AI战场，李彦宏马化腾马云都在刷脸，周鸿祎和他的360在想啥呢？

（注：图文为小编调侃，非两位大佬的话术）

作者 | 张明明

编辑 | 鸽子

昨日，朋友圈里被一张脸刷屏了，一张帅气儒雅毫不油腻的脸，一张足以上所有科技女记者边看演讲边写稿边花痴的脸。有媒体甚至直接发文，标题霸气道：“百度最牛逼的产品，就是李彦宏的脸”。

在如今的AI军备赛中，各大顶级科技巨头纷纷放大招，各掌门人也是勤劳站台：

百度的ALL IN AI, 李彦宏一张脸省下巨额公关费；

腾讯的AI IN ALL，马化腾刷的是低调奢华有内涵的脸；

马云的达摩院携10位全球顶级科学家，振振有词发誓，“即使阿里巴巴死了，达摩院也要坚挺地活着”，那是一张天下唯我独尊舍我其谁的脸；

还有造火箭、造特斯拉、造超级高铁、最近又搞起脑机结合的马斯克和连接全球十亿人的Facebook当家小主小扎，三天两头就因为AI威胁论展开论战，一个雄心勃勃，一个务实暖心，这两张脸也是朋友圈当之无愧的常客......

等等，有一张脸，似乎快被人忘记了，那是曾经与腾讯展开猛烈3Q大战，而后又声势浩大造安全手机的周鸿祎，这位一直以心直口快为人耿直随时可以唇枪舌战起来的红衣大炮的脸，我们似乎很久没有见到了。

360这个名字，在这场如火如荼的人工智能军备赛中，显得过于低调了。

我们禁不住想知道，360到底在放什么招？360在这轮新军备升级赛中，是不是落下了？以安全为生命线的360，是否优势尚存？人才储备到底跟不跟得上？

在近日由MSUP主办的第六届TOP100全球软件案例研究峰会上，100个案例现场分享，我们也见到了360的身影，360智能工程中心总经理邓雄在会上的演讲题目是《360推动AI技术平台变革》，其中就聊到了360的布局，为了进一步追问细节，AI科技大本营特意对其进行了专访，希望问个究竟。

其中，在人才储备方面，他提到“目前360中场的AI人才加起来有几百人，除了智能工程中心外，主要分布在AI研究院、大数据中心、云平台等中场部门。”

但从人数来看，确实算不上多。不过在谈到企业最需要的三类人才时，邓雄的回答非常精彩，他提到了360目前最稀缺的三类人：AI产品经理、AI工程师、AI研究者。

在产品经理这个点上，他又将其具体分为三个层次，用户产品经理，数据产品经理和所谓的整合型AI产品经理。

而AI工程师同样有三个层次：应用、算法、平台。

提到AI科学家，邓雄表示，“位于金字塔顶端AI人才年薪要高达千万。”

如今，所有科技巨头都在开启抢人大战模式，你是被抢的人之一吗？废话不多说，来看看这家互联网安全公司，到底在想什么，而你又是否有机会。

以下是关于360的具体采访及邓雄的演讲，AI科技大本营做了不改变原意的删节。

“AI变革”革的是工程师自己的命

AI科技大本营：您的演讲题目是《360推动AI技术平台话变革》，如何理解技术平台变革这个词，变革到底革的是什么？

邓雄：革的是人工智能工程师自己的命。

我来类比一下：

比如说AWS云，大部分企业需要用到基础的服务器、数据库存储、各种运算处理的计算能力的时候，你不需要再自己去买机器、自己去招技术运维，你用AWS云就行了。云计算其实革的是这些做传统运维、数据库等工程师的命。

那么AI平台化的过程也是一样，它让更少的AI工程师和产品经理去解决更多的AI场景问题。因为AI就像互联网一样，可以深入到各个业务。

举个例子：社交直播，这里面至少有80%的场景可以用到AI。如果每个场景都配一个AI工程师去做，那就需要很多人。要省人工，就得靠平台。随着平台化能力的逐步提升，完成同样的工作就只需要原来1/10的人力。这就是平台化带来的好处。

技术的发展，本身就是要革掉一部分传统人的命，比如说汽车发明之后马夫不见了，马夫失业了，当然，一部分人可以选择变成汽车司机。

人工智能的终极目标，就是让要更多人偷懒，让机器干活。

AI科技大本营：360目前在AI人才方面的储备是什么状态？现在百度阿里腾讯，包括新锐商汤Face++公司都在抢AI领域的资深人才，360在抢人才方面优势何在？

邓雄：目前360中场的AI人才还是比较有规模的，加起来有几百人，除了智能工程中心外，还有AI研究院、大数据中心、云平台等等中场部门。

首先，360是资深IT公司，产品技术已经沉淀多年，这一点优于目前大家知道的一些明星创业公司。

其次，数据方面，各个业务场景产生的数据比较多样，经过统一收集和整理后，优于不能共享各个业务线数据且业务类型单一的公司。

再一方面，人工智能是360的重要战略方向，这是趋势所向。

最后，360目前AI团队，例如智能工程中心，就吸引了很多有资深经验的海归人才，重点名校的博士，资深行业经验的AI系统架构师等。AI研究院还有颜水成教授这样的图像领域的世界级领军人物。

AI领域最稀缺的三类人才

AI科技大本营：如果列三类目前360最缺的人才，您觉得分别是什么？他们相应需要具备什么能力？薪酬待遇如何？

邓雄：就目前而言，最稀缺的三类AI人才是：AI产品经理、AI工程师、AI研究者。

产品经理是决定AI是否能够成功落地的关键。AI的产品经理和普通的产品经理是有实质区别的，产品经理也分为不同的层面。

• 第一类：AI产品经理

第一层，用户产品经理。他们需要清楚定位客户的需求，定位客户的痛点，分清楚哪些是刚性还是高频。

第二层，是数据（策略）产品经理。这类人才不但需要有深刻理解用户需求的能力，还要更进一步通过数据的方式去量化理解并产生针对性的策略方案，这需要大数据分析能力和数据思维。

例如，我们做花椒直播时，用户产品经理定义并满足知道用户的直播诉求，设计直播屏幕的大小、按钮摆放的位置等。数据产品经理会从数据角度来量化用户体验或变现方案，设计用户相关数据的收集、分析、展示、新优化方案等。

第三层，就是AI产品经理。在前述的数据分析和数据思维基础上，他们需要将AI技术与之结合，这就对前面用户产品经理、数据产品经理在技术上提出更大挑战，这类人不仅需要懂AI，还得能提出更精准更匹配的AI解决方案。

这类产品经理也是AI领域最稀缺的人才。

再拿直播举例，比如考虑在直播头上加一个虚拟帽子、虚拟眼镜等，AI产品经理首先要考虑的，就是AI能不能做到，能做到什么程度，怎么和娱乐场景结合。

• 第二类：AI工程师

当对智能产品提出新想法后，如何实现？这就是AI工程师的范畴了。AI工程师里面的紧缺人才也有三个层面：

第一层、机器学习/深度学习应用工程师。他们有很强的AI算法理解能力和应用经验，需要对AI技术现状非常了解，对常用的算法的优劣有落地级的切身体验。有能力根据一个产品AI需求选择最合适的算法，并提炼合适的数据特征去建模实现。

第二层、机器学习/深度学习算法工程师。一般来说，这些人大部分是AI科班出身，他们最重要的一个素质是对AI原理深厚理解和AI算法研发拥有落地经验。他们能够根据需求，研发出一个全新的更好的机器学习业务算法，或是将实验室里面大学教授的研究成果快速扩展到分布式计算环境、大规模数据环境。

第三层、AI平台工程师。平台工程师需要更关注AI工程化本身，工程化本身跟前面两者的区别在于，他更关注这个解决方案的可扩展性、易用性、鲁棒性等。这种人必须具备很强的工程背景，而且要有较强的后台引擎开发能力。如果做过类似广告引擎、推荐系统、搜索引擎、云计算平台等的经验，大部分的表现都会更好。

• 第三类：AI科学家

这类人才指的是已经在学术界、研究组织小有名气的AI科学家，他们特别受产业界欢迎。

李开复说“全世界懂人工智能的人不超过7千万，中国只有700人”，所以这七百人的薪资也是很高的。在这个行业中，有五年左右的大规模AI真实落地项目经验的人，年薪百万是没有问题的。

对于在学术界做到相对比较成功的大学教授，如果能成功转到产业界来说，这就属于金字塔顶端的人群，年薪甚至可达千万。

科技巨头争抢人工智能领地

AI科技大本营：这次大会总共分享了100个案例，你最关注什么案例？

邓雄：主要关注两个方面。

• 第一，AI应用落地的案例。现阶段，360在搜索、广告、视频直播、游戏、金融等都有用到AI，所以，这方面我会关注爱奇艺的案例分享。

• 第二，我很关注术界研究在产业界的具体转化的案例。

AI科技大本营：这两年内许多科技巨头都在争抢开拓人工智能领地，诸如谷歌、facebook、微软、百度等，就目前而言，哪个公司在AI上的布局尤其令您印象深刻，为什么？

邓雄：相比较而言，我印象最深的是谷歌。

他们许多技术可能超越现阶段二十到三十年。

技术领先，但又很开放。一个技术用了三、五年之后，他们会开放出来，然后掀起行业的革命。

360内部有一个核心团队，对标谷歌云平台的大脑团队。重心打得就是产品落地，落地到实际业务。

AI平台化将决定企业3-5年后的行业影响力

AI科技大本营：目前，BAT人工智能方面，都在全力布局，百度提出 ALL IN AI，腾讯在全球合作伙伴大会上也提出了AI IN ALL，阿里刚成立达摩院，360在人工智能方面感觉上相对“低调”了点。360在人工智能布局方面，战略是什么？

邓雄：这里重点说一下360的云脑团队，在AI落地上，主要是分四步走：

• 第一步，将技术变得可复用。

这一步，主要是将AI技术中已经成熟的单元用到搜索、广告和视频等垂直业务中，使得这种技术能够变成一个充分可复用的模型，避免出现重复造轮子的状态。

• 第二步，将垂直业务充分场景化切割，提升AI覆盖率。

我们会将360核心业务的主要和重要应用场景用AI来进行充分的实现。这个工作的关键在于充分理解业务和需求，并把业务需求和AI技术进行对接：哪些AI技术能解决好这个业务问题，能比传统方法更好。这个过程更多的依赖于我们叫“AI产品经理”的工作。

我个人有个论断“人与流程才是现阶段AI落地最大的挑战”，而在这个过程中，“AI产品经理是决定智能服务落地的关键，AI工程师则是支撑产品实现的基础。”

AI的覆盖程度高了，后段才会有更强的服务能力。

举个例子，我们现在做的可定制推荐引擎，就可以运用到很多垂直业务场景，如：推荐主播、推荐游戏道具、推荐金融产品、信息流推荐等。

这个系统最大的好处是，将这个AI原生技术与具体业务结合的效率大大提升。现在实施一个场景的推荐，只需要七天时间，这绝对大大降低了人力和时间成本。如果运用原来的单个AI技术，时间上需要半年以上，团队在20人左右，才能达到同样效果。

当然，也有难点，它受制于能否找到充分的推荐业务场景。所以，将现有垂直业务充分场景化是关键必要，当然推进起来非常困难。

• 第三步，AI技术平台化。

有了一定的服务于一些场景上的模型，就可以把这些模型组合起来形成一套解决方案，并逐步抽象为场景共同点，实现平台化解决方案。这套方案不仅受益于360内部，也受益于360外部。

除了前面提到的将推荐这种场景抽象后，形成可推荐引擎平台外，AI还可以在很多预测场景中实现抽象和平台化。这是360同时在做的AI预测建模平台，它通过简单的操作步骤实现预期目标，降低成本指数。

实现平台化，其实说白了，就是把AI应用建模工程师的人力不断减少，之前用20人去解决这个问题，现在2个人就行，甚至做的更好。

我个人的判断，“基础AI平台化能力，在大幅度提升企业内部业绩的同时，将成为3-5年后决定企业的AI行业影响力的关键。

• 第四步，商业化。

把AI进行输出，再用AI创造的营收来衡量这个阶段的成熟度，这就是360现在的状态。我们确实比较低调。

AI科技大本营：随着人工智能技术的成熟和大范围的应用，人们可能会面临越来越多的安全、隐私和伦理等方面的挑战。360作为国内最大的互联网安全公司，应该说优势很大，怎么转化这个优势？

邓雄：“安全”肯定是360毋庸置疑的优势，比如说前段时间勒索病毒，360的解决方案是世界范围内第一个。确实，这个优势也在逐步从“传统”的互联网领域衍生到更大的领域。用老周的话说叫：“360定义了一个“大安全”的概念，并不是把安全只狭义的定义成免费杀毒”。

这个大安全，包括城市安全大脑、家庭服务安全大脑、视频安全服务大脑、金融安全大脑等平台化解决方案。

说到优势，AI智能安全服务，这个是360的优势。

以下摘录来自360智能工程中心总经理邓雄在全球软件案例研究峰会开幕式上的主题演讲“360推动AI技术平台化变革”，内容不长，有干货，作为技术的你，有必要看一看。

AI发展的三个趋势

趋势一：我们认为未来AI会逐步常态化。

就像过去大家在谈互联网，在谈数据的时候，我们进入了IT时代，进入了数据时代。AI时代在我们看来已经开始显现雏形。未来它会带来巨大的商业价值，尤其是在最近一两年内，伴随一些核心技术的真实的落地。比如深度学习技术，比如算法、算例以及大数据这样一些人工智能所需要的基础设施或核心要素等等。

趋势二：我们认为AI真实落地最重要的一个点叫“场景化”。

简而言之，我们希望看到的AI不是一个虚拟的概念，它是一个能够落到具体应用场景的点。这个点覆盖面越大，它最终有可能带着整个行业、整个产业、甚至整个社会对于AI的接受度或者使用度。所以不管产业界还是整个社会上，都会逐渐产生一些新的产业，或者是对已有产业的升级。

举个例子，APP在逐渐取代网页的同时，也会被一些新的东西取代。消费者使用APP的数量逐渐降低，有可能手机装了很多APP，但真实使用的越来越集中。而这种集中最终有可能变成你甚至不需要它。

这个东西我们认为有可能就是未来的“智能助手”。它可能是一个硬件所带来的云端和终端互联的结果。它甚至到未来有可能会变成一个虚拟的接口，它有可能只会在你周围飘荡，像我们看到的科幻片一样。所以我们认为在未来的一段时间，智能助手这样一个形态会慢慢占据更多互联网入口。

第二个场景趋势是关于内容本身的。内容实际上是互联网一个更重要的基础。没有内容，所有的平台或者所有的应用都是虚的，不能落地。在过去一段时间，社交网络、视频及各种类型的业务中间，都是对内容本身所产生的价值。现在这些内容很大程度上是由编辑产生，不久会逐步由机器替代。随着很多机器或者AI所带来的技术的落地，会逐渐达到真人创造内容同样的质量。

趋势三：AI技术平台化。

我们认为如果有了场景，有了应用，有了技术沉淀后，AI技术会固化下来，平台化下来。就像我们看到的云计算一样，云计算在过去取代了很多运维工程师的工作。我们在AI整个大的图谱中间可以看到很多已经成型落地的应用。而这个平台最终能够带来效果就是把现在机器学工程师或者产品工程师的工作减少，减少，再减少。

AI落地面临的挑战

AI在落地等实际操作中会出现许多问题。在业务线上具体用AI解决问题的时候，我们首先根据业务方需求提炼数据，然后跟业务方的负责人来做沟通，共同把数据变成模型，最终把模型用到业务线上实现业务的增长。在这期间会出现一些问题，业务方要求迅速上线。上线完AI迅速见效。

其中需求相对比较杂乱，因为团队背景不一致。可能你是懂业务的人，但是你对技术或者对AI本身不是太了解；也可能懂AI，但是业务一窍不通。这个时候就会产生很多的非技术性内耗。同时跨团队，或者不同背景人组合在一起的时候，永远会产生人员不足的问题，永远觉得人很少。

数据是大而多的，可用的数据是少的。首先，直接用在建模或者AI上的数据是需要做很多前期工作的。建模的时候我们会发现场景缺乏梳理，来一个应用我们要做一个模型，再来一个应用我们要重新搜集然后再去实现。模型一旦开发出来后，模型效果的调试、诊断缺乏一套基础设施去支持它。模型的服务质量也需要去测试。

• 在业务侧：面对进度紧张，目标要求高，需求又不确定，可复用性比较少的AI现状。比较有效的解决方法是要做快速的建模、流程的模板。相当于一个业务需求不需要从头做，只要有一个模板支持它，就能够快速落地，实现业务的需求部分解决。

• 在团队侧：团队本身比较封闭，团队合作是以人头的形式来合作，之前彼此之间没有共识。甚至AI人员本身的缺口是很大的，所有公司都缺AI人才。这时候怎么办？整个项目必须协同管理，就需要用更少的人力成本实现更大的AI服务能力。所以我们认为人与流程才是AI实现最大的挑战。

• 在产品侧：产品侧的人可能很难理解AI，所以沟通上有很大的问题。加之产品的更新换代更缺乏有效的规范管理流程。只有把业务足够场景化，足够细化，才能降低产品落地成本。要想业务足够的长久，AI的产品经理是决定智能服务落地的关键。

在技术侧：研发工程师是支撑产品具体落地实现的重要一环，不能简单把技术或者AI的人员直接扔给业务线合作，其中需要一个好的使用和管理的规范。

360对AI落地的解决方案

这个解决方案是：AI技术平台化。AI发展的终极目标是提升业务，降低成本，业务创新，创造营收，更少的人做更多的事，甚至是创造更多的业务模式和场景。

AI的一个阶段图是根据不同公司的状态先复用成熟AI技术或者产品。我们360会跟学术界或者第三方机构做很多合作，然后进一步考虑怎么实现AI服务化，把AI服务能力达到指数级提升。

我们定义了四个量化的指标，来衡量AI到了什么阶段，以及每个阶段的能力是什么样的。

• 第一阶段：AI技术效果可量化。

• 第二阶段：AI服务场景化模型化。

• 第三阶段：AI平台的模块化。

• 第四阶段：AI产品商业化突破。

360平台化最终以云脑的形式呈现出来

这个云脑包括从基础的AI服务，到中间的应用平台，可定制的推荐引擎等。我们也在做自动的机器学习建模平台，让可应用的服务场景通过简单的拖拽就能实现服务。再进一步支持360业务线，形成各个行业协同。

比如在服务层我们对360本身许多业务进行直接的支持，比如说在平台级，基于可复用性把AI平台逐步平台化，我们希望用更少的人力去实现AI建模的技术。

通过这些具体工作，把360云脑的产品推出，最终实现AI足够的落地，实现真正意义的平台和未来的商业化。