硅谷觀察之大數據篇【上】：挖掘機和“改變世界的”大數據公司們

硅谷的這一個月，我在 startups demo days 和各種大公司一日游中度日，以為會逃脫國內各種會上各種“大數據”和挖掘機的梗，但萬萬沒想到這里更甚。Hi~ 本文發自僅次于五道口的宇宙中心硅谷，與你分享大數據在這片土地上的真實生長狀況。

什么是“改變世界”的大數據公司

近兩周硅谷兩場規模比較大的 demo 大會上，就有十多家自稱做大數據的 startups，有做消費者行為的，有做體育分析的，有做 NGO 融資的，有做環保的，有做 UX 的，有做信貸評級的，當然還少不了做移動端廣告的。乍看都是高大上的產品，但仔細琢磨一下會發現一些沒那么高大上的細節。

比如，有一家介紹時候說 "Brings big data to teams, media and fans"，用的是Moneyball作引子。展示結束后詢問他們是如何分析視頻以得到各種數據的，demo 的哥們表示他們請了一些人看視頻的。沒錯，是人工。自然地，下一個問題就是：未來如何擴張以應對來自不同體育項目大量的全長錄像？他的回答也很簡單，雇傭更多人。聽完我懵了一下，問，那打算如何利用收集的數據呢？答曰：開放 API，自己不做分析。

那么，說好的大數據呢？難道有數據就叫大數據公司了？如果慶豐包子留存有這半個多世紀以來的購買者和交易記錄它就得叫大數據公司了？

是，但也不是。

先歸納了一下硅谷“大數據公司”的類型，有補充或修正的請拍磚：

• 數據的擁有者、數據源：特點是業務優勢能收集到大量數據，就像煤老板壟斷一個地區的礦一樣。其實大多數有能力產生或收集數據的公司都屬于這類型，比如Vantage Sports和收集了PB級數據的包子鋪。
• 大數據咨詢：特點是非常技術，提供從基礎設施規劃建設維護到軟件開發和數據分析等的服務，但不擁有數據，比如Cloudera這家不到500人的startup是最著名的Hadoop架構咨詢公司。
• 做大數據工具的：比如AMPLab出來的Databricks和Yahoo人主導的Hortonworks。
• 整合應用型：特點是收集擁有或購買一些數據，然后結合AI來解決更多實際的痛點。

所以回答之前的問題：是，因為包子鋪只要收集的消費者數據量夠大就能成為數據擁有者，有那么大的數據就有得到洞見的可能；不是，因為可能從真正意義上來說，大數據公司應該只屬于第四種類型：AI。

對，我相信未來是 AI 的，而 AI 的食物是數據。就像很多產業鏈一樣，最困難且最有價值的創新往往發生在接近最終用戶的那端，比如 iPhone。大數據行業最有價值的部分在于如何利用機器去處理數據得到洞見，影響組織和個人的行為，從而改變世界。收集和整理數據在未來會變得標準化和自動化，而利用 AI 進行分析的能力會變得更為關鍵。

再看硅谷主打 AI 的公司，現在大致可以分成以下三類了：1. 分析用戶行為，改進產品和營銷的，比如 LinkedIn 的推薦系統和用 iBeacon 實現店內營銷；2. 統籌大量分散個體，利用大數據實現精確有效的預測和規劃的，比如 Uber 和前段時間出現的 Amazon Fresh 及 Grub Market；3. 分析識別各種類型的數據，開發更智能的設備和程序，比如 Google 大腦及無人車和以 Nest 為代表的智能設備等。

這些產品都有一個很明顯的共性，就是在努力嘗試把機器變得更智能以減輕人類的工作量。這個目的與科技發展的動力相符合，因此認為之前所說的第四種類型的公司是最有希望改變世界的。

這樣的大數據公司需要什么樣的人

那么大數據公司，或者說到真正可以改變世界的大數據公司需要什么樣的人才呢？這里要介紹一個在硅谷被炒得很熱的高頻詞匯：數據科學家。

這個職位出現的原因并不是因為數據量變大了需要更好的方式去存取，那是數據工程師的活。那產生的原因是什么呢？正是為了匹配上面第四種公司的需要。數據是 AI 當中不可分割的一部分，而且量越大越好，從數學上來說，數據越多則我們越能夠有信心把從樣本分析出來的結果推論到未知的數據當中，也就是說機器學習的效果越來越好，AI 越來越智能。

由此誕生的數據科學家是一個非常綜合型的職業。它所要求的知識范圍包括分析數據的統計學，到算法的選擇優化，再到對行業知識的深刻理解。這群人是開發數據產品的核心。硅谷大部分 startup 已經把它當成是必需品了，以至于剛入行的新人也能領到差不多 $100K 的薪水。而模糊的定義和誤解也讓有的人戲稱，data scientist is a data analyst living in the bay area。

值得一提的是，數據本身的飛速發展從另一個側面其實也給數據工程師們的大數據處理帶來了許多挑戰。主要來源于以下的兩個方面：

• 數據量的急速增長。如今，數據的產生變得異常容易。社交網絡，移動應用，幾乎所有的互聯網相關產品每時每刻都在產生眾多數據。傳統的集中儲存計算方式顯然無法處理如此龐大的數據量。這時，我們就需要新的儲存方式，如云儲存，以及新的處理方案，如Hadoop這樣的分布計算平臺。
• 數據本身的非結構化。在傳統的數據處理領域，我們處理的主要是結構化數據，例如，Excel表格可以顯示量化數據等。而如今我們面對著越來越多的非結構化數據，如社交網絡的評論，用戶上傳的音頻視頻等。這些數據存在于包括文本、圖片、視頻、音頻等眾多的數據格式中，這些數據中隱含著眾多有價值的信息，但這些信息卻需要深度的計算才可以分析出來。這就需要我們利用智能化分析、圖像識別等等一系列新的算法來進行數據挖掘，這也就是“大數據”的挑戰所在。

目前硅谷的創業公司正在探索新的應用領域和方法，比如說物聯網這塊?，F在智能設備們才剛剛起步，Nest、被 Nest 收購的Dropcam、Iotera、emberlight等等都屬于少部分人的玩具。待到家家戶戶都安裝了智能冰箱、智能燈泡、智能桌子、智能沙發等等的時候，大數據的威力才會伴隨著巨大的使用規模而發揮出來。

另外一個角度就是人。如果把之前談的設備全部置換成個人的時候，他們的相互關系在各種維度上的交錯會產生一張巨大的網絡，其中的每個組成部分都由大量的數據組成。分析理解預測這些社會關系將會是大數據另一個有趣的應用方向，即Social Physics。不過按照從硅谷到全國的速度，感覺不管哪一方面的普及起碼得等上五年以上的時間。

展望一下未來的話，如果參照以前的技術革命和行業發展來看大數據，那么大數據的底層設施將會逐漸被隔離，被模塊化和標準化，甚至是自動化，而在其上的中間層和應用層將成為各大公司的數據工程師們激烈攻克的主戰場。

硅谷公司的大數據運行現狀

目前硅谷各個公司的數據處理水平和模式差別還是蠻大的。除 Facebook 等幾個很領先的公司外，大部分公司要么還沒有能力自行處理數據，要么就是正在建立單獨的數據處理部門，主要負責從數據基本處理到后期分析的各個環節，然后再送到公司內部的其他部門。

對于這些公司來說，建立一個單獨的數據處理部門可能還有還路漫漫其修遠兮。舉個例子來說，Facebook 有一個超過 30 人的團隊花了近 4 年的時間才建立了 Facebook 的數據處理平臺。如今，Facebook 仍需要超過 100 名工程師來支持這個平臺的日常運行?？上攵?，光是大數據分析的基礎設施就已經是一個耗時耗力的項目了。LinkedIn 大數據部門的建設也已花了整整六年。

普遍來說，各公司自主建立數據處理平臺存在著幾個難點：

• 沒有足夠優秀的數據工程師來組建團隊
• 沒有足夠能力整合數據
• 沒有易于操作的基礎軟硬件來支持數據分析

這幾個主要難點使得大數據分析越來越專業化、服務化，以至于我們漸漸看到一條“硅谷數據處理產業鏈”的出現。從數據的儲存，數據分析平臺建立，到數據分析，數據可視化等等各個環節的成本越來越高，這使得本身技術能力很強的公司都還是使用專業數據處理公司提供的服務，而將更多的人才和資源放到核心業務的開發上。

另外，就是各個公司對于數據處理的要求也越來越高。不僅僅需要有效的處理結果，也需要數據處理可以 self-service、self-managing、保證數據安全性、完善實時分析。這些諸多需求也使得專業化團隊的優勢更加突出。而這樣一條整合服務鏈的行程，也給眾多的大數據公司提供了機會。

硅谷是非常神奇的地方?？萍几拍钤谶@里也不能免俗會被追捧，被炒得很熱。但這種激情和關注某個程度上講正是硅谷創新的動力。即使存在很多投機貼標簽的人，即使一片片的大數據 startups 被拍死在沙灘上，即使 Gartner 預測大數據概念將被回歸現實，但相信會有更多的人投入到大數據這個行業，開發出更智能，更有影響力的產品。畢竟，大數據本身，不像一個單純的 pitch 那樣，它能夠保證的是一定可以中看并且中用。

在硅谷觀察之大數據篇的【下】中，我采訪了 Evernote AI 部門負責人 Zeesha Currimbhoy、LinkedIn 大數據部門總監 Simon Zhang，并會帶來三家美國知名公司的大數據發展狀況。通過這些，可以更具體地知道硅谷這些公司在怎么做一個好的挖掘機和如何“改變世界”。