如今，我們每個人都在談?wù)?ldquo;數(shù)據(jù)科學(xué)”，哈佛商業(yè)評論雜志甚至將數(shù)據(jù)科學(xué)家定義為“21世紀(jì)最性感的職業(yè)”。在這個大數(shù)據(jù)時代，究竟什么是數(shù)據(jù)科學(xué)?數(shù)據(jù)科學(xué)家又究竟是怎樣的一群人?他們在創(chuàng)造著什么令人著迷的東西?DT君將在2018年走訪50位來自各行各業(yè)的頂尖數(shù)據(jù)科學(xué)家，希望能讓你們了解這些神奇的人和他們神秘事兒，為你們一窺數(shù)據(jù)科學(xué)的未來與未知。畢業(yè)于北大數(shù)學(xué)院概率統(tǒng)計專業(yè)，在中科院軟件所完成數(shù)據(jù)挖掘方向的計算機博士學(xué)位，沈志勇這位一路“根正苗紅”、踩著大數(shù)據(jù)科班道路走出來的數(shù)據(jù)科學(xué)家說，如今他更愿做一個大數(shù)據(jù)技術(shù)的“搬運工”——讓大數(shù)據(jù)在各行各業(yè)，“燃”燒起來。

根正苗紅的“數(shù)據(jù)科學(xué)家”

在沈志勇的印象中，記憶最深的莫過于他經(jīng)歷過的兩次高考。第一次是在1999年，當(dāng)時他考入了北京大學(xué)數(shù)學(xué)學(xué)院。第二次，則是在四年前的那個夏天。

2014年的6月與往常一樣，全國幾百萬考生正在為幾天后 “人生最重要”的一場考試做著最后的準(zhǔn)備;老師和家長們，則一遍又一遍地為他們查閱著各種“押題”指南，期待有巧合或者奇跡押中真題。

沈志勇坐在辦公室里，也在緊鑼密鼓地準(zhǔn)備著什么。不久，他指導(dǎo)的一個“大數(shù)據(jù)預(yù)測高考作文題”的項目面世。這是第一次有人用大數(shù)據(jù)預(yù)測高考作文題目。

(圖片說明：百度預(yù)測2014年高考作文題目)

幾天后，結(jié)果出來了。在全國18卷的語文考試中，他們的預(yù)測命中了其中12卷的作文命題方向。一時間，網(wǎng)友開始紛紛感嘆：大數(shù)據(jù)連高考都能預(yù)測，簡直 “神”了!

“那次頗具普及性質(zhì)的活動讓更多人看到了大數(shù)據(jù)的價值、希望能了解大數(shù)據(jù)。”項目背后的沈志勇現(xiàn)在回憶起那次活動，覺得它的傳播意義更加鮮明。雖然對普通人來說，這種預(yù)測很新鮮;但對沈志勇來說，大數(shù)據(jù)已經(jīng)是十多年的“老朋友”了。

本科畢業(yè)于北京大學(xué)數(shù)學(xué)學(xué)院概率統(tǒng)計系、在中科院軟件所獲取博士學(xué)位、曾在惠普從事數(shù)據(jù)挖掘研究，現(xiàn)任百度云首席數(shù)據(jù)科學(xué)家……從簡歷上看，沈志勇是一位“根正苗紅”、科班出身的數(shù)據(jù)科學(xué)家。從大二接觸概率統(tǒng)計開始，沈已經(jīng)在數(shù)據(jù)分析處理這條路上走了近二十年。在他看來，“數(shù)據(jù)科學(xué)家”的概念無需咬文嚼字糾結(jié)科學(xué)二字，它們本質(zhì)上就是集合工程能力、業(yè)務(wù)能力和理論知識的數(shù)據(jù)型人才。

(圖片說明：2010年，數(shù)據(jù)科學(xué)家Drew Conway發(fā)表了他認(rèn)為的“數(shù)據(jù)科學(xué)技能韋恩圖”，認(rèn)為集合了黑客能力Hacking Skill、業(yè)務(wù)能力 Substantive Expertise和數(shù)理知識的Math & Statistics Knowledge的人才才是數(shù)據(jù)科學(xué)家。沈認(rèn)為，在實際操作中，黑客能力更多的是工程能力;數(shù)理知識意味著知其然而知其所以然的理論能力。)

在大數(shù)據(jù)剛出現(xiàn)的時候，大家無法看清這個龐大復(fù)雜的新興事物。就像美國心理學(xué)和行為經(jīng)濟(jì)學(xué)教授Dan Ariely當(dāng)年描述的一樣，大數(shù)據(jù)就像青少年的性行為：每個人都在談?wù)撍?，但是沒有人真正知道那是什么，所以每個人都聲稱自己正在做這件事兒。

(圖片說明：Dan Ariely教授2013年在臉書上諷刺社會對大數(shù)據(jù)的狂熱追捧現(xiàn)象。)

沈志勇則認(rèn)為，其實這件事兒遠(yuǎn)沒有大家想的那么玄。“都說把數(shù)據(jù)比作工業(yè)的新石油，從事大數(shù)據(jù)其實就相當(dāng)于在從事石油開采與冶煉行業(yè)。你要經(jīng)歷探礦(尋找并評估什么數(shù)據(jù)源有價值)——采油(數(shù)據(jù)的ETL、預(yù)處理)——冶煉(數(shù)據(jù)建模與分析)——加工(數(shù)據(jù)產(chǎn)品化、可視化)這一系列過程，最后把數(shù)據(jù)產(chǎn)品和服務(wù)交到用戶手里，燃燒，產(chǎn)生能量，驅(qū)動業(yè)務(wù)。”

“但是油田在哪里呢?最后我發(fā)現(xiàn)，豐富的原生數(shù)據(jù)油田，主要在業(yè)界。”沈志勇說道。也正是意識到了這一點，博士畢業(yè)后他并沒有選擇留在學(xué)校科研院所，而是出走業(yè)界，做真正的“大數(shù)據(jù)”。

大數(shù)據(jù)預(yù)測，是玄學(xué)還是科學(xué)?

在與大數(shù)據(jù)的相關(guān)話題中，人們普遍最感興趣的就是“預(yù)測”。我們大多相信，未來是難以把握的，但是一旦這種不確定性被大數(shù)據(jù)“確定”了下來，我們豈不是就能“人定勝天”了?

抱著對這種美好未來的期盼，大數(shù)據(jù)火了之后，也有越來越多的人們開始用它進(jìn)行各種預(yù)測：大數(shù)據(jù)相親、大數(shù)據(jù)求職、大數(shù)據(jù)買房等等，結(jié)果有好有壞，人人參差不齊。不久，相反的聲音也開始出現(xiàn)：大數(shù)據(jù)預(yù)測就和算命沒什么兩樣，說到底還是一個運氣罷了。

“算命，其實是挺大數(shù)據(jù)的一件事兒”，沈志勇打趣說，“算命也是觀察對象、尋找規(guī)律，不過大數(shù)據(jù)的邏輯要更復(fù)雜一些。”沈認(rèn)為，毫無疑問，大數(shù)據(jù)預(yù)測完完全全是科學(xué)的范疇。

其實，我們一直都在進(jìn)行各種預(yù)測：預(yù)測天氣、預(yù)測股票等等，大數(shù)據(jù)預(yù)測與這些并沒有什么本質(zhì)不同。海量的數(shù)據(jù)資源讓很多之前看似“無法被預(yù)測”的事情，也能夠被預(yù)測出來，這就是大數(shù)據(jù)的力量。

沈志勇接著為DT君講了一個2014年世界杯的預(yù)測案例。“足球是圓的”，體育比賽一直以來都以其“不可預(yù)測性”而著稱。即使是最優(yōu)秀的運動員，在瞬息萬變的賽場上也很難說就一定會贏。“黑馬”的頻頻出現(xiàn)是我們對體育賽事最津津樂道的話題之一。但在2014年世界杯比賽中，沈志勇和他的團(tuán)隊就試圖用大數(shù)據(jù)來“預(yù)測”比賽結(jié)果。

包括高盛、微軟、Google在內(nèi)的眾多公司當(dāng)時都對比賽進(jìn)行了基于大數(shù)據(jù)分析的預(yù)測，最終結(jié)果是：沈志勇他們團(tuán)隊的預(yù)測是最準(zhǔn)確的。他們從淘汰賽開始，100%預(yù)測對了每一場比賽的結(jié)果。

(圖片說明：2014年世界杯百度預(yù)測圖片。)

“在這個預(yù)測中，我們使用了幾百家家博彩公司的數(shù)據(jù)，這個數(shù)據(jù)源非常重要。”沈志勇笑說，在他們的預(yù)測模型中，負(fù)責(zé)模型設(shè)計的小伙伴考慮了球隊攻擊力，球隊防守能力，比賽本身存在的偏置等因素，以此專門開發(fā)了一套 “攻防因子模型”算法刻畫上述因素，對球隊進(jìn)行模擬比賽。“我們在電腦里進(jìn)行了一萬次世界杯，最終給出了這份預(yù)測。”

用大數(shù)據(jù)來影響體育比賽其實已經(jīng)不是新鮮事兒了。地處美國硅谷的NBA球隊金州勇士，在訓(xùn)練、戰(zhàn)術(shù)、球員選拔等層面廣泛地運用了大數(shù)據(jù)分析，甚至據(jù)此開發(fā)出了一套小球戰(zhàn)術(shù)。在短時間內(nèi)讓球隊從聯(lián)盟吊車尾，躍升為總冠軍，引領(lǐng)了整個聯(lián)盟的籃球風(fēng)潮。

(圖片說明：覆蓋NBA場館的6臺高速攝像機和背后的SportVU系統(tǒng)，能夠每秒鐘追蹤25次球員和籃球的運動，記錄下速度、距離、球員間隔和控球等數(shù)據(jù)，用于之后的體育分析，提升球隊成績。圖片來源：視覺中國)

收集數(shù)據(jù)、分析、建模、模擬、總結(jié)，這是大數(shù)據(jù)時代的一種預(yù)測方法。

沈志勇認(rèn)為，利用大數(shù)據(jù)進(jìn)行預(yù)測的關(guān)鍵在于“采礦”和“冶煉”。“在海量的信息流里，究竟什么數(shù)據(jù)有用?怎樣才能獲取這些信息?獲取后要如何加工處理?這是都是考驗人類智慧的環(huán)節(jié)，這也是數(shù)據(jù)科學(xué)家這個角色的任務(wù)。”

在《黑鏡》第四季第四集中，導(dǎo)演們設(shè)想了一個“相親”的大數(shù)據(jù)系統(tǒng)。它會收集一個人的所有數(shù)據(jù)：包括你的喜好、性格等等，然后在虛擬空間里進(jìn)行模擬配對。它能感受你的情感、體感，讓這個“你”在系統(tǒng)中與其他用戶模擬交往1000次，最后給出你的“完美伴侶”。這與沈志勇他們的世界杯預(yù)測邏輯如出一轍。

差別只在于，我們暫時還無法收集這么全面的數(shù)據(jù)罷了。

大數(shù)據(jù)讓我們從海量信息中心尋找相關(guān)性變得可能。有些東西無法預(yù)測，可能只是因為我們沒有收集到足夠的數(shù)據(jù)支持。

不過沈志勇也強調(diào)，大數(shù)據(jù)遠(yuǎn)遠(yuǎn)不是萬能的，完全隨機的事件也是無法預(yù)測的。“就像彩票”，沈志勇笑道。

除此之外，他還領(lǐng)導(dǎo)團(tuán)隊做了景點人流量預(yù)測等很多其他預(yù)測性項目的建模工作，有些已經(jīng)被政府等機構(gòu)所采用，作為資源調(diào)度、人力分配等決策的重要參考依據(jù)。實實在在地改變了人們的生活。

搬運工的小目標(biāo)：讓數(shù)據(jù)“燃”起來

常年浸染在數(shù)據(jù)一線，讓沈志勇始終走在大數(shù)據(jù)研發(fā)的最前沿。但他越來越發(fā)現(xiàn)：在互聯(lián)網(wǎng)以外，還有好多領(lǐng)域和產(chǎn)業(yè)并沒有充分利用大數(shù)據(jù)技術(shù)。在這一層面，大數(shù)據(jù)技術(shù)的發(fā)展與社會需求是脫節(jié)的。

“隨著技術(shù)發(fā)展和媒體渲染報道，大數(shù)據(jù)一夜之間從‘專業(yè)技術(shù)’變成了‘顯學(xué)’，引起越來越多人的討論。但是當(dāng)他們想用的時候卻不知道該怎么用，如何用。于是人們由期望轉(zhuǎn)為失望，開始說大數(shù)據(jù)都是忽悠。”沈志勇總結(jié)自己的經(jīng)驗認(rèn)為，與其更追求高精尖的陽春白雪，不如讓大數(shù)據(jù)技術(shù)落地到更多行業(yè)和領(lǐng)域中去，幫助它們實現(xiàn)轉(zhuǎn)型升級。

大數(shù)據(jù)技術(shù)在互聯(lián)網(wǎng)公司早已是基礎(chǔ)技術(shù)。沈曾經(jīng)負(fù)責(zé)過一段時間的音樂推薦系統(tǒng)。他用了三個月的時間，通過梳理用戶數(shù)據(jù)，構(gòu)造新的模型、微調(diào)模型參數(shù)等措施，在不增加任何外部成本的情況下，僅僅通過優(yōu)化內(nèi)部算法，就讓產(chǎn)品的播放量達(dá)到了翻倍的效果，同時帶來了大量的用戶增長。這讓他第一次嘗到了從科研到實踐“學(xué)以致用”的樂趣。緊接著他想，大數(shù)據(jù)技術(shù)的應(yīng)用場景，應(yīng)該不局限于互聯(lián)網(wǎng)行業(yè)，應(yīng)該讓它在全行業(yè)都能運用起來。

現(xiàn)在，沈志勇更愿意把自己比喻成一個大數(shù)據(jù)技術(shù)的“搬運工”：“我從兩個源頭搬運東西：一個是學(xué)術(shù)領(lǐng)域、替他們找到真正適用的場景;另一個是從互聯(lián)網(wǎng)領(lǐng)域，把從中孵化出來的大數(shù)據(jù)技術(shù)與資源，搬運到其他行業(yè)。”

從“探索者”到“搬運工”，對于沈志勇來說，其實也是一種“取舍”：他放棄了去攀登更高層數(shù)據(jù)科學(xué)的機會。“但是必須有人要做這件事兒”，沈志勇說。大數(shù)據(jù)初期由研究和技術(shù)人員主導(dǎo)、以技術(shù)為核心，容易造成場景與需求端的脫節(jié)。

“我想做這樣一座橋梁：一頭連接著技術(shù)，了解大數(shù)據(jù)技術(shù)是什么，能力的特點怎樣、邊界在哪里;另一頭連接著行業(yè)，去了解行業(yè)痛點，抽象行業(yè)需求?；趯┬鑳蓚?cè)的理解，做好頂層設(shè)計，讓大數(shù)據(jù)技術(shù)真正賦能全行業(yè)，實現(xiàn)業(yè)務(wù)升級。”沈志勇說道。

在百度大數(shù)據(jù)實驗室，沈志勇前后探索了大數(shù)據(jù)在近十個行業(yè)的應(yīng)用思路與實踐。“金融、醫(yī)療、零售還有智能制造等是我們當(dāng)時投入最多的幾個行業(yè)”沈志勇回憶道。

最近，行業(yè)關(guān)于“新零售”的討論一直是行業(yè)熱點。沈志勇和他的伙伴們早在15年初就開始了大數(shù)據(jù)技術(shù)在零售行業(yè)應(yīng)用的探索。“零售大數(shù)據(jù)是我做過很有意思的項目，因為這個領(lǐng)域和我們的日常生活息息相關(guān)”沈志勇提到。在這個項目中，沈志勇的團(tuán)隊打通了線上的互聯(lián)網(wǎng)數(shù)據(jù)和線下購物中心的零售數(shù)據(jù)，為線下的零售實體，一方面提供了個性化的營銷手段——“個性化推薦原本是線上的電商的專屬，我們的技術(shù)讓線下零售實體也能為用戶提供個性化的服務(wù)和折扣信息推送”，另一方面基于零售實體周邊用戶整體互聯(lián)網(wǎng)行為的分析，為零售實體的招商、運營和選址等業(yè)務(wù)提供了大數(shù)據(jù)參考。

在醫(yī)療領(lǐng)域，大數(shù)據(jù)也同樣受到了關(guān)注。沈志勇舉了一個糖尿病研究中應(yīng)用大數(shù)據(jù)的例子，糖尿病的成因有基因的也有生活習(xí)慣，醫(yī)院可以測得前者，但在生活習(xí)慣的數(shù)據(jù)獲取中，會受到很多主觀因素的干擾而難以準(zhǔn)確全面的獲取。他們和相關(guān)領(lǐng)域的醫(yī)學(xué)研究人員合作，以地域為結(jié)構(gòu)，分析了飲食習(xí)慣和糖尿病發(fā)病之間的關(guān)系，取得了很多有益的結(jié)果。

問起沈志勇在行業(yè)大數(shù)據(jù)探索的第一個行業(yè)，“當(dāng)然是金融了，離錢近，行業(yè)數(shù)據(jù)基礎(chǔ)也好。”他笑著說，“我們曾經(jīng)嘗試將大數(shù)據(jù)技術(shù)在金融理財產(chǎn)品的營銷、金融風(fēng)控以及利用另類數(shù)據(jù)做量化投資等方向都做了積極的嘗試”。

此外，沈志勇還提到了和小伙伴們，一起探索如何制造業(yè)、教育、旅游、文娛等多個領(lǐng)域，通過大數(shù)據(jù)技術(shù)，優(yōu)化資源配置，降低損耗，提升業(yè)績，讓數(shù)據(jù)在這些行業(yè)，開采、冶煉出來，“燃”起來，驅(qū)動行業(yè)的轉(zhuǎn)型升級。

關(guān)于AI：你應(yīng)該擔(dān)心，但也不要灰心

大數(shù)據(jù)和人工智能，一前一后成為社會熱點，真有點“你未唱罷我登場”的感覺。隨著各大互聯(lián)網(wǎng)公司在人工智能領(lǐng)域的競爭開始進(jìn)入白熱化階段，互聯(lián)網(wǎng)以外的行業(yè)也紛紛加入戰(zhàn)團(tuán)。也有越來越多的人開始擔(dān)心，人工智能將來會不會搶走自己的工作?

“你應(yīng)該有危機感，需要擔(dān)心人工智能會帶給你很大的沖擊。”沈志勇在談到這個話題時，表情格外嚴(yán)肅。“但是你也不用太悲觀，因為人工智能暫時不會真的這么做。”

在沈志勇看來，人工智能真正的價值在于四個方面。第一，改變了人機的交互方式(基于語音交互的智能家居等);第二，賦予機器類人的識別、判斷力，讓業(yè)務(wù)流程變得高效(車牌識別抓違章等);第三，讓非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化，為大數(shù)據(jù)提供更多數(shù)據(jù)(圖像、語音、自然文本的理解等);第四，提供人力資源供給側(cè)不足時的輔助與補充(醫(yī)療、教育、法律、金融等專業(yè)領(lǐng)域的機器人輔助等)。

關(guān)于第四點沈志勇認(rèn)為，在未來，人工智能不會去“搶”工作，而是首先去“輔助”工作。在他看來，當(dāng)今社會，人類依然還被看病難、打官司貴、教育資源匱乏等問題所困擾，這些本質(zhì)上是醫(yī)療、法律、教育等領(lǐng)域人力供給側(cè)資源的稀缺。在這些高度專業(yè)化領(lǐng)域，往往需要社會付出大量的時間去培養(yǎng)一個相關(guān)人才。比如在現(xiàn)代醫(yī)療體系中，一個合格的醫(yī)生通常需要5-10年的學(xué)習(xí)時間才能走進(jìn)病房。人才培養(yǎng)周期實在太過漫長。

人工智能會首先進(jìn)入這些行業(yè)，一方面輔助現(xiàn)有專業(yè)人員提高效率，另一方面幫助新從業(yè)者降低職業(yè)門檻。而說服醫(yī)院等其他行業(yè)的人們，擁抱大數(shù)據(jù)和人工智能的價值，就是沈志勇現(xiàn)在每天在做的事情。

聊到最后，DT君問沈志勇，做一個大數(shù)據(jù)技術(shù)的“搬運工”，是否意味著放棄探索“更高更強”的人工智能?會有遺憾嗎?

“其實，在讀博士時候，我的導(dǎo)師正是研究人工智能的學(xué)者。當(dāng)年正趕上人工智能的第二次衰落，導(dǎo)師跟我說，這個研究方向現(xiàn)在不好發(fā)paper(論文)啊。還有一個方向叫數(shù)據(jù)挖掘，這個領(lǐng)域非常有前途，不如你考慮一下?”于是，沈志勇就這樣與大數(shù)據(jù)結(jié)下了緣分。十幾年過去了，他對大數(shù)據(jù)的考慮愈發(fā)成熟，對行業(yè)的看法也更加深入。

沈志勇現(xiàn)在認(rèn)為，大數(shù)據(jù)和人工智能并不對立：“我個人投入更多的是數(shù)據(jù)驅(qū)動的智能。各個行業(yè)在完成信息化的進(jìn)程中，緊接而來的是高效的運用隨之而來的數(shù)據(jù)的價值，讓產(chǎn)業(yè)變得更加“智能”。”

如今，他更加相信數(shù)據(jù)驅(qū)動才是普世的方法論。“信息化帶來數(shù)據(jù)，互聯(lián)帶來數(shù)據(jù)的反饋閉環(huán)，反饋閉環(huán)帶來產(chǎn)品和服務(wù)的高效的優(yōu)化迭代。同時基于歷史數(shù)據(jù)中的經(jīng)驗規(guī)律，做資源的優(yōu)選和撮合，達(dá)到資源的優(yōu)化配置。這是最核心的行業(yè)需求。”

這位大數(shù)據(jù)的“搬運工”，硬氣地表示，要讓數(shù)據(jù)真正“燃”燒起來。

沈志勇博士，百度云首席數(shù)據(jù)科學(xué)家。曾任百度研究院大數(shù)據(jù)實驗室高級數(shù)據(jù)科學(xué)家。在進(jìn)入百度之前，任惠普中國研究院研究員。本科畢業(yè)于北大數(shù)學(xué)學(xué)院概率統(tǒng)計專業(yè)，隨后于中科院軟件所獲得計算機博士學(xué)位。他是大數(shù)據(jù)分析技術(shù)國家工程實驗室學(xué)術(shù)委員會成員，大數(shù)據(jù)流通與交易技術(shù)國家工程實驗室專家委員，蘇州市人工智能學(xué)會副理事長。他還是中國大數(shù)據(jù)產(chǎn)業(yè)生態(tài)聯(lián)盟,中國云服務(wù)聯(lián)盟，中國商業(yè)聯(lián)合會數(shù)據(jù)分析專委會，中國醫(yī)藥教育協(xié)會基層醫(yī)藥教育專委會，中國人才大數(shù)據(jù)聯(lián)盟專委會等機構(gòu)的專家委員。