今年，AI顶会CIKM的时间检验奖颁给了京东何晓冬博士创立的DSSM双塔模型，而这是他10年前的一个研究成果，也是今天智能推荐技术的基石模式之一。

DSSM并不是本文讨论的焦点，但它是一个窗口，它可以透视在10年前和今天，人们是如何用不同的方式去对待AI的创新，以及由此带来的截然不同的效果。

——导语

01

经得住时间检验的技术

老友何晓冬最近又拿一新奖，向来低调的他，也十分欢喜。我和他特意多谈了几句，引发了这次对他的访问和一些思考。

这个奖关系到一篇10年前发表的论文，论文的主题是关于DSSM 模型（也就是双塔模型）的提出（论文名为：基于点击数据学习用于网络搜索的深度结构化语义模型）。

所谓善战者无赫赫之名，在网上搜索DSSM模型+何晓冬，结果并不太多。

其中，大部分搜索结果只是提及，DSSM是2013年由微软在CIKM上发表的一个贡献。

CIKM，就是信息检索和数据挖掘国际学术会议 CIKM (International Conference on Information and Knowledge Management) ，是AI领域的“顶会”之一。

较少有人曾经由双塔模型而注意到何晓冬，可能和这样一个事实有关——就是这篇论文，当时过于超前，也十分的精短。

“2013年的时候，学界对这个（双塔模型）的工作，是有怀疑的。包括论文写出来后都还有些怀疑。我们论文最开始投是一个全的长文，最后审稿人给的意见是觉得选题很一般，建议我们要不投个短文试试，所以我们就改成短文投出去。可能因为是这个原因，投出去当时没有引发广泛关注，后面也陆续第一时间应用到我们在微软的工作里”，何晓冬回忆说。

但是，站在2024年这个角度再看过去，结果就完全不同了，无论在哪个AI开发者社区，你都可以读到类似以下的一段话——

DSSM在业界搜索引擎广告推荐方面的影响力，目前来说是超过其它几乎任何一个模型，基本上统治了召回/粗排阶段。在大模型领域，它更是无人不知。

十年窗下无人问，一举成名天下知。

而此刻的何晓冬，早已经从大洋彼岸的微软研究员，变成了今天的京东探索研究院院长、京东科技人工智能业务负责人。

目前波澜壮阔的数字化、智能化的热浪，使我们产生一种错觉——那就是只要是新的、好的技术发明，很快就能用于实践，很快就能够从实验室走向产品化、从产品化走向商业化。

这种认知是谬误的，或者至少是有偏差的。

一方面，经受得住时间和实践双重检验的论文，并不是那么多。

另一方面，即使一篇论文或一个科技成果，有很重要的理论价值和应用价值，但它能够被应用起来，也需要天时地利人和。

给大家讲两个小故事。

一个是我们现在每台智能手机、每台笔记本电脑里都装着的SSD（俗称闪存盘），给人的印象是这几年才推广的。但事实上，闪存盘这个发明的理论基础，1967年就有了。但时间流转到20年后，才由日本东芝的一位研发人员——舛冈富士雄发明了NOR FLASH，一种划时代的产品。

结果呈报上去，东芝根本就不重视，因为东芝当时的注意力都在DRAM方向上（一种内存）。

结果这位科学家又不屈不挠的搞出了NAND FLASH闪存，这就是我们今天所用的固态硬盘的基础介质。

没想到，这次东芝倒是有所表示了：奖励了他几百美元奖金，然后可能是觉得他有些刺头，把他调到了一个边缘岗位上，又是若干年。

直到在东芝度过了23年，从28岁变成51岁之后，舛冈富士雄选择了辞职。这时候闪存已经是一个千亿美金市场。

舛冈富士雄在2006年起诉了东芝，并索赔10亿日元。但结果很糟糕，他只拿到了8700万日元的和解金，折合下来只有几十万美元，而这本来是一个可以问鼎诺奖的发明，可以为发明者带来无穷的财富和荣誉。

其实，科学家的优秀科研成果转化，靠个人努力从来是艰难的。

我们可以看看刚刚获得2024年诺贝尔物理学奖的“深度学习之父”辛顿的例子，辛顿在2006年在深度学习方向的研究取得重要成果后，其实对如何推广这项技术也感到茫然。

于是，直到2012年，他才成立了一间小公司，但却对如何后续发展，并无做好准备。

辛顿的幸运是，由于当时人工智能产业的势头已经开始明显的抬头，很多企业都在密切关注能推动人工智能技术重大突破的新理论，这使得辛顿的公司在几乎没有任何实际业务的情况下，就得到了来自百度、谷歌的竞买。

这其中，最关键的时刻并不是辛顿在2006年做出的研究，而是谷歌决定请辛顿加入。如果没有谷歌平台上诸多场景对辛顿的成果的验证、实践和孵化，深度学习是否还有今天这么高的地位，谷歌是否能拿出一系列基于这个理论的产品，都很难说。

辛顿的戏剧性经历说明了，在技术转向应用的过程中，充满了种种的不确定性。即使在商业体系、技术体系更为成熟的地方，科研人员在推广自身研究并付诸于产业应用的路径，也仍然是不平坦和充满随机性的。

这也说明了，刨除纯粹的底层理论性研究外，检验一个技术是否是真正有价值的技术，时间只是表征，实际上还是真正在工业化场景里的应用价值，是对现实世界的变革的推动。

而这，可能才是何晓冬辞别美国的首席研究员、教授、博导等赫赫头衔，愿意回国来到京东的原因，因为这里有他想要的转化环境和条件。

“对于科研工作，而我不喜欢这种‘发完就不管’的做法，我希望看到它在真实世界里创造出价值”，何晓冬说：“而京东一开始就有这种氛围”。

02

范式转换：从科学创新到产业创新

何晓冬的履历其实比较简单，清华本科、中科院硕士、密苏里大学哥伦比亚分校博士，然后加入微软，一直从事语音识别、语言理解、图像与语言多模态信息处理等领域的研究，然后于2018年加入京东，担任副总裁，主管人工智能方向的技术和产品研发。

学术界的评价是，何晓冬是本领域世界级科学家之一，吴文俊人工智能杰出贡献奖获得者。他发表了200多篇论文，引用5万余次，并多次获得ACL杰出论文奖、IEEE SPS Best Paper等奖项。

这好像是一条从学霸到顶级学者，再从顶级学者到产业创新的重要人物的必经之路。

但是，我认识的太多AI牛人，走通了从学霸到顶级学者的路，却没有走通从顶级学者到产业创新的重要推动者的路。

这里面有太多的干扰项，但我觉得主要因素就是两个——个人意愿和工作氛围。

从个人意愿来讲，何晓冬选择来到京东，就是希望做出一些改变，对真实世界的改变——他在微软研究资源和环境宽松，整体上偏于纯研究，离应用比较远。“来京东是真正的上一线了”，他兴奋的说：“而且这里有非常丰富的场景，是能够做出一番成果的。”

从企业环境来讲，我见过的一些科学家进入企业后，往往不乐于带团队、背业绩，还是希望有一个相对简单的研究环境。

但何晓冬相反，他和我讲过，一开始就要带团队，而且要背业绩，虽然最开始也是如履薄冰，但“心里是欢喜的，因为你知道你所研究的技术有可能真正改变这个行业”；他说这话时，是由衷的欢喜——因为他在以前的环境里的任何研究，很多时候基本走不到能听到真实用户反馈的那一步。

被称为科技大佬必读书的托马斯·库恩的名著《科学革命的结构》里，非常清楚的描绘了这样一种场景，他认为——科学技术的突飞猛进催生了一系列的理论与技术创新，促使科学技术日益整体化，学科间相互交叉渗透的趋势大大增强，预示着人类文明史和认识史进入一个重要的时期——以往的科学更多地表现为个体劳动；现代科学技术的发展，促使这种劳动方式发生改变，它需要一群人一起努力，让科学制度化、专业化和集约化的程度大大提高。

而我也非常清楚的记得，何晓冬和我说过一番意思完全相近的话：“现在的AI研究，已经不是几位科学家在实验室就可以完成的了，而需要许许多多的人的跨界协作。技术在不同场景会产生不同价值，所以研究技术也需要许许多多的业务场景，这都是单纯在学术界得不到的，这也是吸引我以及类似技术工作者来京东检验我们的成果，甚至是检验真理的原因”。

03

ai加速落地，场景成关键因素

而让他在京东坚持下来的一个原因是，这里的研究和应用场景的联动，实在是太快了。

前面说到的双塔模型，何晓冬在做出理论设计、发表论文后，非常渴望得到在真实环境中的检验， “当年，经过一个全球副总裁的推动，才把这个技术呈现给了业务部门，中间历时一年。应用了之后产生效果”，何晓冬说：“这也是我来京东的原因。”

在京东，何晓冬的团队是一群更年轻、但更有欲望做出变革的年轻人。

何晓冬团队有很多80、90后，他们有的进入京东后，依旧聚焦自然语言处理（NLP）、语音识别（ASR）等AI技术的研究和产品研发；也曾有一段时间，这帮年轻人一边开发，一边仍执着于拿着自己研发的算法和论文，在各种排行榜上打榜。

然而，当他们拿着冲榜成绩以及国际会议和期刊论文，打算说服业务买单时，“无力感扑面而来”。再厉害的学术成绩，也要证明自己有应用价值。令他们印象深刻的是，当时业务反问的一句话：“可以为用户带来什么好处？”

后来，这个年轻的NLP团队开始对当时的“发现好货”频道进行技术攻坚，这是一个需要大量优质文案的板块，内容的好坏会直接影响用户种草下单的欲望。

幸运的是，在他们技术攻坚的过程中，不仅有极大的算力支持，还有海量、高质量的真实用户反馈信息，这是形成研发闭环的至关重要的环节。

同时，更重要的是，大半年的项目周期，技术上有几十个卡点，上下游涉及的成员从不做甩手掌柜，每周一次的例会，更像是密集攻坚的学术研讨。

不到一年时间，这个团队就率先攻克了多个技术难关。靠“发现好货”项目，团队还拿到了京东的技术金奖。

04

应用推动创新是AI发展的第一性原则吗？

目前，AI究竟该用什么路径发展，已经成为行业里一个争论的焦点。

一部分人认为，要想做出核心突破，就应该专攻底层技术，因为只有底层技术的积累，才能有上层应用突破的可能。

但这种路径的弊端是，AI发展太快了，以至于没有人能够说清AI现在的“底层技术”到底是什么，方向到底是什么。

“ChatGpt4出现，ChatGpt3.5就被人抛弃了。如果只是押宝某个技术方向、某个模型，在强手如云的行业里，随时会出局。除非你是顶级巨头，能同时去赌多个方向。但即便如此，这也不能保证你就是赢家。Chatgpt不是由拥有数万研发人员的谷歌做出来的，而是由只有150人的openAI团队做出来的，这个案例还不够深刻吗？”，一位AI的资深大咖这样对笔者说。

另一种观念认为，AI业者，一方面要保持对底层技术的敏感性，另一方面主要是关注应用方向，比如京东，结合自身的产业场景做各种AI+，反而收获累累。

任何业务的成功，都体现在是否遵循了符合自身规律的第一性原则。

比如特斯拉，在推动电动汽车的时候，远远没有今天如此发达的供应链，也没有一套现成的规律可以摸索。

但他们就是选择了自主建厂、自行研发电池系统、拿掉激光雷达……换言之，特斯拉成长背后遵循的第一性原理，就是用技术降本，将产品卖给更多人，获得更多利润，继续投入技术研发。

而京东AI的第一性原则就是问题导向、痛点导向， 跳出纯技术、纯学术的固有思维，针对现存矛盾突出的问题，探索本质，思考解决之道。

从挑战来看，自然语言处理是目前AI最成熟的领域之一，要想在强敌环伺之下杀出重围并不是一件简单的问题。

而从真实结果来看，这几年京东在AI上的进展，是肉眼可见的，他们在智能客服、智能外呼、数字人、AIGC营销等方面的进展都是巨大的。得到了用户用真金白银买单的认可、也拿到了中国AI最高奖——吴文俊奖。

没有什么比这个更能证明，京东的AI研究走在一条以应用反馈式创新驱动技术研究，再通过大量的实战积累理论高度的闭环之路。

“在解决AI应用落地的过程中，京东成为了AI大规模落地应用的一个很好的土壤。技术文化既有导向性又宽容度，这种氛围可以吸引更多的科技人才，京东也会成为AI前沿技术落地创新的策源地”，何晓冬说。