2015年硅谷最火創業公司漫談：大數據、機器學習和人工智能

在一個開放共贏、協同創新的時代，互聯網呼喚的不僅是靈性商業，更需要有能級的企業家。所謂能級不僅是格局，更是使命、責任，和實時歸零的心態。

硅谷最火的高科技創業公司都有哪些?

在硅谷大家非常熱情的談創業談機會，我也通過自己的一些觀察和積累，看到了不少最近幾年涌現的熱門創業公司。我給大家一個列表，這個是華爾街網站的全世界創業公司融資規模評選(http://graphics.wsj.com/billion-dollar-club/)。它本來的標題是billion startup club，我在去年國內講座也分享過，不到一年的時間，截至到2015年1月17日，現在的排名和規模已經發生了很大的變化。首先估值在10Billlon的達到了7家，而一年前一家都沒有。第二第一名是中國人家喻戶曉的小米，第三，前20名中，絕大多數(8成在美國，在加州，在硅谷，在舊金山!)比如Uber, Airbnb, Dropbox, Pinterest. 第四 里面也有不少相似模式成功的，比如Flipkart就是印度市場的淘寶，Uber與Airbnb都是共享經濟的范疇。所以大家還是可以在移動(Uber)，大數據(Palantir)，消費級互聯網，通訊(Snapchat)，支付(Square)，O2O App里面尋找下大機會。這里面很多公司我都親自面試和感受過他們的環境。

有如此之多的高估值公司，是否意味著存在很大的泡沫?

看了那么多高估值公司，很多人都覺得非常瘋狂，這是不是很大泡沫了，泡沫是不是要破了，是很多人的疑問。我認為在硅谷這個充滿夢想的地方，投資人鼓勵創業者大膽去做同樣也助長了泡沫，很多項目在幾個月的時間就會估值翻2，3倍，如Uber，Snapchat上我也驚訝于他們的巨額融資規模。那么這張圖就是講“新興技術炒作”周期，把各類技術按照技術成熟度和期望值分類，在硅谷創業孵化器YCombinator 課程How to Start a Startup提到。創新萌芽Innovation Trigger”、“期望最頂點Peak of Inflated Expectation”、“下調預期至低點Trough of Disillusion”、“回歸理想Slope ofEnlightenment”、“生產率平臺Plateau of Productivity”，越往左，技術約新潮，越處于概念階段;越往右，技術約成熟，約進入商業化應用，發揮出提高生產率的效果?？v軸代表預期值，人們對于新技術通常會隨著認識的深入，預期不斷升溫，伴之以媒體炒作而到達頂峰;隨之因技術瓶頸或其他原因，預期逐漸冷卻至低點，但技術技術成熟后，期望又重新上升，重新積累用戶，然后就到了可持續增長的健康軌道上來。Gartner公司每年發布技術趨勢炒作圖，Gartner's 2014 Hype Cycle for Emerging Technologies Maps the Journey to Digital Business 今年和去年的圖對比顯示，物聯網、自動駕駛汽車、消費級3D打印、自然語言問答等概念正在處于炒作的頂峰。而大數據已從頂峰滑落，NFC和云計算接近谷底。

未來，高科技創業的趨勢是什么?

我先提一個最近看的一部電影《Imitation Game》,講計算機邏輯的奠基者艾倫圖靈(計算機屆最高獎以他命名)艱難的一生，他當年為破譯德軍密碼制作了圖靈機為二戰勝利作出卓越貢獻，挽回幾千萬人的生命，可在那個時代因為同性戀被判化學閹割，自殺結束了短暫的42歲生命。他的一個偉大貢獻就是在人工智能的開拓工作，他提出圖靈測試(Turing Test),測試某機器是否能表現出與人等價或無法區分的智能。我們現在回到今天，人工智能已經有了很大進步，從專家系統到基于統計的學習，從支持向量機到神經網絡深度學習，每一步都帶領機器智能走向下一個階梯。在Google資深科學家吳軍博士(數學之美，浪潮之巔作者)，他提出當前技術發展三個趨勢：

第一，云計算和和移動互聯網，這是正在進行時;

第二，機器智能，現在開始發生，但對社會的影響很多人還沒有意識到;

第三，大數據和機器智能結合，這是未來時，一定會發生，有公司在做，但還沒有太形成規模。他認為未來機器會控制98%的人，而現在我們就要做個選擇，怎么成為剩下的2%?李開復在2015年新年展望也提出未來五年物聯網帶來龐大創業機會。

　　為什么大數據和機器智能結合的未來一定會到來?

其實在工業革命之前(1820年)，世界人均GDP在1800年前的兩三千年里基本沒有變化，而從1820年到2001年的180年里，世界人均GDP從原來的667美元增長到6049美元。由此足見，工業革命帶來的收入增長的確是翻天覆地的。這里面發生了什么，大家可以去思考一下。但人類的進步并沒有停止或者說穩步增長，在發明了電力，電腦，互聯網，移動互聯網，全球年GDP增長從萬分之5到2%，信息也是在急劇增長，根據計算，最近兩年的信息量是之前30年的總和，最近10年是遠超人類所有之前累計信息量之和。在計算機時代，有個著名的摩爾定律，就是說同樣成本每隔18個月晶體管數量會翻倍，反過來同樣數量晶體管成本會減半，這個規律已經很好的match了最近30年的發展，并且可以衍生到很多類似的領域：存儲，功耗，帶寬，像素。

而下面這個是馮諾伊曼，20世紀最重要的數學家之一，在現代計算機、博弈論和核武器等諸多領域內有杰出建樹的最偉大的科學全才之一。他提出(技術)將會逼近人類歷史上的某種本質的奇點,在那之后，全部人類行為都不可能以我們熟悉的面貌繼續存在。這就是著名的奇點理論。目前會越來越快指數性增長，美國未來學家Ray Kurzweil稱人類能夠在2045年實現數字化永生，他自己也創辦奇點大學，相信隨著信息技術、無線網、生物、物理等領域的指數級增長，將在2029年實現人工智能，人的壽命也將會在未來15年得到大幅延長。

國外值得關注的大數據公司都有哪些?國內又有哪些?

這是2014年總結的Big Data公司列表，我們大致可以分成基礎架構和應用，而底層都是會用到一些通用技術，如Hadoop，Mahout，HBase，Cassandra，我在下面也會涵蓋。我可以舉幾個例子，在分析這一塊，Cloudera，Hortonworks，MapR作為Hadoop的三劍客，一些運維領域，MangoDB，Couchbase都是NoSQL的代表，作為服務領域AWS和Google BigQuery劍拔弩張，在傳統數據庫，Oracle收購了MySQL，DB2老牌銀行專用，Teradata做了多年數據倉庫。上面的Apps更多，比如社交消費領域Google, Amazon, Netflix, Twitter, 商業智能：SAP，GoodData，一些在廣告媒體領域：TURN，Rocketfuel，做智能運維Sumologic等等。去年的新星 Databricks 伴隨著Spark的浪潮震撼Hadoop的生態系統。

對于迅速成長的中國市場，大公司也意味著大數據，BAT三家都是對大數據的投入也是不惜余力，我5年前在Baidu的的時候，就提出框計算的東東，最近兩年成立了硅谷研究院，挖來Andrew Ng作為首席科學家，研究項目就是百度大腦，在語音，圖片識別大幅提高精確度和召回率，最近還做了個無人自行車非常有趣。騰訊作為最大的社交應用對大數據也是情有獨鐘，自己研發了C++平臺的海量存儲系統。淘寶去年雙十一主戰場，2分鐘突破10億，交易額突破571億，背后是有很多故事，當年在百度做Pyramid(按Google三輛馬車打造的金字塔三層分布式系統)有志之士，繼續在OceanBase創造神話。而阿里云當年備受爭議，馬云也懷疑是不是被王堅忽悠，最后經歷了雙十一的洗禮證明了OceanBase和阿里云的靠譜。小米的雷軍對大數據也是寄托厚望，一方面這么多數據幾何級數增長，另一方面存儲帶寬都是巨大成本，沒價值就真破產。

與大數據技術關系最緊密的就是云計算，能否簡單介紹一下亞馬遜的Redshift框架?

本人在Amazon 云計算部門工作過，所以還是比較了解AWS，總體上成熟度很高，有大量startup都是基于上面開發，比如有名的Netflix，Pinterest，Coursera。Amazon還是不斷創新，每年召開reInvent大會推廣新的云產品和分享成功案例，在這里面我隨便說幾個，像S3是簡單面向對象的存儲，DynamoDB是對關系型數據庫的補充，Glacier對冷數據做歸檔處理，Elastic MapReduce直接對MapReduce做打包提供計算服務，EC2就是基礎的虛擬主機，Data Pipeline 會提供圖形化界面直接串聯工作任務。

Redshift，它是一種(massively parallel computer)架構，是非常方便的數據倉庫解決方案，就是SQL接口，跟各個云服務無縫連接，最大特點就是快，在TB到PB級別非常好的性能，我在工作中也是直接使用，它還支持不同的硬件平臺，如果想速度更快，可以使用SSD的，當然支持容量就小些。

是什么造成了Hadoop的流行?當時Hadoop具有哪些設計上的優勢?

看Hadoop從哪里開始的，不得不提Google的先進性，在10多年前，Google出了3篇paper論述分布式系統的做法，分別是GFS, MapReduce, BigTable,非常NB的系統，但沒人見過，在工業界很多人癢癢的就想按其思想去仿作，當時Apache Nutch Lucene的作者Doug Cutting也是其中之一，后來他們被Yahoo收購，專門成立Team去投入做，就是Hadoop的開始和大規模發展的地方，之后隨著Yahoo的衰落，牛人去了Facebook, Google, 也有成立了Cloudera, Hortonworks等大數據公司，把Hadoop的實踐帶到各個硅谷公司。而Google還沒有停止，又出了新的三輛馬車，Pregel, Caffeine, Dremel, 后來又有很多步入后塵，開始新一輪開源大戰。

為啥Hadoop就比較適合做大數據呢?首先擴展很好，直接通過加節點就可以把系統能力提高，它有個重要思想是移動計算而不是移動數據，因為數據的移動是很大的成本需要網絡帶寬。其次它提出的目標就是利用廉價的普通計算機(硬盤)，這樣雖然可能不穩定(磁盤壞的幾率)，但通過系統級別上的容錯和冗余達到高可靠性。并且非常靈活，可以使用各種data，二進制，文檔型，記錄型。使用各種形式(結構化，半結構化，非結構化所謂的schemaless)，在按需計算上也是個技巧。

　圍繞在Hadoop周圍的有哪些公司和產品?

提到Hadoop一般不會說某一個東西，而是指生態系統，在這里面太多交互的組件了，涉及到IO，處理，應用，配置，工作流。在真正的工作中，當幾個組件互相影響，你頭疼的維護才剛剛開始。我也簡單說幾個：Hadoop Core就三個HDFS，MapReduce，Common，在外圍有NoSQL: Cassandra, HBase, 有Facebook開發的數據倉庫Hive，有Yahoo主力研發的Pig工作流語言，有機器學習算法庫Mahout，工作流管理軟件Oozie，在很多分布式系統選擇Master中扮演重要角色的Zookeeper。

　　能否用最易理解的方式解釋一下Hadoop的工作原理?

我們先說HDFS，所謂Hadoop的分布式文件系統，它是能真正做到高強度容錯。并且根據locality原理，對連續存儲做了優化。簡單說就是分配大的數據塊，每次連續讀整數個。如果讓你自己來設計分布式文件系統，在某機器掛掉還能正常訪問該怎么做?首先需要有個master作為目錄查找(就是Namenode)，那么數據節點是作為分割好一塊塊的，同一塊數據為了做備份不能放到同一個機器上，否則這臺機器掛了，你備份也同樣沒辦法找到。HDFS用一種機架位感知的辦法，先把一份拷貝放入同機架上的機器，然后在拷貝一份到其他服務器，也許是不同數據中心的，這樣如果某個數據點壞了，就從另一個機架上調用，而同一個機架它們內網連接是非?？斓?，如果那個機器也壞了，只能從遠程去獲取。這是一種辦法，現在還有基于erasure code本來是用在通信容錯領域的辦法，可以節約空間又達到容錯的目的，大家感興趣可以去查詢。

接著說MapReduce，首先是個編程范式，它的思想是對批量處理的任務，分成兩個階段，所謂的Map階段就是把數據生成key, value pair, 再排序，中間有一步叫shuffle，把同樣的key運輸到同一個reducer上面去，而在reducer上，因為同樣key已經確保在同一個上，就直接可以做聚合，算出一些sum， 最后把結果輸出到HDFS上。對應開發者來說，你需要做的就是編寫Map和reduce函數，像中間的排序和shuffle網絡傳輸，容錯處理，框架已經幫你做好了。

　　MapReduce模型有什么問題?

第一：需要寫很多底層的代碼不夠高效，

第二：所有的事情必須要轉化成兩個操作Map/Reduce，這本身就很奇怪，也不能解決所有的情況。

Spark從何而來?Spark相比于Hadoop MapReduce設計上有什么樣的優勢?

其實Spark出現就是為了解決上面的問題。先說一些Spark的起源。

Spark發自 2010年Berkeley AMPLab，發表在hotcloud 是一個從學術界到工業界的成功典范，也吸引了頂級VC：Andreessen Horowitz的 注資. 在2013年，這些大牛(Berkeley系主任，MIT最年輕的助理教授)從Berkeley AMPLab出去成立了Databricks，引無數Hadoop大佬盡折腰，它是用函數式語言Scala編寫，Spark簡單說就是內存計算(包含迭代式計算，DAG計算,流式計算 )框架，之前MapReduce因效率低下大家經常嘲笑，而Spark的出現讓大家很清新。 Reynod 作為Spark核心開發者, 介紹Spark性能超Hadoop百倍，算法實現僅有其1/10或1/100。在去年的Sort benchmark上，Spark用了23min跑完了100TB的排序，刷新了之前Hadoop保持的世界紀錄。

　Linkedin都采用了哪些大數據開源技術?

在Linkedin，有很多數據產品，比如People you may like, job you may be interested, 你的用戶訪問來源，甚至你的career path都可以挖掘出來。那么在Linkedin也是大量用到開源技術，我這里就說一個最成功的Kafka，它是一個分布式的消息隊列，可以用在tracking，機器內部metrics，數據傳輸。數據在前端后端會經過不同的存儲或者平臺，每個平臺都有自己的格式，如果沒有一個unified log，會出現災難型的O(m*n)的數據對接復雜度，如果你設定的格式一旦發生變化，也是要修改所有相關的。所以這里提出的中間橋梁就是Kafka，大家約定用一個格式作為傳輸標準，然后在接受端可以任意定制你想要的數據源(topics),最后實現的線性的O(m+n)的復雜度。對應的設計細節，還是要參考設計文檔 Apache Kafka 這里面主要作者Jay Kreps，Rao Jun 出來成立了Kafka作為獨立發展的公司。

在Linkedin，Hadoop作為批處理的主力，大量應用在各個產品線上，比如廣告組。我們一方面需要去做一些靈活的查詢分析廣告主的匹配，廣告預測和實際效果，另外在報表生成方面也是Hadoop作為支持。如果你想去面試Linkedin 后端組，我建議大家去把Hive, Pig, Azkaban(數據流的管理軟件)，Avro 數據定義格式，Kafka，Voldemort 都去看一些設計理念，linkedin有專門的開源社區，也是build自己的技術品牌。

如果想從事大數據方面的工作，有哪些書籍和學習方法可以推薦?

我也有一些建議，首先還是打好基礎，Hadoop雖然是火熱，但它的基礎原理都是書本上很多年的積累，像算法導論，Unix設計哲學，數據庫原理，深入理解計算機原理，Java設計模式，一些重量級的書可以參考。Hadoop 最經典的the definitive guide。

其次是選擇目標，如果你像做數據科學家，我可以推薦coursera的data science課程，通俗易懂Coursera - Specializations

學習Hive，Pig這些基本工具，如果做應用層，主要是把Hadoop的一些工作流要熟悉，包括一些基本調優，如果是想做架構，除了能搭建集群，對各個基礎軟件服務很了解，還要理解計算機的瓶頸和負載管理，Linux的一些性能工具。最后還是要多加練習，大數據本身就是靠實踐的，你可以先按API寫書上的例子，能夠先調試成功，在下面就是多積累，當遇到相似的問題能找到對應的經典模式，再進一步就是實際問題，也許周邊誰也沒遇到，你需要些靈感和網上問問題的技巧，然后根據實際情況作出最佳選擇。

　談一談Coursera在大數據架構方面和其他硅谷創業公司相比有什么特點?是什么原因和技術取向造成了這些特點?

首先介紹一下Coursera, 作為MOOC(大型開放式網絡課程)中領頭羊，2012年由Stanford大學的Andrew和Daphne兩名教授創立，目前160+員工，原Yale校長擔任CEO。它的使命universal access to world's best education。很多人問我為什么加入，我還是非常認可公司的使命。我相信教育可以改變人生，同樣我們也可以改變教育。能不能把技術跟教育結合起來，這是一個很有趣的話題。里面有很多可以結合，比如提供高可靠平臺支持大規模用戶在線并發訪問，利用數據挖掘分析學生行為做個性化課程學習，并提高課程滿意度，通過機器學習識別作業，互相評判，用技術讓人們平等便捷的獲取教育服務。

Coursera作為創業公司，非常想保持敏捷和高效。從技術上來說，所有的都是在基于AWS開發，可以想像隨意啟動云端服務，做一些實驗。我們大致分成產品組，架構組，和數據分析組。我把所有用到的開發技術都列在上面。因為公司比較新，所以沒有什么歷史遺留遷移的問題。大家大膽的使用Scala作為主要編程語言，采用Python作為腳本控制，比如產品組就是提供的課程產品，里面大量使用Play Framework，Javascript的backbone作為控制中樞。而架構組主要是維護底層存儲，通用服務，性能和穩定性。我在的數據組由10多人構成，一部分是對商業產品，核心增長指標做監控，挖掘和改進。一部分是搭建數據倉庫完善跟各個部門的無縫數據流動，也用到很多技術例如使用Scalding編寫Hadoop MapReduce程序，也有人做AB testing框架, 推薦系統，盡可能用最少人力做影響力的事情。其實除了開源世界，我們也積極使用第三方的產品，比如sumologic做日志錯誤分析，Redshift作為大數據分析平臺，Slack做內部通訊。而所有的這些就是想解放生產力，把重心放到用戶體驗，產品開發和迭代上去。

Coursera是一個使命驅動的公司，大家不是為了追求技術的極致，而是為了服務好老師，同學，解決他們的痛點，分享他們的成功。這點是跟其他技術公司最大的區別。從一方面來說，現在還是早期積累階段，大規模計算還沒有來臨，我們只有積極學習，適應變化才能保持創業公司的高速成長。