想要再次“豹變”，獵豹得靠“深度學習”專欄
科技界一個老生常談的話題是，工具類產品粘度和活躍度不夠，用戶停留時長短，遷移成本低，這意味著若你相信“流量”二字的意涵正逐漸變成“用戶數X使用時長”，那么工具類產品商業模式的演化速度最好要快一些。毫無疑問，作為過去幾年中國工具類產品的范本，獵豹移動自然知曉這個道理。
北京時間8月19日，獵豹移動發布第二季度財報。財報顯示，獵豹第二季度總收入為10.467億元，同比增長18.1%，高于市場預期，算是走出了收入增幅下降通道。
其實連傅盛自己也承認，之前獵豹掙錢太容易了，“整個獵豹都處于一種過分自信的狀態中”，于是客觀因素之外（Facebook 廣告系統算法改變致使獵豹平均獲客成本驟增），當風口出現轉向，原本能更為迅敏地告別路徑依賴的獵豹稍顯遲疑。不過好在，經過意料中的波動，獵豹從工具轉向“堅定不移做內容”的戰略轉型看起來初見成效，財報顯示，Newsrepublic，Live.me幾款內容產品在海外表現都還不錯。
從工具到內容——就像女排的勝利不能單靠所謂“女排精神”，除了切換觀念與思維模式，獵豹轉型其實更需仰仗技術本身，其“豹變”驅動力勢必將落在人工智能和深度學習在底層算法的系統升級上。“我們以前把容易做的活都做完了，下一步其實是累活難活，也是需要很多的積累的活兒。”
傅盛這樣總結，而“累活難活”需要時間。
“內容為王”
談技術之前，先得簡述下內容之于工具產品的重要性。
新時代的常識是，商業競爭的本質日趨演變成搶奪消費者時間（這當然不是指工具產品的后臺駐留時間），一個有趣的腳注是，傳統門戶產品用戶數非常高，但平均使用時長遠落后于今日頭條——據報道，2016年8月今日頭條平均用戶每日打開時長已超過70分鐘，這是個可怕的數字。
嗯，當賣東西的阿里也開始淡化GMV而談論“用戶停留時間”之時，你就知道，過去集市般的客流生意已有些守舊，因為唯有注意力才是最寶貴的商業資源，尤其當人類邁入內容豐裕時代，稀缺的天平自然倒向用戶注意力，也讓搶占時間份額成為一切商業競爭的邏輯起點（不妨看看如今火熱的直播現象）——正因如此，通過工具抵達用戶，用內容留存用戶成為獵豹的戰略核心。
簡要復盤：2015年初，獵豹移動投資被稱為“海外小咖秀”的音樂短視頻社交應用Musical.ly；今年以5700萬美金收購全球移動新聞聚合服務提供商News Republic，后者與今日頭條一樣主打個性化內容推薦，獵豹也借此拿到包括美聯社，路透社，法新社，BBC等數千家新聞機構的正版內容；海外直播領域，獵豹在一季度上線社交直播應用Live.me，在iOS和Google Play社交榜中也都有不錯排名。總體來看，以文字作為切入點，同時在視頻（直播可被視作視頻的一部分）等領域布局——獵豹在內容轉型上選擇了相對“分散”的打法。
深度學習+內容分配
這需要技術為后盾。
作為一家產品技術驅動型公司，技術永遠是獵豹第一生產力，而它首先要做的，即是基于數據優勢為不同用戶精準推薦長尾內容。于是我們看到，傅盛用被他譽為“計算機歷史上出現過的最簡單，最美麗東西”——深度學習，重構了公司技術后臺，從傳統意義上的工具公司轉向一個人工智能技術支撐的平臺公司，獵豹必須跳躍過去。
事實上，傅盛對深度學習的信賴倒也符合邏輯。至少理論上，“喂養”這種多層神經網絡確實為獵豹這種數據海量的公司所擅長。
如你所知，廉價的并行計算，更好的算法，以及這一切的基礎——更大的數據量，讓六十年來不斷幻滅又重燃希望的人工智能時代近在咫尺。深度學習技術的出現降低了某種使用門檻，由于深度神經網絡“起點”相對相近，甚至形成特定領域后來者的彎道超車，因為它始于學界，落于企業，尤其是數據海量的大公司，理論上，只要你握有足夠多數據，即可實現對事物更準確的判斷。用傅盛的話說，“最后變成了拼誰有數據，誰有數據誰運算，誰運算的次數多，誰做的實驗多，誰就能看到結果。”而根據收益遞增原則，一個以數據為血液的人工智能產品，越多人使用它就越聰明，就有更多人使用。
這也許是獵豹的契機，剛剛公布的財報顯示，截止2016年6月30日，獵豹移動產品全球范圍內已下載安裝到30.99億臺移動設備上，移動端月度活躍用戶規模達6.23億（其中79.4%的移動月度活躍用戶來自歐美為主的海外市場）。這確實是個值得炫耀的數字，可以想象，建立起深度學習核心技術能力的獵豹可以向諸多領域擴展，與其他應用結合產生收益。
當然目前重中之重仍是內容。在我看來，News Republic將成為獵豹產品矩陣的核心。收購News Republic之后，獵豹把他們的技術人員拉到北京封閉開發，整個體系也都換成了獵豹自己的，傅盛相信，“我們的技術可以幫助它長足的進步，通過智能編輯，數據分析和挖掘等手段向全球用戶提供最新銳和廣泛的個性化新聞內容推薦。”
嗯，誰都知道，與一百年前“電器化”的過程頗為相似，人工智能將迎來與其他行業井噴式的嫁接與落地，這意味著它將以更為務實的姿態蔓延到一個又一個行當——自然也包括內容層面。目前獵豹就用深度學習模型替代了News Republic原有的專家模型，提高了用戶的轉換率；而在主播領域，獵豹人工智能的介入大幅降低了審核難度，減少了人力成本。
尤其是技術對內容的“篩選”。如前所述，商業最終瓜分的是用戶時長，讓用戶保持忠誠的關鍵無疑是提供精確且優質的內容，但當稀缺天平早已傾向于時間（365×24）而非內容一端，應對所謂“信息過剩”就成為必須。
幾種信息分發路徑倒是非常清晰：專業人士（通常是編輯），社交關系，和機器推薦——現在看來，機器推薦愈加指向未來。第三方監測機構易觀不久之前發布了一項頗為惹眼的數據：在2016年資訊信息分發市場上，算法推送的內容將超過50%。人工編輯的角色正走向式微。
不難理解，在愈加嘈雜的互聯網環境，人人都無比渴望最大程度降低搜索成本，直接給我最想要的信息才好，這種對機器“你懂我”的無限追求延續了人類在應對“信息過剩”時的兩種慣用戰術：過濾與搜索。追溯歷史，包括印刷媒介，圖書分類法，各種推薦系統，維基百科，社交網絡，搜索引擎在內，都是這兩種力量的變種。正如凱文·凱利所言：“未來很多行業都是過濾器，在海量對象中把無效的選擇過濾掉，讓人更好利用時間的過濾器。”——而在不少人看來，大數據或者說人工智能才是降低搜索和過濾成本，解決信息之困的不二之選。
事實上，在現階段，基于深度學習的人工智能本質上就是一個試圖用自動化解決問題的工具——這種“自動化”理應包括內容選擇。去年3月份，雅虎北京研發中心被裁撤，獵豹挖了一批雅虎研發人才，據說那批人即是為雅虎全球做內容個性化推薦的?？吹贸鰜?，基于數據優勢和研發能力，傅盛對內容“千人千面”這件事把握十足：“我們正致力于成為一家人工智能公司，用深度學習和人工智能重構我們的整個技術后臺，實現高維離散特征，真的可以實現每個人看到的內容不一樣，千人千面，每個人的興趣被挖掘出來。而不像以前就是打標簽，只有對類目的區分，而不是對興趣的區分。我們能夠通過技術的手段，海量用戶的數據去實現非常精準化的個性化的推薦，在全球范圍內實現這種內容的連接，這樣的話我們的廣告模式，才能真正地跑起來。”
當然了，今日頭條在先，這倒也不是個新鮮論調。但若進一步說，所謂“千人千面”自有高下之分，KK就認為，一個理想的“過濾器”應該符合如下特征：1，對每個人大量行為匯總分析，及時預測某個人的行為。2，知道朋友們喜歡什么，而那又是我現在不了解的。3，向我建議某些我現在不喜歡，但想嘗試著喜歡的東西。
在我個人看來，后兩者的相對缺失是現階段今日頭條遭到詬病的原因，這個時代，人們或多或少都會掉入自我編織的“信息繭房” 之中。而你知道，解決技術帶來的問題的方式永遠都是通過更好的技術——打破“信息繭房”亦如此。“今天如果有Low的內容，說明這個算法還沒有做好……我覺得深度學習的聰明是能夠超出想象，只是今天還在路上。”傅盛寄望深度學習能發揮作用，“里面其實包括兩部分：一個是興趣，一個是探索。它通過你以前的行為現在知道你有什么興趣，但給你的內容里面還有探索，但探索也是一個算法，它怎么知道探索得對不對，探索多了會影響你的興趣，這里面的平衡在哪里。我覺得這個技術的復雜度比當年搜索要復雜，這是肯定的。”
嗯，對于已將底座落于人工智能的獵豹而言，一切尚在模式摸索過程中，誰都知道人工智能會是下一個二十年顛覆人類社會的技術，其力量將堪比電與互聯網，但傅盛同樣深知，“人工智能就像所有的技術一樣，它只有一個紅利期。”
毫無疑問，這家從清理手機垃圾起步的中國公司，希望通過技術本身，握住這一輪技術紅利。
1.砍柴網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；2.砍柴網的原創文章，請轉載時務必注明文章作者和"來源：砍柴網"，不尊重原創的行為砍柴網或將追究責任；3.作者投稿可能會經砍柴網編輯修改或補充。
