪些是反馈数据，数据怎么用，AI的knowhow。

知识都被封装进了“数据形式”，封装复杂性，是AI平台解决问题的常用办法。

数据形式是针对数据治理环节提出的标准，浓缩了各个业务场景中数据治理环节的经验沉淀，一键打开就能进入相应业务场景的AI应用，比如推荐场景、反欺诈场景。

有了它，实时与离线数据就能以同一个标准接入。有了它，能做到“一键打通”。有了它，准备就绪的数据，从三类knowhow上解耦出来。作为客户，甚至根本就不需要知道它是怎么做到的，只需要知道，这个东西能够保证数据一致性，保障效果也比较好。数据形式也不是一蹴而就的，数据蓄水由分布式文件系统HDFS负责，实时特征由数据库(RtiDB)负责，任务管理与调度由AI的操作系统搞定。这个专门的操作系统就是AIOS。

　　AIOS是什么?

但凡一台笔记本电脑都会有一个桌面，就像太阳每天从东方升起。

IT知识成为生活常识，这源于1990年，比尔盖茨说：“微软公司的使命，是让每个家庭的桌上都有一台电脑。”

陈雨强说：“我们希望每个企业都用上一个Sage AIOS。”

但凡一个新世界，就会有一个入户门。用户进入AI的世界需要一个易操作的桌面，AIOS瞄准了这个痛点。Sage AIOS可以理解为一个AI版的Windows，很多产品功能都可以类比。

数据形式类比Windows的文件格式。AIOS的各种App类比Windows桌面上的各种应用软件。

App可以分为两类：一类是业务应用，直接提供某个场景的解决方案;一类是工具类应用，给数据科学家和开发者用来构建AI应用。区分使用者和开发者，两者都得偿所愿。

HyperCycle套件(ML、CV、NLP)类比开发工具VisualStudio，利用库伯学习圈理论，帮助客户低门槛的进行AI应用构建。

陈雨强说：“库伯学习圈(HyperCycle)产品，给业务人员用，不需要建模能力，不需要代码能力。”

如果说“降门槛”是第四范式团队出发时就立下的庄严承诺，那么带HyperCycle前缀的三款产品，就是五年后对承诺的兑现。

AIOS外型酷似Windows，颜值高，使用者有天然亲切感。AI独角兽向PC时代霸主借势，向曾经的PC王者致敬。AIOS的独白：“AI时代的Windows桌面，享受一模一样的乐趣。”

比起之前的先知平台， AIOS是不是仅仅变化了外观呢?答案是否定的，这是一次产品理念的升级，AIOS+App是一种产品理念。身为一名合格的操作系统，要有各种各样的软件，还要解决资源调度与处理数据管理。在黄缨宁看来，AIOS是一个桥梁。

对上，把文件、设备、任务、进程和线程给管理了起来。

对下，AIOS把所有的算力管理了起来，包括CPU、GPU、内存这些计算资源硬件。存储和计算这两件事情，一个是文件格式，一个是计算的资源管理和调度。

两件事情都弄好了，应用就能够更容易地在操作系统上构建。

简单的理解为，第四范式把很多东西装在AIOS里来卖，一堆企业级的管理应用，一套资源调度管理的工具，还有个数据中台。

　　我的电脑，还在桌面

数据中台是热门词汇，虽然业界对数据中台的定义还没有达成共识，厂家和专家对数据中台的标准和意见也都各有不同。有专家认为，数据中台一定要统一对外的服务。向上拓展能够提高数据应用的价值和赋能业务。向下发展能提高性能，保障数据的应用能力。第四范式的数据中台也是如此。向上，第四范式的数据中台的第一任务是做3C(一致、时序、闭环)的数据治理，数据经过标准化处理成为数据形式，数据形式可以提供给任何一个AIOS上的APP。“数据中台”类比Windows的系统文件，说得直白一点，只要你买了AIOS就给自带数据中台，这样，数据治理的能力含在了AIOS里面。

数据形式在数据中台上，因为训练框架需要数据输入。有些重要的组件也跑在数据中台与资源调度上，训练框架需要算力调度支持。“我的电脑”在Windows桌面上屹立不倒，它在AIOS版里，是“数据中台”。

　　“用软件定义算力”，第四范式是怎么做的?

“我们的第一行代码，是写在GDBT上的。”第四范式副总裁郑曌告诉《亲爱的数据》。这里的GDBT，全称是“General Distributed Brilliant Technology”，自研的大规模机器学习框架。那么问题来了，为什么第四范式的第一行代码不是写在推荐算法里?很多AI解决方案提供商都有软硬一体的优化方案。可谓八仙过海各显神通。可是，很多企业的软件框架是把开源的代码拿来改一改，甚至有的连修改的能力都没有。最后的结果无非是向业务妥协，放弃一些做不到的场景。业界有人感叹，现在是什么时代，是算法定义计算的时代。

一方面，AI应用场景众多，特点各异，实现最后应用落地的开源软件无论功能还是性能，尤其在大规模方面与实际需求有较大的距离，众多AI厂商束手无策。自研的机器学习框架，能为软硬一体的优化方案带来独特优势，相当于独门秘籍。底层实现方法不一样，效果上有较大区别。越是量身定制，效果越好。另一方面，市场上流行的深度学习框架，解决的是偏语音和图像类的问题，对于决策性问题深度学习的效果不是特别好。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!