Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
所有的model都是為了
但是decision不能光看一次的結果
而是要看你的策略好不好
很多時候這個結果是隨機的
你一個好的策略未必帶來好的結果
你要能學會在結果中正確歸因
才有可能去不斷的提高你的minimum model
很多時候我們需要人做決定
是因為我們發現了
數字不能告訴我們應該做什麼
如果只關注能用邏輯推導的東西的話
我們只會關注這個世界上的知識的非常小的一部分
然後這個世界上更大的知識
所以我們的邏輯或者公式沒有辦法capture了
大家好
好久都沒有聊數據的話題了
大家可能都忘了我的全職是一個數據科學家了
今天跟大家聊一個我最近意識到的事情
就是我們這一代數據科學家都被帶偏了
而且不光是數據科學家被帶偏了
就是我們這一代人關於數據的理解
可能都是被帶偏了
大家想一下
當你腦子中想一個數據科學家的時候
你想的這個數據科學家
他是在做什麼
當你腦子裡想到數據這個詞
或者說英文data data scientist
或者你叫data也好
你腦子裡面想的是什麼東西
你腦子裡面想的
是不是一堆數字和一堆公式
或者說你的模型
你的這個模型最後輸入的是一堆數字
最後輸出的也是一堆數字
但是最近AI大於模型
大家發現了嗎
這個模型它輸入不是數字
它的輸出也不是數字
它的輸入是文字
它的輸出也是文字
雖然你可以說它是tokenize
然後最後的模型中間是有各種各樣的matrix
它是進行了數學運算
但是它的輸入和輸出是文字
那我們回過頭來去想
文字tax它是不是data
它是不是數據呢
當然是
誰說數據是數字了
沒有人這麼規定
文字當然是數據
那我們再想一條知識
就是不光是文字
而是比如說一個事情和另外一件事情的關係
比如說一些correlation
比如說一些因果關係
這些是不是數據
其實也是
那我們退一步再想
一個模型它想要做到的東西是什麼
其實我對數據科學家和對於模型
它到底應該做什麼
我在每個階段是不一樣的
而且過去我還出了視頻去講
我對數據科學家的理解
我在讀博士的期間
我會覺得模型是一些精美的公式
這些精美的公式組合在一起
它能告訴我們世界上的一些規律
這就是模型
比如說大家如果看那個上面這麼多筆記的話
那都是關於模型的筆記
上面一條一條的公式
一個一個公式的組合
最後形成了模型
那我到了亞馬遜
開始學習機器學習
開始上Machine Learning University的時候
我那個時候就會覺得一個好的模型
腦子中想的是一個機器學習模型
它能吸收很多數據
然後它能學習很多數據
然後最後它能做非常準確的Prediction
然後我後來發現
就是你如果只是把你的問題
限定在Prediction Problem裡面的話
你其實能做的事情是有限的
我在之前的視頻裡面也講了
就是模型到底背後原理是什麼
它應用的範疇是什麼
所以它應用的範疇其實非常有限
它不能解答世界萬物
我到了Facebook以後
我對模型的認知變成了Mental Model
這是我們作為一個所謂的數據科學家
我們要做的呢
是理解世界萬物的聯繫
尋找其中的因果關係
最後我們形成了一個Mental Model
這個Mental Model可以幫助我們
用一個定量和定性的方式
去理解一個業務
比如說我當時就知道
我們業務正常的Conversion Rate
是什麼樣子
如果說我看到了一個
不尋常的Conversion Rate
我叫Pay Attention
我如果做了一個Subsidate的話
那大家的轉化率又有什麼樣的影響
我在心中就會做一個預測
而且這個預測和現實會大差不差
那我就覺得
OK我關於增長的Mental Model練成了
那我現在對Model的理解又更進一步
就是所有的Model都是為了Better Decision
你不管是依賴直覺也好
還是依賴你定量的分析
定性的分析也好
你最後是為了做一個決定
你這個決定做得好
你這個Model
不管它是Mental Model也好
還是Whatever Model也好
它就是一個好Model
如果你對這個決定做得不好的話
它就不是一個足夠好的Model
所以說在這個尺度上的話
衡量模型的好壞還是很簡單的
反而這樣的Model
是可以用經濟學最本質的一些公式去解釋的
就是你的Utility Function
你這個最後能不能獲得一個更高的Utility
如果能獲得一個更高的Utility
那就是一個好的Model
如果你不能獲得一個更高的Utility
那你這個Model就是不如別人
當然了
想要做到這一點其實是非常非常難的
我B站的20節課可能一大半都是在講
我們怎麼樣子建立一個更好的
可以幫助你做決策的Model
這其中還有很多的點是
你不能光看一次的結果
而是要看你的策略好不好
因為很多時候這個結果是隨機的
你一個好的策略未必帶來好的結果
你要能學會在結果中正確歸因
才有可能去不斷的提高你的Model
那我現在這個對模型的理解是不是終點呢
我覺得肯定也不是
再往上就是哲學甚至玄學的範疇了
你說易晶為什麼厲害
易晶它是不是就是可以幫助你
在一些非常不確定的情況下去做決策
可以這麼說吧
就是你模型越厲害
你需要的Input就越少
也許Train的時候需要大量數據
但是你做Inference的時候
你需要的Input是很少的
比如說我現在跟Chapitie說一大堆東西
最後他幫我產出了一個不錯的結果
那OK
但是如果說更厲害的Chapitie
是不是我跟他說一句話
你教給我怎麼賺錢
然後他啪就直接給我賺了錢
那就是最厲害的呢
我覺得不是沒有一些可能
就是我們這些世界
其實把它的數據不斷不斷的壓縮以後
最後就有一個特別凝練的模型
這個模型是具有很強的解釋力的
我跟趙志成
也就是物理博士寫了物理科普書的作者
在一期視頻裡邊
有對這個觀點進行非常深入的探討
我們也探索了物理和AI
是如何用兩個不同的方式
去不斷接近這樣一個目標的
所以說你覺得我在說玄學的話
不妨去看一下那期視頻
是從物理學和AI一個科學上的解讀
那好說完這些有的沒的
有點玄的東西以後
我這期視頻到底是要幹嘛
我要給大家表達一個什麼意思
大家聽了這個以後有什麼用
我覺得第一個用處就是
不要把自己的思維限定在數字上
你要關注文字
關注那些定性的數據
比如說你在研究一個產品
好不好的時候
你不能只讓可以被量化的東西
去帶著你的決定走
因為你的決定
如果說一個公式可以告訴你
因為A比B大
所以說我們就要去做A
那這不叫決定是吧
就不需要人去做決定了
很多時候我們需要人做決定
是因為我們發現了
數字不能告訴我們應該做什麼
我們是需要綜合很多其他的信息的
這裡邊比如說
你跟用戶收集的反饋
你做的Solid
然後你自己的Taste
以及你自己的品味
你的審美
和你長期以來積累的一些體感和知覺
這裡面我要強調一下Taste的重要
如果你去看喬布斯
張小龍或者很多就是很厲害的人
他們都非常強調Taste
我自己作為一個數學科學家
我也非常強調Taste
因為回到我剛才說
我現在對模型的理解
一個好的模型
就是能幫助你做出更好的決定
如果你有一個更好的Taste的話
你就更有希望做出一個更好的決定
那你如果有Quantitative Training
有這種定量的訓練
你能理解數據
然後你能把很多東西的相對關係搞清楚
這個很重要
但是你有Taste也非常重要
我們不要因為我們是從小到大學了數學
然後接觸了那麼多數據以後
我們就忽略了對自己Taste
對自己品味的培養
這個是不對的
這是一就是你要關注那些定性的東西
和關注對自己品味的培養
第二點就是少Bullshit
多Better Decision
就是多關注更好的做決策
我在視頻發東西
尤其我有一個關鍵的時候
早期還有很多人在下面說
你不是數據科學家嗎
那你怎麼不拿數字說話呢
我一般都懶得反駁他們
因為我知道他們的想法
實在是太狹隘太有偏見了
可是現在想想我應該提醒大家
就是大家不要對Model
對Decision的理解這麼狹隘
我們應該記得Data不光是數字
我們是數據科學家
不是數字科學家
第三就是對我的頻道的觀眾們有一個交代
就是你這樣帶著這個視角
你看我的很多視頻就能看出來
為什麼我作為一個數據科學家
我很多時候會有很多定性的論據
為什麼我的很多結論看似是注重感覺
注重Intelligence的
為什麼我對選舉很感興趣
這就是因為我覺得我們需要關注那些
數字解決不了的
或者說我們沒有辦法直接用邏輯推導的
因為我們如果只關注能用邏輯推導的東西的話
我們只會關注這個世界上的知識的非常小的一部分
然後這個世界上更大的知識
是我們的邏輯或者公式沒有辦法Capture的
沒有辦法捕獲的
也許哲學能捕獲一部分
也許玄學能捕獲一部分
也許感覺感知能捕獲一部分
也許直覺能捕獲一部分
那我們應該開啟我們在這些維度上的傳感器
從而能幫助我們做更好的決定
過上更有意義的人生
那就是我這些視頻的觀點了
希望對大家有所啟發
我們下期再見
拜拜