過去五年，阿里在全球人工智能的激烈賽道上悄然跑進了第一梯隊，背后一群以達摩院稱號對外示人的科學家群體愈發神秘撩人。

這是一群野心勃勃的科學家，親手打破旁人艷羨的舒適區，踏入充滿禁忌的未知地，只為尋覓更廣闊的舞臺。他們一生都致力「求證」，或于學術理論，或于技術價值，并愿意承擔隨之而來的冒險和境遇窘迫。

這五年，阿里經歷了人工智能技術長征的發端與突圍，而他們，也經歷了一場巨大的冒險與自證。

初見之時，你或許會訝異他們滔滔不絕地談起「買單」、「落地」、「規模化」等商業味濃厚的字眼，全然沒了學究氣，仿若一位身居一線的創業者心心念念……

直到你聽說過那段既艱難又幸運的歲月，一切便了然于心——唯有越了解真相，才會變得越務實。

人生的絕妙之處也在于此，改變他們的不是早年風光的求學路，也并非當下所擁有的物質地位，而是源于一次又一次被質疑和誤解后的絕地「自證」——不同于象牙塔里、試驗臺前的公示推理和仿真驗證，商業場上的「自證」需要拿出實實在在的業務指標和實際效果，正如阿里辦公區里那句隨處可見的標語——「NO DATA,NO BB」。

強壓之下的「自證」氛圍造就了科學家們近乎苛刻現實的技術價值觀。

待繁務卸下，他們重拾赤子之心，沉浸于算法公式和理論推理的樂趣。但人生并不總有自由浪漫的時刻，更漫長的是披荊斬棘的孤獨與煎熬。

通過和近十位阿里巴巴人工智能科學家的對話與交流，本文試圖還原阿里打造人工智能技術體系的荊棘路，以及路途中科學家們的內心征途。

1 .  既艱難又幸運
多年以后，遇上北京的霧霾天，漆遠沒準依然會想起那個加班的春節——西大望路的阿里媽媽會議室里，一桌人戴著口罩開著會，工位上的空氣凈化器呼呼作響，窗外是望不到對面樓的霧霾天。

回國前，漆遠已經在腦海中羅列過一連串的適應清單，以備回國后的各種挑戰，而「迷霧危機」大概是被遺漏的最重要的一條，它不僅來自于北京的天氣，還包括那個大膽的決定。 

漆遠曾走過一條無數理工男夢想的坦途：31 歲麻省理工大學博士畢業，39 歲成為一流大學終身教授，定居美國，擁有寬敞明亮的實驗室和獨棟別墅，一位美麗的太太以及兩個可愛的孩子，一年兩次固定的長假足以讓他兼顧工作和生活的完美平衡。

直到一次大膽的決定，漆遠親手打破了這種平衡。在拒絕谷歌、Facebook、百度等公司的邀約后，漆遠決定歸國到杭州工作，選擇了當時看起來「最沒有技術范兒」的阿里。

2014 年 9 月 19 日，時任阿里巴巴合伙人的王堅帶著漆遠來到紐交所，共同見證了阿里巴巴的上市，7 位敲鐘人全是阿里電商的買家和賣家，卻沒有一位是科學家。

面向華爾街，這家彼時市值 2400 億美金的公司并不滿足被定義為一家「電商公司」。他正在謀劃一個嶄新而宏偉的「想象力故事」，以便讓公司在未來獲得更強勁的增長動力。

他明白，前沿技術會是這個故事的主角，緊接著 iDST（數據科學與技術研究院 Institute of Data Science & Technologies）宣布成立，漆遠和金榕成為早期創始人。

但彼時彼地，故事聽起來不免有些冒險主義——中國互聯網市場仍處在模式創新的初級階段，一家以商業利益為本的企業憑什么打造技術驅動的研究院？國內幾乎沒有任何成功的營運模式可以參考。

未知的挑戰首先降臨到了早期創始人和研究機制身上。

漆遠，現達摩院金融智能實驗室 負責人

加入阿里后，漆遠接到的首個任務是打造一套大規模機器學習平臺，落地到淘寶的廣告平臺阿里媽媽。他清楚地記得，當時手里攥著兩千萬特征，14 天的數據。由于數據量太少，他計劃積累到半年數據后再啟動。

同時，他還提交了一份申請數千臺服務器的計劃。這并不是一筆小數目，直到現在一塊英偉達的計算卡仍然要價 2000 美金，計劃討論后就被否決了。

等了半年，服務器仍沒有撥下來，巧婦也難為無米之炊。「當時沒有 GPU 集群，整個集團都沒有」，漆遠說道，「同事們認為，『你們這幫教授老師過來，基本不懂業務，也不懂技術』」。

秀才遇到兵，有理說不清。漆遠的團隊陷入了不能「自證」的悖論里：沒有 GPU 集群，如何證明自己的算法和技術高效？不能證明自己的算法和技術高效，如何爭取到 GPU 集群？

漆遠曾試圖據理力爭，僵持狀態幾近半年，「團隊一度走在解散的邊緣」。

金榕是 iDST 的另一位創始人，美國密歇根州立大學終身教授，曾獲得過美國國家科學基金會獎（漆遠也獲得過該獎）——有超過 200 位諾貝爾獎得主都獲得過這個獎金的資助。

金榕，現達摩院機器智能研究領域 負責人

金榕帶領團隊為「聚劃算」提供流量分發的技術優化，團隊很自然地把低價商品排列在搜索和推薦結果的前列以提升成交量，卻忽視了對業務本質的理解——低價雖可刺激購買，卻讓目標用戶群從二三城市轉移到三四線城市。

「雖然 GMV 上去了，但產品的價值都變了」，金榕說道。

業務為技術開路，科學家們卻在無意中篡改了產品的內核，「短板暴露得非常明顯」，金榕談道。當時團隊多為研究背景，精通基礎理論，卻缺少業務理解和工程實踐經驗，所以看不到技術到產品中間的巨大鴻溝。

「你們要想在阿里發揮出真正的價值，就必須克服這些困難」，當時的阿里 COO 張勇找到金榕和幾個骨干說道。

既然不夠熟悉業務，那就去到第一現場吧！

于是，iDST 的早期科學家們兵分多路，以電商和金融兩大核心業務為首，深入到產品和工程里。金榕帶著團隊進入到淘寶和天貓的搜索事業部，漆遠和幾位同事去了螞蟻金服，做語音的團隊則留在了阿里云。后來這被稱為阿里科學家們的「上山下鄉」運動。

技術的覺醒并不止于高層，更早些，一股從下至上的創新力量就竄上了頭，內部創新的文化開始流行——「只要你的老大不反對，就是對你最大的支持」。

2013 年的十一國慶，李昊印象尤其深刻。他沒有旅游計劃，也不用回老家走街串巷，而是一人悶頭在辦公室里搗鼓。一連七天，他都在工位上敲打著鍵盤，像是著了魔。

終于，趕在假期結束前，他長舒一口氣——Demo 跑通了，由一塊 GPU 搭上一臺主機，純手寫的用于圖像搜索的深度學習算法。再簡陋不過的裝置，但結果令人欣慰——比傳統算法的準確度有了明顯提升。

正值第三次人工智能浪潮起勢，ImageNet 大賽進入到第三屆，深度學習教父 Geoff Hinton 和他學生設計的 AlexNet 在賽事中大放異彩，基于深度神經網絡的思路一舉解決了圖像分類的棘手難題，至此開啟神經網絡百家爭鳴的盛況，更深、更寬的網絡層出不窮。

李昊從外文網站上讀到這些消息時備受鼓舞，他博士畢業于中科院光電技術研究所，來阿里不到一年，滿腔學以致用的迫切。

李昊，阿里巴巴資深算法專家

早在 2010 年，谷歌豪擲 1 億美金收購圖像購物搜索網站 Like.COM，掀起全球圖像搜索的風口。文字搜索場景有限，圖片描述更為加精確，微軟、亞馬遜、百度紛紛出手，阿里也順勢投資了一家圖搜購物網站（現名為「淘淘搜」），通過識別圖片上的實體物品來索引網絡上對應的店鋪鏈接。

遺憾的是，隨著移動互聯網時代的到來，圖搜風口很快熄火，手機實拍圖的普及，讓搜索結果越來越不可控，圖搜應用體驗大幅受挫，不少創業公司瀕臨倒閉。

「實拍圖的比對相比 PC 的原圖難得不是一星半點，已經不是傳統圖搜技術能應付過來的」，李昊說道。

既然傳統圖搜技術已經無以為繼，那在視覺領域技驚四座的深度神經網絡能否奏效？為此，李昊花了整個國慶假期來驗證這個想法。

「他很興奮，一直給這個看，給那個看，非常大力地推廣」，李昊回憶起將Demo交給主管時的場景。就這樣，團隊爭取到一次向時任淘寶 CEO 展示的機會，這次是直接在手機端演示——手機拍照，實拍圖和庫里已有圖片做比對檢索，找到和相似的照片顯示——相比傳統算法提升了一倍。
很快，「圖像搜索」項目在 2014 年正式啟動，目標是落地到手淘（手機淘寶應用）平臺。剛來阿里三個月的潘攀被任命為負責人，兼顧算法、工程、產品的統籌，團隊力量充沛。潘攀畢業于美國伊利諾伊大學芝加哥分校博士，此前在美國三菱波士頓研究院、北京富士通研發中心從事視覺領域的研發工作。

潘攀，現達摩院視覺智能研究領域 資深算法專家

延續此前團隊推動的技術路徑，「圖搜」采用深度學習技術，隨之成為阿里歷史上最早采用深度學習技術并上線的 C 端應用產品。

和大多數互聯網公司戰略先行的思路不同，阿里在技術探索的早期并沒有大刀闊斧地批項目，而是從現有的核心業務盤子上找切口，克制而謹慎地實驗性驗證，然后才推動落地。

「當組織里的算法和研發比較少，更多是由業務和產品構成時，就決定了大家對于技術不確定性的理解會非常有限」，潘攀說道，「對于一家互聯網公司，做項目就一定要做出來，看得到結果」。

這是一個又艱難又幸運的過程，當行動早于認知，缺少資源、無人信任、無法施展等困境便接踵而來，這既是商業公司的盈利性質所決定的，也是新生事物萌芽期所必經的考驗。
但幸運的是，無論是自上而下的理想主義，還是自下而上的創新力量都得以保留，幸免于曇花一現的口號和想法。

火種尚存便可以燎原。

2. 坐在金山上啃饅頭
「坐在金山上啃饅頭」，這是漆遠加入 iDST 時聽馬云說過的話。金山就是阿里巴巴擁有的豐富數據。但是即便坐擁金山啃饅頭，也難以一口吃成個大胖子，「如果數據的價值不能被挖掘出來，那不過就是普通的土壤」。

隨著深度學習算法與模型的普及應用，「調參」工作成為大部分算法工程師的日常，淘寶和天貓的搜索團隊一開始也不例外。

因為深度學習算法的不可解釋性，很多基于該技術的方案就像是一個「黑盒」，模型中的參數選擇和調整成了一件難捉摸的事，往往意味著繁瑣而毫無頭緒，沒有技術含量。

在漆遠看來，光是調參遠不能建立起技術體系，「雖然屬于工程層面的工作，但仍需要科學的思想指導——最好的工程指導就是科學，否則你就只能是一名調參工程師」。

與漆遠秉持同一觀點的還有金榕。「原來我們都是做些調參工作，直到金榕老師來了之后才把我們帶上正軌」，李昊談道，「他常反問我們，深度學習為什么能奏效？你能從理論上解釋嗎？」
「圖搜」項目之后，李昊便來到了搜索技術部——阿里最為核心的算法部門之一。在這里，李昊遇到了前來深入業務第一線的金榕。

李昊當時的主要工作是為深度學習模型進行壓縮與加速優化，一般做法是套用現有模型，但金榕通常會提供新的思路，「他給了我們一堆的公式，讓我們去試」，但這一試就是三個月，也沒出結果。

當李昊和同事懷著忐忑的心情找到金榕，他并沒有因此責備，反而給予鼓勵，「如果三個月就能做出來，那就是太簡單了，繼續去做吧！」直到第四個月算法總算跑通。這套算法將Embedding 技術結合深度學習引入到搜索業務中，明顯提升了淘寶主搜索的 GMV。

李昊回憶，當時金榕還做了一套非常長的理論證明，證明算法是可收斂的，并在內部分享，「他當時給予我們的理論指導，正是我們所稀缺的」，李昊對此十分感激。

來到螞蟻金服的漆遠則接到了智能客服的項目，通過智能交互機器人來解決支付寶的客服問題。這一次，他順利很多，獲得當時集團客戶服務部負責人戴珊的支持后（戴珊是阿里巴巴早期創始的十八羅漢之一），很快爭取到了資金和資源進行技術的驗證。

在阿里科技發展早期，以阿里合伙人為代表，形成了一股來自理想主義的推動力量。

2015 年的雙十一，首次采用深度學習技術的支付寶客服實現了 94% 語音自助，這意味著有 94% 打來的電話不再需要轉接到人工服務，次年，這個數字提升到 97%。去除掉人工智能團隊的人員工資和計算資源成本，智能客服項目為公司節省了一個多億。

所謂「知人善用，人盡其才」，技術工具同樣如此，唯有了解 AI，才能用好 AI。

要在一家互聯網公司里樹立起對于新技術的認知和信仰并非易事，這為科學家們設置了一道又一道的障礙欄，甚至不可避免地造成了人員流失。

但回過頭來看，或許正是有了「上山下山」的共事經歷，才算是真正打通了「研發」和「業務」的對話體系，讓陽春白雪和下里巴人從此互融。

技術之后，便是產品工程化的進階挑戰。

哪怕有高層支持，也不意味著就此被保駕護航，伴隨而來的反而是更大的壓力。圖搜立項的第一年就設定了明確目標——日活過百萬，「打從立項之初就不再是實驗性的了」。

與初期的深度學習算法探索不同，后期的挑戰就像無底洞一樣填不滿。

「問題的關鍵在于，我們不是在做一個獨立的 APP，而是讓它落在手淘上」，潘攀說道，「而且還是阿里最為核心的業務平臺」。落地手淘，意味著圖搜需要調用手淘的底層接口，需要針對淘寶內部的鏈路架構做額外定制和調配，而淌通這些鏈路就是最大挑戰。

在視覺領域，大規模圖片的壓縮極其消耗算力，這為大規模的圖搜訪問埋下了隱患，一次意外報警讓潘攀記憶猶新。

一天，圖搜的服務器突然被拖垮，后臺出現報警。

經過緊急排查，團隊才發現，原來是淘系后臺針對圖像上傳的默認壓縮功能拖垮了服務器。默認壓縮主要針對低頻、小訪問量的媒體上傳需求，但并沒有考慮到圖搜的特殊情況——數據規模大，且需要實時識別，所以已經在前端預設壓縮功能。換句話說，淘系的圖片默認壓縮對于圖搜反而是一種負擔。

在發生警報之前，大家都忽略了這么細微的接口。潘攀談道，「很多時候就是這樣，即使我們自己考慮到位了，但如果要連接到更大的系統上，還是會出問題」。

上線并不意味著挑戰結束，比如，還有深不可測的入口。潘攀清楚地記得，圖搜第一次上線的位置是手淘的一個四級菜單里。「四級」，則意味著你首先要在首頁里找到「發現」，然后點開「特色服務」，點擊「更多」，再……

作為阿里最為核心的業務戰場，手淘的態度顯而易見——「愿意給技術機會，但也要求風險可控」。

機會需要爭取，更需要「自證」其價值。

從最初上線的數千日活，過百萬，過千萬，一直到突破 2000 萬，圖搜應用一路躍升為淘寶首頁導購類目的第一。但與此同時，外界的質疑聲不斷，「我印象特別深，每一年大家都在問，數據還能增長嗎？……你還在做呀？做啥呢？」潘攀說道。

不被理解似乎成為開拓者的宿命，漆遠回憶早期的探索時期，「當時對我最大的鍛煉就是，不被理解是正常的」。

這或許可以稱之為某種樂觀主義，但毋庸置疑，對于技術的信仰正是面對困境和誤解時不可或缺的堅實力量。

經歷過焦灼而艱難的資源「抗爭」后，漆遠手中的分布式機器學習平臺終于啟動，為了盡早讓平臺上線，團隊放棄年底休假，春節期間留守奮戰，骨干密集開會頭腦風暴。「當時切身地感受到了團隊的戰斗力，大家真的是非常相信，只要上線效果一定能好」，漆遠回憶。

雙十一期間，平臺首次實現淘寶、天貓個性化推薦的大規模應用。那一年的阿里巴巴集團算法大獎上，漆遠帶領 80 人的團隊包攬了 16 項獎中的 6 項。現在，漆遠作為達摩院金融智能方向的負責人，帶領團隊構建面向金融經濟場景的智能分析與決策技術。

另一邊，在經歷了搜索類目擴增、數據優化、算法迭代等多方面的升級后，「圖搜」項目完成三次入口躍遷，終于在 2015 年雙十一期間進入首頁。讓潘攀頗為自豪的是，圖搜的數據一直依靠自然增長，幾乎沒有調用過手淘的商業推廣資源。

入口升級的本質是一個不斷「自證」的過程，由技術和技術背后的推動者們在一次又一次的挑戰中完成，繼而固化下來成為阿里技術產品的迭代傳統。

不同于象牙塔里、試驗臺前的公示推理和仿真驗證，商業場上的「自證」需要實實在在的業務指標和實際效果，正如阿里辦公區里那句隨處可見的標語——「NO DATA,NO BB」。

高速增長的背后是兩年一次的系統大改，「阿里其實非常講究創新，我們一般都不炒冷飯」，潘攀說道，他將圖搜系統的發展分為三個時期，「每一次升級不僅是算法進步，而是整體思路的提升」。
「數據、系統、算法三個互為一體。對數據認知和處理方法的不同視角，催生了與之匹配的算法和工程系統，所以升級是整個系統層面的」。

項目早期，數據量少，還需要人工標注，所以研究為之匹配的小模型的系統和算法；隨后訓練數據解放，團隊嘗試通過用戶行為的三類數據（查詢數據、點擊數據、未點擊數據）分析出數據與排序間的邏輯關系，三元組的 Deep Ranking 框架生成，與之對應的訓練框架、系統升級迭代；去年，圖搜開始接入超大規模并行處理平臺，釋放數十億級數據的訓練能力。

與百度識圖、微信掃一掃、京東拍照購等市面上的其他圖搜應用不同，阿里更強調「通用化」能力，比如不僅能支持手淘所有的實體商品檢索，還包括二維碼、植物、垃圾等非商品的識別與分類。這些功能統統集成在圖搜一個窗口里，不用再二次跳轉，平均日活達到 2000 萬以上。

在研究員的成長道路上，經歷一次完整的技術工程化落地的意義重大，它不僅錘煉了實戰能力，更為其提供了深入了解業務所想、業務所需的窗口。

「這段經歷讓我們明白了應該創造和推動什么樣的技術，知道哪些技術更有可能落地成為產品，以及如何讓一個產品能夠有效地支撐業務」，金榕談道。

可以說，從研發到業務的實戰積累正是阿里打造AI 技術落地體系的基石。

如今，這套思想貫徹到阿里大大小小的技術思路中。比如，在語音技術團隊今年推出的語音合成技術 KAN-TTS（Knowledge-Aware Neural TTS）中，團隊就事先考慮到了不同環境下的模型部署環境，并進行框架設計和效率優化，綜合各項需求的關鍵算法改進多達20余項，最終實現了無論是在云端還是終端，甚至是 CPU 存儲有限情況下的最快速度部署。

一項技術能否在設計之初就考慮到項目部署階段遇到的各種實際問題，正是技術落地體系成熟的重要標志。

3. 中國研究院沒有Benchmark
「它是阿里巴巴國際化業務的技術生命線，如果沒有這些能力，阿里巴巴很難稱之為一家國際化公司」，這段底氣十足的話出自司羅。

他是阿里達摩院語言技術實驗室負責人，帶領百余人的隊伍進行自然語言理解、機器翻譯、認知智能等底層技術的開發，這些技術被譽為人工智能皇冠上的明珠。

司羅，現達摩院語言技術實驗室 負責人

司羅專注于機器學習、NLP 等領域的研究，2012 年成為普渡大學計算機系終身教授后，一舉奠定了其在學術圈的地位。同金榕、漆遠一批，司羅在 2014 年加入 iDST，是阿里建立人工智能技術體系的早期成員。

相較于視覺、語音更貼近前端用戶的技術，語言則更偏向底層，以原子化能力的形式起作用，扮演著賦能和支撐的角色。正因為這個特點，它對于大型互聯網技術公司而言往往不可或缺，但技術團隊卻又是極其分散的。

既然如此，為何不集中力量打通？

于是，語言技術恰好成為了技術平臺化的最佳試驗場。

2016 年 10 月，對于司羅和 NLP 團隊而言是一個重要的時間節點。此前，他們忙于承接一個個「項目」，先后參與過「聚劃算」、「AIios」「淘寶頭條」等項目。

在這之后，司羅領到任務——將 NLP 的「大中臺」建立起來，換句話說，阿里各業務線的 NLP 不再各自為營。

為了讓其他業務線接入平臺，司羅采取了「品牌效應」的打法。

是的，在公司內部，同樣需要建立品牌，尤其在打造規模化平臺的過程中。

「首先要有非常貼身的服務，然后讓重點的頭部用戶用起來，逐步地讓他們認識到 NLP 平臺和解決方案的好處，再通過種子用戶將我們的技術價值傳播出去」，司羅知無不言地分享了品牌效應的打造「套路」。

而正是因為技術平臺化的出現，讓這只百余人的隊伍能夠支持阿里系 600余個業務方，每天調用量達到了兩萬億次。

這是 NLP 技術影響力從量變到質變的飛躍。

沿用同樣的思路，司羅帶領的另一條技術分支——機器翻譯技術也實現了規模化的業務支撐能力，為阿里全球化電商平臺上的買賣雙方提供 20 多種語言，48 種語言方向的機器翻譯服務，覆蓋歐洲、亞洲、美洲與中東地區的絕大多數國家。

阿里的圖搜應用在技術平臺化升級后，從最早的支持手淘平臺到目前落地到淘系的六個主流 APP，一舉成為全球最大的圖搜應用系統。「這是淘系業務的市場份額決定的」，潘攀說道。
從單個功能應用，到十個、百個、數百個的業務方支持，每天被億級用戶使用，技術平臺化的戰略得到了有效驗證與認可。尤其對于技術人員而言，通過平臺化的過程，單點技術的影響力不斷被泛化，技術的品牌效應不斷地被放大。

但對于當下的阿里而言，平臺化尚非終點，「上云」更是一片廣闊的天地。

阿里內部的海量業務和長期實戰的檢驗，為技術與方案移植到阿里云平臺提供了硬核實力。司羅表示，NLP 平臺和機器翻譯平臺已經先后在阿里云上的人工智能板塊上線，供第三方的云計算客戶使用。

從單純的技術算法，到集成為業務和應用中的產品，再到平臺化和大規模可復制化的云計算商品，這是一條阿里人自己走出來的 AI 落地路。

是時候將這條路子固化下來了！

2017 年 10 月 11 日，是阿里人工智能技術體系開宗明義的日子。

阿里巴巴 CTO 張建鋒宣布成立達摩院

杭州云棲大會現場，阿里巴巴 CTO 張建鋒宣布達摩院正式成立，計劃未來 3 年里投入超過 1000 億元，用于涵蓋基礎科學和顛覆式技術創新的研究。iDST 作為達摩院旗下最大的機器智能實驗室分支，由金榕任帶隊。

時至今日，再談大公司建立研究院已不是新鮮事，但適應于中國本土市場環境的成功模板仍然寥寥可數。

培養出中國最早一批 AI 研究員的微軟亞洲研究院被冠以「黃埔軍校」之名頻頻提起，投入巨大過于前沿的谷歌 X 實驗室、DeepMind，IBM Waston 研究院形象「高大上」卻不夠接地氣。

中國互聯網公司已經開始重點布局，但難以與公司業務平起平坐，百度幾大研究體系已被收編進技術平臺，騰訊四大實驗室依附于各大業務呈分散狀。

至于阿里，在達摩院之前的三年探索和走過的彎路為其積累了不少寶貴經驗，但如何乘勝追擊更進一步成為領導者的新命題。

在金榕看來，達摩院的設立主要有兩個目標：一是把達摩院的 AI 基礎能力（原子能力）放到平臺上支撐所有業務。比如阿里內部跟語音識別有關的業務都會使用達摩院的底層語音平臺，但會根據具體業務做定制化的改變。

二是上云，通過內部核心業務驗證后，用戶的接受度和滿意度達到一定指標，產品上云商業化，進一步放大價值，服務整個社會。

說到這，四年前王堅為金榕描繪 iDST 藍圖，三句不離「Benchmark」的畫面在我眼前浮現。
「我記得從第一天起，王堅就一直跟我們說 iDST 的 Benchmark 的是什么？」金榕說道。

（Benchmark，基準，常用于性能測試中的表達。）

王堅認為是斯坦福研究院（簡稱 SRI，1970 年脫離斯坦福大學后，更名為「斯坦福國際咨詢研究院」）。「那里的基礎研究和其他地方都不一樣，不僅創造出了最好的理論知識，還能把技術變成產品，產品收益再反哺到學術」，金榕回憶道，那時常舉的一個例子就是鼠標的發明。

不止于鼠標，從手術機器人到航天靜電放電棒，從個人助理 Siri 再到癌癥治療，二戰后的斯坦福研究所幾乎成了硅谷高科技公司科技創新的「智慧之源」，不僅創造了新的行業、數十億美元的市場價值，還有持久的社會價值。

「一旦看到收益，人們很容易就聚焦在收割單個業務的成果上，而缺少更深入挑戰的動力」，金榕認為這也是達摩院——阿里 AI 技術中臺設立的意義——跳出單個業務成果，讓技術更深入，再往前跨一步，用更少的人力實現價值最大化。

經過兩年的建設，達摩院人才濟濟，超過半數科學家具有名校博士學位，部分是美國、歐洲學成回國，辦公室分布在四個國家、八個主要城市，其中機器智能團隊擁有 20 多位知名大學教授，近 10 位 IEEE FELLOW。

而在達摩院之外，阿里還有一些更為分散化、業務化的人工智能能力，并非走中臺化的路子，但仍是不可或缺的一環。比如天貓精靈、搜索和廣告部的人工智能技術應用、螞蟻金服的客服機器人等，它們與核心業務方貼合地更為緊密，以便技術更快地產生效益。

要為這樣一支龐大而高規格的研究團隊設置課題并不是件容易事。

此前，我在與某公司 AI 實驗室負責人交流時，對方就曾透露過選題上的兩難局面——一方面既要兼顧業務需求和 KPI 導向，另一方面還不能忘記前瞻性研究和技術布局。

整日埋頭對接業務需求容易退化為業務部門的附屬團隊？但面對前沿課題的不確定性，究竟該冒多大的險，才能保證既有結果又具備開創性？

當我將同樣的問題拋給阿里的人工智能科學家時，得到了相似的回答，「這看起來是個問題，但在阿里就不是個問題」。

延續技術到產品、產品再到商業化的研究和落地機制，技術研發與商業利益的問題將得以平衡，而且必須平衡。

「在阿里如果只是發發論文、做做研究則意味著工作只做到了一半，無法獲得真正的認可，或者是比較低的認可」，潘攀說道。

與此同時，在技術平臺化與產品規模化的過程中，還伴隨著水到渠成的技術成果轉化。