杨植麟：选择创业，是为了从「组织架构」上解决AI落地难题( 二 )

文章插图

图注：杨植麟与两位博士导师Ruslan Salakhutdinov（最右）、William Cohen（最左）合影「创业的好处是我们可以自己决定公司的组织架构。人生苦短，精力有限，优化公司的组织形式可以有效减少中间损耗，缩小技术转化与社会价值之间的距离。」杨植麟谈道。
杨植麟对AI科技评论回忆，他的本科与博士导师都十分看重技术的实际价值，这给他带来了很大的启发。不同的是，他会更激进地去追求落地的结果，深入业务中进行研究。他的计划是同时进行学术研究与技术落地，并同时取得成果。
循环智能成立于2016年。也就是说，杨植麟从博士二年级开始就一边搞学术研究、一边创业。
正是有感于「大厂科学家」的尴尬处境，他一直强调「我们需要新的思考」。在循环智能，他不仅是AI技术负责人，还是产品经理，这无疑是一个「范式层面的革新」，是他心中能够有效打破技术与价值之间壁垒的最优途径：
「一方面，我们会去做基础的研究，如预训练、多模态等；另一方面，我们也要去进行落地。这两个事情可以互相提升与促进。」

2、研究与落地，双轮驱动
循环智能最早的三位创始人陈麒聪、杨植麟与张宇韬相识于清华大学的知识工程实验室，都有一股「用AI创造社会价值」的热血。三人都是技术出身，后来因为业务发展，循环智能在2018年又引入了另一位擅长技术产品运营的「第四把手」揭发。
自成立以来，杨植麟就是团队的核心技术骨干。2016年与2017年，他与陈麒聪、张宇韬开始摸索技术的应用方向。
对新一代AI创业者来说，2017年是一个重要的时间节点。
那一年，谷歌团队在“Attention is All You Need”一文中提出Transformer模型，该模型没有采用卷机网络与以往RNN的时序结构，采用编码机制，编码端同时包含语义信息（Multi-Head Attention）和位置信息（Positional Encoding），能够并行计算，大大提升了语言模型的训练速度。
对于专注技术落地的创业者来说，这无疑是一项利好消息，能够减少预训练的时间，节约研发成本，加速技术与场景的匹配速度。Transformer的出现，打破了计算机视觉凭借深度学习在AI创业圈一统天下的垄断局面，使一大批基于NLP技术的创业公司开始崭露头角，循环智能便是其中之一。
循环智能的主要业务是运用NLP、语音、多模态、大模型等人工智能技术打造「销售科技」方案，帮助企业的销售团队提升销售业绩。
杨植麟谈道：「我们认为，AI产生价值的过程可以分为几个阶段，而其中一个阶段就是帮助每个人变得更好，提升人的能力，从而提升整个社会的运行效率。这个Vision（愿景）是我们公司成立之初就有的想法。」
据他介绍，循环智能选择将AI用于「提升人的沟通能力」，也是经过了很长时间的探索，与客户交流、不断迭代才确定。最终，他们抉择的原动力是客户的诉求，以及对整体市场的判断。比如，根据CB Insights的数据统计，2016年销售科技初创企业的投资额就超过了50亿美元，此后逐渐递增。这也表明了市场对这个赛道的信心。

文章插图

图注：Gartner的销售科技（SalesTech）技术成熟度曲线2021显示，销售赋能一支已经渡过「技术萌芽期」（Innovation Trigger），进入「期望膨胀区」（Peak of Inflated Expectations）
如前所述，杨植麟认为，AI系统的组织架构会影响产品的能力，而组织架构的灵活设置可以帮助他们以一个更好的模式去推进产品落地。在创业的过程中，杨植麟实现了学术研究与工业落地的双轮驱动模式。比方说，他被 ACL 2019 接收 Transformer-XL 一文，早在发表之前就已应用在了循环智能的 ASR 产品中。
对于这项基础技术的快速转化，杨植麟引以为豪：
「在预训练的过程中，我们将技术部署在产品系统上，让它能以实际数据集的运行效果为最终目标，驱动中间的研发过程。在将挖掘系统落地时，系统也是以最终的业务结果为目标进行学习与优化。同时，中间过程又可以迭代出很多AI问题与基础技术，使得之后的产品可以进一步改善。」
AI模型的落地中，一个常见的问题是数据集的真实性与完备性。
一般来说，研究者在改进模型时，往往是基于特定的、人工创造的数据，但这些数据也许并无法完整、正确地描述模型在实际场景中遇到的情况。因此，尽管预训练的若干技术都已在学术界的许多数据集上得到了测试，且性能优异，但在实际应用中，却仍需要非常多的技术改进才能部署落地，因为模型会遇到更多更复杂的问题。