在 Facebook，應用機器學習（Applied Machine Learning）團隊正在幫助這家社交網絡公司看見、說話和理解，他們甚至可能會幫助根除假消息。
Joaquin Candela，Facebook 應用機器學習團隊工程開發主管
當被要求領導 Facebook 的應用機器學習團隊來推動這個世界上***的社交網絡全面進軍人工智能時，Joaquin Quiñonero Candela 猶豫了。
原因倒不是因為這個西班牙出生的、自稱「機器學習（ML）人」的科學家的還沒見證過人工智能幫助 Facebook 的方式。實際上，自從 2012 年加入該公司之后，他就一直在監管該公司廣告運行的轉型——使用機器學習方法來使受贊助的帖子更相關和更高效。值得注意的是，他是通過讓其團隊中的工程師都使用人工智能而完成的，盡管他們中有一些人之前并未接受過相關的訓練，但***他成功讓廣告部門的機器學習技能變得豐富了起來。但他并不確定同樣的魔法是否能在 Facebook 整個公司的更大疆土上起效，這里有十幾億人連接在一起，而連接所基于的價值卻遠比衡量廣告的硬數據更模糊。對于這次升職，他評論說：「我需要確信這么做是有價值的。」
盡管有這樣的懷疑，但 Candela 還是接受了這個職位。而現在，還不到兩年的時間，他的猶豫看起來卻像是很荒唐的一件事。
有多荒唐？上個月，Candela 在紐約一場大會上對在場的工程師講了話。「我要做出一個非常明確的聲明。」他警告說：「沒有人工智能，今天的 Facebook 就不會存在。每天你使用 Facebook 或 Instagram 或 Messenger 的時候，你可能沒有意識到，但你的體驗之下都是人工智能在驅動。
去年 11 月，為了采訪 Candela 和他團隊的一些成員，我拜訪了 Facebook 位于 Menlo Park 的巨型總部，所以我可以看到人工智能是如何突然就變成了 Facebook 的「氧氣」的。到目前為止，人們對 Facebook 在人工智能領域的關注都主要還是集中在其***的 Facebook 人工智能研究團隊（FAIR/Facebook Artificial Intelligence Research）——該團隊的***是大名鼎鼎的神經網絡專家 Yann LeCun。FAIR 以及谷歌、微軟、百度、亞馬遜和蘋果（這家善于保密的公司現在已經允許其研究者發表論文了）的相應機構是人工智能領域的畢業生精英最偏愛的目標選擇。這些機構是腦啟發數字神經網絡領域重大突破的***生產者，是近來計算機科學領域發展的主要推動力——讓計算機具備了看見、聽懂甚至交談的能力。而 Candela 的應用機器學習團隊（AML/Applied Machine Learning）的任務是將 FAIR 與其它前沿研究機構的研究成果整合到 Facebook 實際的產品中——而也許更重要的是，助力該公司所有的工程師將機器學習整合到他們的工作中。
因為沒有人工智能，Facebook 就無法生存，所以它需要其所有的工程師都能用人工智能來進行開發。
我的拜訪是在美國總統大選之后兩天進行的，而在一天之前，Facebook 的 CEO Mark Zuckerberg 曾表示：「Facebook 上虛假新聞的流通有助于 Donald Trump 贏得大選」是個「瘋狂的看法（it's crazy）」。這么評價就好比是說：認為 Facebook 是 News Feed 上虛假信息瘋狂傳播的共犯就像是說駕駛一輛油罐車沖向一團不斷蔓延的兇猛大火。盡管這些爭議中很多不是 Candela 職業之內的事情，但他知道 Facebook 對虛假新聞的最終回應將會依靠有他的團隊所參與的機器學習工作。
但為了減輕我們采訪過程中坐在我們旁邊的公關人員所帶來的壓力，Candela 向我們展示了一些其它東西——一個展示他們團隊的成果的演示。讓我驚訝的是，這看起來像是一個微不足道的小玩意：它以一位風格獨特的畫家的杰作的風格來重新繪制一張照片或一段視頻流。事實上，它讓我聯想到了你可以在 Snapchat 上看到的數字特效，而且這種將照片轉換成畢加索的立體主義風格的點子之前已經被實現了。
「這背后的技術叫做神經風格遷移（neural style transfer），」他解釋說，「需要訓練一個大型神經網絡來使用一種特定的風格來重新描繪一張原始照片。」他拿出他的手機拍了一張照片。一次點擊和滑動之后，它變成了梵高的《The Starry Night》風格。更驚人的是，它可以風格渲染正在播放中的視頻流。但他說，真正的不同之處在于一些我無法用眼睛看見的東西：Facebook 已經構建了可以使其在手機上工作的神經網絡。
這同樣并不新鮮——蘋果之前就吹噓過自己在 iPhone 上執行過一些神經計算。但對 Facebook 來說，這項任務卻難得多。因為它并不生產硬件。Candela 說他能執行這個小應用是多虧了該團隊的工作積累的成果——一個項目會讓另一個項目更簡單，綜合起來可以讓未來的工程師無需接受太多培訓就能開發出類似的產品——從而使得這樣的東西可以被快速地開發出來。他說：「從開始開發這個到我們把這個成果投入公開測試，我們用去了八周時間，這是相當瘋狂的。」
從左到右）AML 工程總監 Joaquin Candela；應用計算機視覺團隊負責人 Manohar Paluri;技術產品經理 Rita Aquino；工程經理 Rajen Subba
他說，完成這樣的任務的另一個秘密是協作（collaboration），這也是 Facebook 公司文化的砥柱。在這個案例中，Facebook 內部團隊間的輕松可接觸性使得從數據中心的圖像渲染可跳躍到手機端實現該工作，尤其是移動團隊密切熟悉手機硬件。這種好處不只是讓你能夠把朋友或親人的照片做成名畫「The Scream」中的女性那種風格的電影。而是讓 Facebook 的一切都變得更強大所邁出的一步。短期內，這使得從解析語言和理解文本中得到更快的回應成為了可能。長期而言，它能夠使得實時分析聽見的和看見的成為可能。他說，「我們說的是秒，或者更短的時間。它必須是實時的。我們是社交網絡，如果我們要根據一點內容預測人們的反饋（feedback），我們的系統需要即時作出反應，對吧？」
Candela 看了一眼剛拍的、并轉成了梵高繪畫風格的自拍照，驕傲溢于言表。他說，「在手機上運行復雜的神經網絡，也就是要把人工智能放到每個人的手中。這并非偶然所得，而是 Facebook 內部民主化人工智能的一部分。」
「這是一段漫長的旅程。」他補充說。
Candela 出生于西班牙，在他三歲時全家搬遷到了摩洛哥，于是他在那里上法語學校。雖然他的理科和文科成績都很高，但他決定去馬德里上大學，希望在那里學習他認為最難的課題：電信工程——這門不僅需要掌握如天線、放大器等實物的有關知識，也要讀得懂數據的「極酷」課程。他被一位解構自適應系統的教授施了魔咒。
Candela 開發了一個使用智能過濾器來改善漫游手機信號的系統；他稱其為「一個嬰兒神經網絡」。2000 年他在丹麥度過了一個學期，那段時間的研究使他對訓練算法愈加迷戀，并沒有僅僅停留在研究代碼的層面。在那里他與 Carl Rasmussen 不期而遇——一位曾與傳奇人物 Geoff Hinton（在機器學習領域有「cool kid」之稱的機器學習教授）在多倫多共同研究。在臨近畢業時，他本打算加入寶潔公司的一項管培計劃，但當 Rasmussen 邀請他攻讀博士學位時，他選擇了機器學習。
2007 年，他來到英國劍橋的微軟研究實驗室工作。工作不久，他便得知一個公司內部的競爭：微軟即將推出 Bing，但需要改進搜索廣告的關鍵組件——準確地預測用戶何時會點擊廣告。而公司決定開展內部競爭。公司會測試團隊的解決方案，以確認是否值得采用，而獲勝團隊的成員將獲得一次免費的夏威夷之旅。19 支隊伍進行了比賽，而 Candela 的隊伍取得了勝利。他獲得了免費旅行的獎勵，但他感覺自己受到了欺騙——他認為微軟更大的獎賞在于他的成果能在通過測試后成功發布。
Candela 接下來的一系列行為顯示了他的決心。為了讓公司給他一個機會，他開始了「瘋狂遠征」。他進行了 50 多次內部會談，并建立了一個模擬器來顯示他的算法的優勢；他跟蹤了這個有權力做出這個決定的副總裁——在等自助餐的時候站在他旁邊，故意和他一起上洗手間，然后在便池那里鼓吹自己的系統；他搬到了這位高管的辦公室旁邊一塊未被使用的地方，然后毫無預警地出現在了這個人的辦公室，爭辯著「說到就要做到，我的算法更好」。
將自己定位于站在自助餐線的人的身旁并同步化他的浴室之旅，而后從鄰近的小便池推薦他的系統；他躲進行政部門附近的閑置空間，并突然出現在行政部門的辦公室，爭辯著「說到就要做到，我的算法更好」。
2009 年，Candela 的算法與 Bing 一同發布。
2012 年初，Candela 拜訪了在 Facebook 工作的朋友，周五在位于門洛帕克的園區待了一天。當他發現這家公司的職員不必申求成果的測試權，而是隨時都可以測試時，他驚呆了。于是三天后，他去 Facebook 進行了面試，當周的周末便拿到了 offer。
Candela 加入了 Facebook 的廣告團隊，他的任務是領導一個能夠為用戶展示相關性更強的廣告的團隊。盡管當時他們系統確實在使用機器學習，但他說：「我們使用的模型并不高級，它們非常簡單」。
Facebook 20 號樓內部場景。
另一位同時加入 Facebook 的工程師是 Hussein Mehanna（他們一起參加了新員工的「代碼啟動訓練營（code boot camp）」），他同樣對公司的系統中構建人工智能方面進展的缺乏感到驚訝。Mehanna 說：「當我進入 Facebook 之前，看到產品的質量時，以為所有技術都已經成熟，但很顯然不是這樣。開始工作的幾周內，我告訴 Joaquin：Facebook 真正缺少的是一個合適的***機器學習平臺。我們有機器，但缺乏能夠使其從數據中盡可能學習的合適軟件」。（Mehanna 是如今 Facebook 的核心機器學習主任，同樣是一個微軟老員工——和其他被采訪工程師一樣。這是巧合嗎？）
Mehanna 所說的「機器學習平臺」，是指采用大致基于大腦行為方式的模型——這一范式將人工智能從上世紀荒蕪的「冬天」（早期實現「會思考的機器」的希望已然渺茫）變成了如今的「百花齊綻」。在廣告領域，Facebook 需要它的系統完成一個沒人做得到的事情：即時（并準確！）地預測有多少人會點擊指定的廣告。于是 Candela 和他的團隊開始創建一個基于機器學習程序的新系統。由于該團隊希望將系統構建為一個所有在該部門工作的工程師都能訪問的平臺，他們便以一種能使建模和訓練被推廣與復制的方式來實現。
構建機器學習系統的一個關鍵因素便是獲得高質量數據——越多越好。這恰好是 Facebook ***的資產之一：當每天有超過十億人與你的產品交互，便能收集大量的數據作為訓練集，并且一旦你開始測試，就能夠得到無盡的用戶行為實例。因此廣告團隊能夠從幾周發布一個新模型轉變為每周運送多個模型。另外，因為這將會變為一個允許其他人在內部使用，以構建自己的產品的平臺，所以 Candela 確保以多團隊參與的方式來完成他的工作。這是一個有條不紊的三步過程。他說：「首先你應專注于性能，而后是效用，***建立一個社區」。
Candela 的廣告團隊已經證明，機器學習在 Facebook 可以具有多大的變革性。他說：「我們在預測點擊次數、點贊、轉發次數等方面取得了難以置信的成功」。自然而然，將這種方法向更大型服務推廣的想法便產生了。事實上，FAIR 的領導 LeCun 已經在支持一個致力于將人工智能應用到產品中的團隊——特別是以一種能夠使機器學習向公司內部更廣泛傳播的方式。LeCun 說：「我確實在努力實現它，因為你需要具有杰出的才能的工程師組織在一起，他們不會直接關注產品，而是注重能夠被多種產品使用的基礎技術」。
2015 年 10 月，Candela 成為新的 AML 團隊主管（在一段時間里，出于謹慎，他還保留著在廣告部門的職位，兩者兼顧）。他與位于紐約、巴黎和門洛帕克的 FAIR 保持著密切聯系，那里研究人員與 AML 工程師平起平坐。
一個在開發中的產品可以說明這種協作的方式，這個產品為 Facebook 上發布的圖片提供語音描述。在過去幾年，訓練一個系統去識別場景中的物體或者進行基本總結，來判定照片是在室外還是室內拍攝，成為了一種人工智能標準實踐應用。不過，最近 FAIR 的科學家已經可以訓練神經元網絡去識別圖像中幾乎每一個有意義的物體，并通過物體的位置和與其他物體的關系，來判斷照片的內容——通過分析姿勢，來判斷一張照片里的人在擁抱，或者一個人在騎馬。「我們把這個給 AML 的人看了，」LeCun 說，「他們想了一會兒，說『你知道的，這在有些情況下可能會非常有用。』」最終出現的是一個為視力障礙人士準備的一項功能的原型，它可以在視力障礙人士將手指放在圖片上時，讓手機讀出照片的描述。
「我們一直在交流，」Candela 說起他的兄弟團隊（指代 FAIR）。「從更大的層面來說，科學理論到實際的項目，你需要『膠水』，我們就是『膠水』。」
Candela 將人工智能的應用分為四個領域：視覺、語言、語音和攝像頭效果。他說，所有這些，都會為一個「內容理解引擎」服務。通過掌握理解內容的方法，Facebook 試圖檢測到評論中的隱含意圖、從口語中提取出細微的差別、從視頻中識別出你朋友短暫出現的面部，以及理解你的表達，并將其繪制在虛擬現實地圖中的圖標上。
「我們正在做的是人工智能的泛化，」Candela 說。「隨著需要理解、分析的內容量的爆炸，我們生成可判斷內容的標簽的能力跟不上了。」問題的解決方案，就是開發泛化的系統，這樣一個項目的工作成果可以用到其他團隊的相關項目上。Candela 說，「開發出可以將知識從一個任務遷移到其他任務的算法，會非常棒，對不對？」
這種知識遷移對于 Facebook 產品產出速度意義重大。拿 Instagram 來說。從這個照片服務產品的初始，用戶的照片就是時間倒序呈現。不過在 2016 年年初，Instagram 決定使用相關性 sr'fa 排列照片。好消息是，因為 AML 已經在類似 News Feed 這樣的產品中應用過了機器學習，「Instagram 不需要從零開始」，Candela 說。「Instagram 有一兩個專業的機器學習工程師和數十個其他使用各種排序算法的團隊對接。這樣，他們就可以復制工作流，并且有問題可以直接溝通。」最終，Instagram 僅用了幾個月就完成了這項巨大的產品改動。
對于可以將其神經網絡的威力與其他團隊結合而產出「Facebook 規模」的功能的使用案例，AML 團隊時刻準備著。「我們正在使用機器學習技術，來增強我們的核心能力，以取悅我們的用戶，」AML 認知團隊的帶頭工程師 Tommer Leyvand 說道。（他來自……嘿嘿……微軟。）
Rita Aquino, Facebook 技術產品經理
一個案例就是最近推出的社交推薦功能。一年前。一名 AML 工程師和一個 Facebook 分享團隊的產品經理正在討論一個強社交場景，即用戶向朋友要求推薦當地的餐廳或者其他服務。「問題是，怎樣將這個功能呈現給用戶？」Rita Aquino，AML 的自然語音團隊產品經理說道。（她之前也是產品經理，供職于……算了，不說了）分享團隊一直在嘗試匹配推薦請求的詞語。「那種方式并不精確，在一天 10 億條的消息下，也無法擴大規模，」Aquino 說。通過訓練神經網絡，并在生活行為模型上測試，團隊隨后可以監測到非常細微的語言變化，并能準確檢測用戶是否在詢問某個地區內的餐廳或者需要購買鞋子。之后，合適的聯系人的 News Feed 上就會出現一條請求。下一步——也由機器學習驅動——判斷是否有人提供了合理的推薦，并將商鋪或者餐廳的地址，顯示在用戶的 News Feed 上。
Aquino 說，在她為 Facebook 工作的一年半時間里，人工智能從產品中的罕見部分，變成了深植于產品概念中。「大家希望自己交互的產品能夠更加聰明，」她說。「很多團隊看到了社交推薦這樣的產品，看了我們的代碼，然后就問『我們怎么實現這種功能？』給你的團隊實驗這種用戶體驗，并不需要太多機器學習背景。」就自然語言處理來說，團隊開發了一個可供其他團隊方便訪問的系統，叫做 Deep Text。這個系統可幫助使用 Facebook 翻譯功能背后的機器學習技術，每天超過 40 億條消息都會用到這項技術。
對于圖像和視頻，AML 團隊開發了名叫 Lumos 的機器學習視覺平臺。該平臺始于當時還是 FAIR 實習生的 Manohar Paluri。他當時正在開發一個他稱為 Facebook 視覺大腦的大型機器學習視覺項目，這是一個用于處理和理解 Facebook 上發布的所有的圖像和視頻的工具。2014 年的黑客馬拉松上，Paluri 和同事 Nikhil Johri 在一天半的時間里完成了產品的原型，并展示給激動不已的 Zuckerberg 和 Facebook COO Sheryl Sandberg。Candela 創建 AML 后，Paluri 加入了小組，并負責計算機視覺團隊，開發 Lumos，幫助所有的 Facebook 工程師（包括 Instagram、Messenger、WhatsApp 以及 Oculus）使用這一視覺大腦。
有了 Lumos，「公司里的任何人都可以使用多個神經網絡的功能，為自己的使用場景建立模型，檢測效果，」在 AML 和 FAIR 有聯合職位的 Paluri 說道。「在工作流程中，其他團隊可以有人參與進來，糾正系統、進行再訓練，然后上線，這并不需要 AML 團隊參與。」
Paluri 給我做了一個快速演示，他在他的筆記本上啟動 Lumos，我們進行一個樣本任務：優化神經網絡識別直升機的能力。一個包含圖像的網頁——如果我們繼續刷屏，圖像數量將達到 5000 張——出現在屏幕上，充滿了直升機的圖片，還有一些不是直升機的圖片。對于這些數據集（Facebook 使用公開發布的圖像），這些圖像具有僅限朋友查看或其他分組不受限制的屬性。盡管我完全不是一個工程師，更不是人工智能專家，點擊負樣本以訓練直升機圖像分類器對我來說并不難，我就像行家一樣完成了它。
最終，這種分類步驟——被稱為監督學習——可能變得自動化，就像公司追求的機器學習圣杯「無監督學習」那般，神經網絡有能力自己找出所有這些圖片中都有些什么。Paluri 說：「公司正在取得進展，他說，在下一年我們的目標是把人工標注的數量降低 100 倍。」
長遠來看，為了 Candela 所說的通用內容理解引擎（generalized content understanding engine），Facebook 會將視覺皮層與自然語言平臺的融合。Paluri 說：「無疑我們最終會把它們結合在一起，接著我們會把它做成皮層（cortex）。」
最終，Facebook 希望用于取得進步的核心原理通過論文發表等方式擴展到公司之外，從而使其民主化方法論（democratizing methodology）更廣泛地傳播機器學習。Mehanna 說：「擯棄花費數年時間努力建構一個智能應用的方式，其實你可以更快地構建應用。想象一下其在醫藥、安全和交通領域的影響。我認為這些領域應用的構建將快上 100 倍。」
2017 年 2 月 6 號，Facebook 應用計算機視覺團隊負責人 Manohar Paluri 在加利福尼亞 Menlo 公園 20 號樓，照片由 Stephen Lam 拍攝
盡管 AML 深度參與了幫助 Facebook 產品能看能聽能解釋的史詩般進程，扎克伯格也看到其對 Facebook 作為一家社會公益公司的愿景至關重要。在扎克伯格關于構建未來社區的 5700 詞的宣言中，他 7 次引用了「人工智能」，并且全部是在機器學習及其他技術如何使未來社區更安全、更加信息化的背景下引用的。
實現這些目標并不容易，相同原因是 Candela 首先擔心參加 AML 工作。當你試圖連接幾十億人并為其提供主要的信息源時，問題就會出現，即使機器學習也不能完全解決這些來自人的問題。這就是為什么持續更新算法以決定用戶在其新聞推送中將看到什么。當你并不確定那是什么時，你如何訓練一個網絡來傳遞***組合。Candela 說：「我認為這個問題幾乎不可能解決。我們隨機推送新聞故事意味著你在浪費自己的時間，不是嗎？我們只推送一個朋友的新聞故事，贏者通吃。你可以徹底結束這個一輪又一輪的討論，其中沒有***解。我們嘗試做一些探索。」Facebook 將會繼續用人工智能來解決這個問題，人工智能不可避免地成為了問題的通用解決方案。Candela 看起來滿懷希望地說：「在機器學習和人工智能方面有一系列的行動研究來優化探索的恰當水平。」
當然，當 Facebook 發現自己受假新聞牽連并被當成罪魁禍首時，它會快速召集人工智能團隊從服務中清除虛假新聞。這是一次不同尋常的集體行動，其中甚至包括眼光長遠的常被作為顧問的 FAIR 團隊。LeCun 說。結果證明，FAIR 的努力產生了一個解決問題的工具：被稱作 World2Vec 的模型（「vec」是科技術語向量（vector）的縮寫，參閱：http://www.pamitc.org/cvpr15/files/lecun-20150610-cvpr-keynote.pdf）。World2Vec 給神經網絡帶來了一種記憶能力，幫助 Facebook 用信息標注每一條內容，比如內容是誰發的，誰又分享了該內容。（不要把它和谷歌的 Word2Vec 搞混了，一開始我就這樣）有了這些信息，Facebook 可以理解假新聞的特征及分享模式，使得通過機器學習策略根除假新聞有了可能。「事實證明，驗證假新聞與找到用戶最想看的網頁并沒有什么大不同。」LeCun 說。
Candela 團隊建立的平臺使得 Facebook 能夠最快的速度推出需要審查的產品。它們實際表現如何仍有待觀察。Candela 說，目前討論這些算法減少假新聞的能力還為時過早。但無論這些新措施是否有效，目前的困境提出了另一個問題：一個解決問題的算法——即使是機器學習算法——也可能會產生意想不到的甚至有害的后果。有些人認為在 2016 年這樣的事已經發生了。
Candela 反對這種觀點。「我認為我們已經使世界變得更美好了。」他說道，并講了一個故事。在采訪的前一天，Candela 打電話給一位只有一面之緣的 Facebook 用戶——一個朋友的父親。他看到那個人在 Facebook 上發布了支持特朗普的故事，并對此感到困惑。然后 Candela 意識到他的工作是根據數據做出決定，他缺少重要的信息。所以他聯系了這個人并請求進行談話。對方同意之后他們進行了電話溝通。「這沒有改變我的世界，但讓我學會了以一個非常不同的方式來觀察事情的方法，」Candela 說。「在一個沒有 Facebook 的世界里，我永遠不會和他出現交集。」
「換句話說，雖然人工智能是必要的——甚至是決定性的——但對于 Facebook 來說，人工智能并不是唯一的答案。「目前的挑戰是人工智能還處于起步階段，」Candela 說。「我們只是剛剛上路。」
