“數字化時代，問題可以定量評估，機器學習可以圍繞目標做更智能、高效的優化。”

4月18日，火山引擎發布自研DPU等系列云產品，并推出新版機器學習平臺，支持企業客戶更好地訓練AI大模型。字節跳動副總裁楊震原以《抖音的機器學習實踐》為主題，分享了他對機器學習的理解。

楊震原認為，機器學習系統的核心競爭力，在于每次實驗都能很快、很便宜。算法工程師能聚焦在自己的工作上，用很低成本不斷去試錯，這樣才能實現業務的敏捷迭代和創新。他表示：“火山引擎機器學習平臺是內外統一的，火山引擎客戶和抖音用的是同樣的平臺。我希望公司內部打磨的這些技術能夠服務更多的客戶，支持大家做智能化的創新。”

以下為楊震原演講全文：

上午好！大家知道，抖音等業務是火山引擎的內部客戶，都跑在火山引擎的云上。今天我會分享下公司內部業務的一些實踐經驗：火山引擎是怎樣支持抖音用好機器學習的。

首先說說為什么要聊機器學習，什么場景、什么情況下要用機器學習系統？用機器學習會有什么樣的挑戰？我們是怎么解決這些挑戰的？

我認為機器學習很重要的一點，是把問題數字化。先數字化，然后讓這個問題可以定量評估。當問題可以定量評估的時候，接下來就可以智能化，進一步用一些機器學習的方法來優化。

之前有些朋友問我，說“震原，能不能幫我搞一個模型？”我問他想用這個模型干什么？他其實自己并沒有想清楚。

我想通過幾個例子來具體說明下機器學習的用法。

比如效果廣告，對于商家來講，是不是能用合理的錢找到客戶？對平臺來講，有一個廣告位，是不是能夠把最適合的廣告放到這個位置上？這個問題怎么評估呢？很簡單，我們看轉化率就可以了，所以它的目標可以很清晰地定義出來。

能夠清晰定義目標，就可以做A/B實驗，可以判斷什么方法更好，進而可以用機器學習進一步去優化。最后往往就會發現，用人工的方法，比如圈選用戶這些方法做效果廣告，很難干得過用機器學習。

再比如，優惠券發放。同樣的錢應該發給哪些用戶，能給平臺帶來更長期的留存？這也是可以被精確定量和評估的問題。這樣的問題，我們就可以思考用什么樣的算法，用什么樣的機器學習去優化。

運力調度，這是大家很熟悉的網約車領域，也是可以定量評估的，可以通過成單率評估。如果匹配得不好，我就不能把司機和乘客有效匹配起來。自動駕駛就不多說了，這個領域想評估效果，實際上的維度更多，比如說安全性、時間、舒適度等等。

講了這么多，核心的問題是要能夠把問題定義清楚，先數字化，再去做智能化。

我們用機器學習做智能化，會有什么樣的問題呢？主要說兩個問題，第一個是復雜，第二個是貴。

為什么說復雜？因為機器學習軟件棧很深，它需要有平臺，有PyTorch平臺，有TensorFlow，還有很多的平臺。也涉及到框架、操作系統，還有底層的硬件。大家最近出門，都問對方有多少張GPU卡，你如果沒有，都不好意思跟人家打招呼。但其實很多人并不知道用這些卡的效率到底是什么樣子。所以機器學習的軟件棧是很深的，是挺復雜的一件事情，每個環節都要做對、做好。

再說說很貴的問題。人力貴，一個非常優秀的算法工程師很貴，也不是那么容易就能找到。除了人才昂貴，數據也很貴，高質量的數據成本很高。硬件就不說了，高性能GPU的價格大家都知道。

所以，機器學習是一件既復雜又昂貴的事情。那抖音是怎么處理這個既復雜又昂貴的事情，更好地使用機器學習助力業務發展的呢？

先簡單介紹一下我們的平臺，我們最主要的兩個平臺，一個是推薦廣告平臺，還有一個是通用平臺，包括CV（計算機視覺）、NLP（自然語言處理）平臺等等。

推薦平臺，每周會有上萬個模型在上面訓練，因為我們有很多產品，不同場景都會頻繁訓練模型。CV/NLP平臺，模型訓練的數字會更大，每周有大約20萬個模型的訓練規模。而且這兩個平臺上日常還跑著大量的在線服務。

舉個例子。比如，抖音的推薦系統有很多模型，其中某個模型需要用15個月的樣本來訓練，也就是說在15個月的時間里不斷構筑訓練數據，這個數據量是非常大的。但是在我們的機器學習平臺上，我們只需要5個小時，就可以完成這個模型的訓練，核算下來成本只要5000塊人民幣。對于一個算法工程師來講，他早晨做這個模型訓練，下午就到線上做AB實驗了，極大提高了產品迭代效率。

機器學習做得好不好，我覺得可以用這個三角形來表示，其中最重要的是算法。算法在效果上做到領先，就能對業務產生很大的價值。支撐算法效果的需求，有兩件事，一個是硬件ROI，一個是人力ROI。

硬件ROI指的是單位模型的成本。在市場競爭里，別人花一萬塊錢做一個模型，你如果花一萬塊能做十個同類的模型，這場仗就穩了。人力ROI，是說招一個厲害的算法工程師進來，他能否發揮最大潛能，主要看系統能否支持他足夠容易、足夠敏捷地去嘗試新的想法。

如何提高硬件ROI？潮汐、混部，這是我們常用的一些方法。本質上一句話，就是如何提高設備利用率，這也是云原生的一個基本思想。我們把不同任務混合在一起，互相錯峰，通過智能調度，把它們的利用率都跑得很高，這樣可以極大地提升資源的利用率，去壓縮每個實驗的成本。

在硬件成本以外，還有很重要的一點，就是機器學習的這套基礎設施是不是足夠易用。開個玩笑：很多做數學的人，不喜歡你搞計算機科學，尤其做深度學習，說你們這幫人就在這里“煉丹”，經常不能解釋你這個東西為什么好，你為什么需要不斷做實驗？但是我們從實用的角度來講，必須得不斷做實驗，不斷去嘗試，這個領域很多新的發現，都是不斷嘗試做出來的。

如何讓每次嘗試更快、更便宜，這就是核心競爭力。想一勞永逸，一把做出一個非常完美的模型，這是很難實現的。

火山引擎要做的，就是把平臺的工作做好。大家可以看到，數據處理的整個過程、模型訓練、評估到上線，再到AB測試，全平臺有統一的集成。算法工程師不需要反反復復去溝通各種環節，串聯各種業務，他可以更聚焦在自己的工作上。

再看個例子，這是一個很有意思的特效（抖音AI繪畫），估計很多朋友都用過。大概是在去年年底，這個特效特別火。大家猜猜，做這個特效對抖音來講投入了多少人力？可能很多人都想不到，算法工程師就投入了一個人，他在平臺上寫了一些調研的代碼，大概用了一個星期就完成了模型的訓練，經過一些調教之后就發布到線上了。

當時產品預估可能有200QPS的峰值流量，上線我們按照2000QPS來做的，沒想到上線幾個小時就打滿了。我們很快做了大量擴容，很短時間內容量再擴大10倍，到支持20000QPS。

可以看到整個過程，參與的人數是非常少的，同時擴容效率也非常高。很多人說模型訓練的開銷大，其實從長期來看，推理的開銷會顯著大于訓練。AI繪畫這個模型，在火山引擎平臺推理的效率大概比原生Pytorch 模型快5倍。上線之后又做了一些針對性的優化，還可以更快，大概快10倍，提高了一個數量級。

有了這樣的平臺支持，工程師就可以快速嘗試各種想法，不管是跟進進展，還是開拓創新，都可以做得很快。

最后，大家能夠看到，在抖音、今日頭條、懂車帝這樣一些APP上，開屏會顯示：火山引擎提供計算服務。我們所講的機器學習平臺是內外統一的，火山引擎客戶和抖音用的是同樣的平臺。我希望公司內部打磨的這些技術能夠服務更多的客戶，支持大家做智能化的創新。謝謝大家。