TikTok大劫案:美国总统也抢不走的武功绝学是什么?

2020年7月30日，美国国会大楼。

高悬正中的大屏幕被分为了数个传输画面，画面上分别是苹果的CEO库克，谷歌及其母公司Alphabet的CEO桑达尔·皮查伊，Facebook的创始人兼CEO扎克伯格，和亚马逊创始人及CEO贝索斯。

这四家公司那时的总市值相加，超过5.7万亿美元，相当于英法两国2019年的GDP总和。

一名国会议员正襟危坐，皱起眉头，语气强硬地向这个世界上最有影响力的四个科技巨头提问：“请你们回答，你们是否认为，中国政府窃取了美国公司的技术？”

这是美国总统特朗普誓言必将封禁TikTok的几个小时之前。2020年所发生的一切，似乎都在创造历史。但扎克伯格在这场反垄断会议上炮轰TikTok的画面，注定将和整个事件一起，被载入现代商业社会的史册。

我们正在见证现代商业社会，最明目张胆的一次抢劫。

但绝大多数人还没有搞懂，这家中国企业到底掌握了什么样的技术，能让美国总统如此上心。



美国抢的是什么？

美国想要从字节跳动手里抢走的，到底是什么？

先给出我们的答案：不只是所谓的“算法”，而是数据+获取数据的能力。

为什么争夺的焦点并不是字节跳动所备受推崇的算法，我们后面再谈。首先我们先要弄清楚一件事：算法是什么？

算法和程序，是两个概念。简单来说，算法就是“解题思路”，而程序，则负责把这个解题思路，翻译成计算机能听懂并执行的命令。

我们平时用来写程序的各种语言，C++，Java，Python，就相当于英语，法语，温州话。但不管你用什么话来叙述一道题目，1+1=2是不会变的，同一个世界，同一个梦想。

以一道简单的数学题来说：已知两个条件：

a+b+c=1000

a2+b2=c2

求：a、b、c的所有自然数解。

题目不重要，我们有两种方法来解这道题。

第一种，列举，我把每一种可能性都列一遍，然后带入等式看是否成立。B站有一个Up主做过实验，这个算法在他的电脑上，跑出最终结果，用时共计1055秒，约合17.58分钟。如果你是人肉计算，可能要算到明天早上。

第二种，把c替换表示为“1000-a-b”的形式，然后带入等式求解；同样是这位B站Up主，第二种算法在他的电脑上，跑出结果的最终用时是：1秒钟。

算法二比算法一所用的解题时间缩短了超过1000倍。

▲ 改变一种算法思路，程序用时相差1000倍

通常更好的算法，解决问题的效率更高，同时解决问题时所占用的资源更少。好算法如同计算机界的袁隆平，我一亩地上长出的粮食可以养活1000个人，你一亩地只能种出10斤粮食，可能连10个人都养不活，这就是公司之间的技术差距。

摩尔定律我们耳熟能详：每块芯片上晶体管的数量每两年就会翻一倍，这使得电脑运行更快速，储存空间更大。但很少有人意识到，驱动各类系统的算法也进步了——美国总统科技顾问委员会的报告显示，在很多领域，算法所带来的进步，甚至超过了芯片所带来的进步。

站在这个角度，算法层面的优势，可以很直观地转化为一家商业公司的成本优势，这背后有惊人的商业价值。如果一家芯片公司可以估值超过1500亿美元，一家在算法领域优势巨大的公司为什么不可以？

问题仅仅在于，字节跳动的算法真的领先到了独步天下的这个程度了么？

不用疑问，我们现在就可以回答这个问题：在人工智能领域，世界上还没有任何一家公司的算法能够领先到这个程度。

也因此，美国人要抢的武林绝学，并不只是这套算法。



个性推荐时代的商业化启蒙

和普通人想象中不一样，字节跳动所依托的个性化推荐算法的基础架构，大约十来年前就是成熟的，这套基础架构某种程度上讲毫无秘密可言。

无论是头条，百度，谷歌；在中国，美国，欧洲，东南亚……几乎所有企业的个性化推荐系统，底层的基础都差不多，甚至有相当多著名的基础算法，本身就是开源的。

这种成熟，和两家我们再熟悉不过的公司有关，一是亚马逊，二是Netflix。这二者对每一个推荐系统从业者，包括张一鸣，都同样影响至深。

1998年，亚马逊创始人贝索斯决定通过算法，让计算机自动为顾客推荐相关图书。他们亚马逊将人类推荐和计算机推荐所创造的业绩数据进行了对比，结果发现：

人类惨败。

计算机智能推荐的业绩，一度占到了亚马逊总体业绩的35%左右。亚马逊成为了个性化推荐算法与商业化应用最成功的早期案例。

2006年10月2日，Netflix宣布了一场彻底改变个性化推荐技术格局的算法大赛：Netflix Prize算法大赛。

这次比赛，Netflix公开征集电影推荐系统的最佳算法，并承诺，第一个能把Netflix原有推荐系统Cinematch准确率提高10%的参赛者，将获得一百万美元的奖金。

那一年，北京的房价，还只有8000元/平米。100万美元，你甚至可以在北京市中心买个1000平米的豪宅，大小相当于两个半标准篮球场。

这个竞赛后来被称为Netflix百万美元竞赛，吸引了全世界186个国家，超过4万个参赛团队参赛，大量经典算法在这次大赛中被开发出来，Netflix接过了亚马逊手中的火炬，成为了个性化推荐引擎商业化应用的又一个代表。

那一年张一鸣21岁，刚刚从南开毕业，进了旅游搜索网站酷讯，做垂直搜索编程。我们无法得知这次大赛是否在年轻的张一鸣心中留下过什么火种，但可以肯定的是，这两家公司都算得上“开宗立派之人”，在张一鸣后来的采访和演讲中，也反复出现过亚马逊和Netflix的身影。



字节跳动抢不走的武林绝学

如今各大高校的推荐算法课程里，都喜欢把互联网分为三个时代：分类目录时代——搜索引擎时代——个性化推荐时代。

分类目录时代的巨头是各大门户网站，搜索引擎时代的代表是谷歌和百度，个性化推荐时代的代表，今天看来，是字节跳动。

在Netflix百万美金大赛的6年后，2012年的3月，字节跳动在知春路的一幢民宅里诞生。

那时，市面上有相当多的新闻软件，其中不乏巨头。腾讯新闻，网易新闻，搜狐新闻，哪怕是初创类公司，头条也有ZAKER这样在业界有名的竞争对手。所有新闻分发类的App，在应用端的呈现方式都相差无几。

但同样的外壳之下，今日头条却有着与其他对手迥然不同的底层逻辑和驱动力：AI。

某种程度上讲，字节跳动一开始，根本就没想做新闻。

在那个主流还在招收移动端开发人才的年代，创立字节跳动时的张一鸣，招的最多的人，是机器学习算法工程师。他要做的，是一套人工智能领域最前沿的应用：个性化推荐引擎——不是图片、段子、新闻，也不是短视频，就是推荐引擎。

但光有引擎是跑不起来的，总得把其他部件补全。底盘、车身、电气设备……做辆整车出来，才能开上路。

那构建什么样的应用场景，分发什么内容才好呢？

很简单：试！

亚马逊和Netflix能够被载入史册的一个重要原因，就是他们都是个性化推荐系统商业化应用的进程上，无法绕开的重要节点。这里的关键词，不是“个性化推荐”，而是“商业化”。

在字节跳动创立的初期，只有几个工程师的情况下，张一鸣就和这个团队一起做过数款app试水，这些app搭载同一套推荐系统，但分发的内容和应用场景各有不同，目的就是要找到市场反响最好的应用场景。

后来，从这十几个App里跑出来的，是搞笑囧图和内涵段子。这两个当家App和其他试水的App，又共同支撑起了最初的今日头条。

个性化推荐系统一般分三个部分：特征——函数模型——目标。

锌财经创始人、前猎豹移动全球内容总监潘越飞回忆，猎豹当时和今日头条是竞争对手，不同的是，头条上来就用算法分析，而猎豹那时还在用人工推荐系统。那时头条的人均使用时长是20分钟，而猎豹的人均使用时长只有5分钟。

后来猎豹开始使用基于纯热点的推荐算法，人均时长增长到了10-15分钟；使用了头条类似的个性化推荐算法之后，很快超过了20分钟。猎豹后来花了三、四个月，试图进一步提升人均使用时长，但最终，这个数据定格在了30-35分钟的区间，头条这时的人均时长已经突破了40分钟。

原因主要在于上述三个部分中的第一个部分：特征。

要让一套算法给用户推荐最合适他们的内容，首先，要让算法理解这些内容是什么。机器对内容的理解越准确，后期做匹配时也就越精准，整个系统的成长性和可拓展性也就越高。

▲ 常见的五种特征类别

潘越飞说，在初期的阶段，对于特征的理解，看不出太大的差异，大家跑得都很快。但越到后期，这种细节处理能力，就会慢慢凸显出来，最终造成难以追回的差距。

当今日头条上了视频的时候，它的人均时长一下子从40分钟，提升到了1小时15分钟。

“猎豹放弃了这个项目。”因为从图文到视频，几乎又要重新做一套新的特征工程。这个工程量惊人地大，大家在评估之后发现：“做不到了。”

但字节跳动不一样。

还记得么？字节跳动一开始的目标，是做一个“个性化推荐引擎”。

金庸写《倚天屠龙记》里说九阳神功，是“天下诸派内功不出其籓篱”，字节跳动做的这套引擎，就想努力开发一套用之四海皆准的推荐系统架构。

一如设计发动机一样，没有人会想要设计只有一辆车能用的发动机，我们都希望设计一台只要通过简单调试，就能装在所有车型上的发动机。

为了能够迅速试验迭代，找出更合适的应用场景，字节用同一套推荐引擎，搭载过数款App进行试水，它的个性化推荐本就不是单纯为了图文形式而准备的。而当风口从图文，转向短视频，字节跳动埋在血脉里的优势开始爆发出巨大的能量。

在抖音上线之后才开始追赶字节跳动，一切都已经晚了。

“钞”能力也挡不住的天赋异禀

现在要回答我们一开始提出的那个问题了：为什么字节一直被推崇的算法，在这场抢劫中，并不是美国最重要的目标？

很简单：因为抢走了也没用。

个性化推荐系统的核心目的是两个字：预测。

比如世界上第一个机票价格预测网站Farecast，他们就通过行业机票预订数据库中的数据，综合每一条航线上，每架飞机上每一个座位一年内的综合票价纪录，来预测航班票价的。票价变动的原因有很多，但Farecast并不探究原因，只寻找规律。

我们说过，算法是解题思路，好的算法，节省时间和资源。但它最终决定的是效率，而不是准确率。

决定系统推荐准确率的，是数据量。

数据量越大，样本量越大，机器接受的训练量越多，最终做出的预测就会越准确。以Farecast举例，一开始这家公司预测的准确率并不是特别高，但到2012年时，公司积累了近十亿条价格纪录，其预测准确度已经上升到了75%，平均每张机票可以节省50美元。

TikTok的先发优势，确保了公司对其他竞争对手保持着数据量级上的碾压。不管是Facebook，还是腾讯，巨头们的钞能力，在绝对的数据量面前，都毫无疑问地失效了。即便是有完全相同的一套算法，包装成为另一个App和它竞争，也不可能达到同等的准确度。

这就像练武，算法是见招拆招的武功招式，数据是经年累月的内功修炼。就算招式练给你看，内力不够深厚，你也发挥不出效果。

自2012年至今，这套算法系统不断更新，字节跳动就像一个从出生起就不断修炼上乘内功的人，骨骼清奇，筋脉健壮，后天修炼的人很难追上它的进度。

有朝一日，骨骼清奇的少年去参加天下武林大会，前武林盟主发现你天赋异禀，再这样下去可能要威胁他的盟主之位，决定防患于未然，想要挑断你的手筋脚筋，废你武功。

但又看了一会，他发现你这武功玄妙，废了可惜，于是决定做一回丁春秋，用吸星大法，把你毕生所学都给吸到他自己身上。再不济，至少给你种个生死符，不管你武功多高，最后都要听命于他。

——这就是特朗普。

有幸的是，字节跳动有一个足够强硬的师门，最终如何尚未可知。



从“屌丝逆袭”到“天选之子”

如果说数据是这个时代的石油，那么以TikTok的受欢迎程度，抢走这家公司，就等于掌握了一条连接着全世界油田的输油管道。

有幸的是，过去的多年间，中国科学家和软件工程师们的智慧和努力，让这个管道现在掌握在我们自己的手里，不像半导体芯片和光刻机。

2000年，微软研究中心的米歇尔和埃里克，为了改进Word中的语法检查功能，做了一项实验。他们首先选定了4种常见的算法。

一开始：

A算法表现最差，准确率只有75%；

B算法表现最好，准确率达到了86%；

最佳和最差之间相差11%。

接着他们开始给这些算法添加数据量。当数据量从500万个单词，提升到10亿个单词的时候，情况发生了彻底反转。

A算法一跃成为最佳算法，准确率提升到了95%以上；

B算法成为表现最差算法，但准确率也已经提升到了94%。

最佳和最差之间相差只有1%。

这个实验结果意味着：即便算法不是最好的，只要我有压倒性的数据量，也可以在最终的准确率上碾压对方。而刚好，我们的算法不弱，在数据方面，还有着得天独厚的优势。

以2015年来说，我们每天可以从互联网上爬取到的中文内容的吞吐量，大约是600万条/天（图文）；美国大约是200万条/天，全欧共计50-60万条/天，印度共计50-60万条/天。

这意味着，一天中文内容的训练量，就超过了全球其他所有地区的总和。

领先如此之多的“训练量”，要是放在热血漫里，俗称：努力。

故事开始的时候，热血漫男主们看上去总不太像是天选之子，但通常看到某一个阶段，你才会发现，樱木花道天赋异禀；柯南出身推理世家；旋涡鸣人是四代火影的儿子；蒙奇·D·路飞一门显赫，祖父是海军中将，老爸是黑道大Boss……

不同的是，动漫男主们的出身无论如何都不可能由自己决定；一个企业的起点，却可以由领先于时代的前瞻性思维所决定。

乔布斯构建苹果产品矩阵的时候，核心的理念就是“数字中枢”，从iPod到iPhone，再到iPad，更像是一种产品上的迭代。iPod可以过时，但基于这个理念很快就有了iPhone，每一个开创时代的现象级产品，背后都是一个领先时代的理念在支撑。

欣慰的是，中国的企业也在努力用下一个时代的方式思考，做下一个时代的产品。比如华为鸿蒙，它做系统的逻辑就不是移动互联网的逻辑，而是物联网时代的逻辑。

你围追堵截，我可另辟蹊径；你废我武功，或许我不破不立。

科技没有国界，但科学家有。我们不惧开放，但封锁也未尝不是我们的好机会。 阅读原文