导语：

两千多年前，毕达哥拉斯学派提出来一个概念，即“万物皆数”，虽然从今天看当时的发现过程，不免有其偏颇之处。但是它揭示了，万物之间的关系，都可以归结为数与数之间的关系。

几乎在同时代，老子也有类似观点，如《道德经》所云：道生一，一生二，二生三，三生万物。内中的含义是，事物的变迁规律，是一个数据从少到多，从简单到复杂，再从复杂归于简单的一个完整过程。这说明，人类很早就有了朴素的数据驱动思维。只不过，在电子计算机和互联网发展起来之前，人类从来都没有办法拥有足够的数据，去发现和掌握这个世界的运作规律。但今天一切都不一样了，我们将一去不返的进入一个智能化的时代，而大数据是一切的基础。1、历史的互相选择你可能很难想象，仅仅在几十年前，最早的计算机存储器，是由工程师莫齐利二战期间为军用雷达开发的一种存储装置，名为水银延迟线。其通过物理方法进行存储，而且需不断刷新，所以内存极小，大概只有几十比特。而今天，你在京东购买一块300元左右的SSD硬盘，就可以储存8796093022240 比特的数据。催生数据存储成本极速下降的，是人类对数据存储、处理、使用需求的极度攀升。虽然个人计算机在上世纪80年代就开始普及了，互联网在上世纪60年代就出现了军用版本，但真正带来数据井喷的，是只有十多年历史的移动互联网。移动互联网彻底解决了“在线”和“不在线”的问题，当智能手机、物联网设备开始大普及后，每个设备都永远实时在线，它们随时产生海量数据，而且更新速度极快。然而，就好像海水需要专门的设施才能提炼出合格的食用盐，数据也并非自动就产生价值，如果没有专业化处理并高效有序地存、管、用，数据就不会发挥价值，所谓的“数据资产”随着时间的流逝逐渐成为数据垃圾，成为社会和企业的负担。2009年1月7日，中国移动正式向社会提供3G服务，被认为是中国移动互联网的元年；无独有偶，腾讯也是在2009、2010年相继受到了极大的震撼，从此快速走上了自主创新的道路。

但是从需要大数据能力和练成大数据能力，并非一步之遥。但腾讯的优势在于，大数据平台作为腾讯底层的基础设施之一，每天必须处理千万级规模的离线数据任务及百万亿级别的实时计算，否则无法满足业务每天数以亿计的数据分析计算的需求，为了支撑这样的数据总量，腾讯大数据平台算力规模已经突破千万核，腾讯的大数据技术也在这样极限压力下的打压磨练中，逐渐形成了自己的产品格局和技术路线。2、TDW的三重门其实，真正让腾讯有启动大数据自研这个想法的，还不是微信，而是一款小游戏。2008年底到2009年上半年，QQ空间引入了“开心农场”业务，开启了疯狂增长的模式。从业务数据来看，垂直的增长曲线让业务人员乐得合不拢嘴，技术人员看着曲线却笑不出来。如何能快速构建全新的数据仓库，满足业务快速增长的计算需求，他们在努力寻找答案。也幸亏是2008年底这个时点，触发了腾讯去从底层升级自己的数据体系。否则，腾讯的大数据可能就接不住2011-2012年井喷的微信崛起，而如果没有微信的崛起，也就没有腾讯发展历史上的第二个黄金十年。当雷军在2年后被米聊的数据问题劝退时，腾讯却因为数据体系能够顶住（此刻只能说是顶住，还算不上闲庭信步）得以继续发展。如果单纯从分布式系统对算力的需求而言，百度可能是最高的。但从规模上来说，腾讯的数据计算量是最大的。这一点至关重要，正是因为基于未来数据还会几何级数的增长这个前提，腾讯的大数据自研，必须选择一个兼具效果和成本的路线，而如果另起炉灶，似乎就只有开源这条路了。万幸的是，当时的学术界里，正好存在一个相对较优的选择。具体的背景是，由于HDFS和MapReduce在Nutch引擎中有着良好的应用，所以它们于2006年2月被分离出来，成为一套完整而独立的软件，并被命名为Hadoop。到了2008年年初，Hadoop已成为Apache的顶级项目，并被多数很多大型互联网公司使用，比如雅虎。除此之外，HDFS有高容错性的特点，并且天生是设计用来部署在低廉的（low-cost）硬件上，这两点令当时的腾讯垂涎欲滴。而且，它具有强大的、可靠的性能，因为它假设计算元素和存储会失败，因此会维护多个工作数据副本，确保能够针对失败的节点重新分布处理，它还是以并行的、可伸缩的方式工作，能够处理 PB 级数据。当然，像腾讯这样体量的巨轮掉头，是非常不容易的。所以和许多伟大的工程一样，Hadoop在 2008 年底开始启动时，也就是从不同部⻔抽调了几个人，申请了一间会议室来封闭开发。这些人从 Hadoop社区里拉了一个分支版本，第一个集群的规模只有 30 多个节点。后来成为腾讯云副总裁的刘煜宏对笔者回忆说：“要说我们当时就规划好了一二三四代的产品，那是假话。我们技术的演进都是跟着业务的需求一点点往前走的。好几个参加TDW1.0版本的程序员后来都回忆，其实，他们内心很挣扎，2008年的中国程序员还考虑不到什么“卡脖子”的问题，只是每个程序员都有一个梦想——我为什么不能原创一个自己的大数据，而要用社区上的开源产品呢？但实话实说，当时腾讯的技术底子，还只能“拿来主义”。即使是“拿来主义”，也是很不容易的。因为当时腾讯主流的业务收入是电信增值，所以这帮人都是用C语言写计费系统的，而当时方兴未艾的大数据开源的主流是JAVA，所以也只好临时“自废武功”，从头练起。如果你在大型科技企业工作过，你会发现一个有趣的现象，那就是越牛逼的部门，就越不愿意迁移。因为人家原有的业务已经优化到了极致，迁移既会增加风险，也可能造成性能削减。所以每一次平台级的迁移，更主要的工作，往往是做业务负责人的工作，其次才是技术工作。TDW 0.1 版本就吃了这个亏，闭门修炼一年后，他们自己觉得，拿出的新版本，比那个从社区直接拿来的开源版本，在集群的性能、可靠性都有了质的变化，特别是对于HDFS的优化，让他们自信满满。但是第一炮就打哑了，那时腾讯内部由于没有统一的开发框架，每个业务团队又都有自己的开发习惯和开发语言，让开发协作出现了许多问题。幸好这时有一大一小两件事，救了TDW。大事，是马化腾从2011年开始推动腾讯的内部开源。内部开源的方式，让各部门可以相对自主选择较优的技术栈，这样就让无数门派渐渐的聚合成若干个主流门派，虽然还不是一统江湖，但整合的难度低了很多。“小事”就是腾讯大数据这帮人的自强不息，他们对 Hive进行了大手术，按照腾讯业务的组织架构和权限管理进行了适配，特别是进行了语法兼容。最后的结果，虽然没有达到“让业务一行代码都不需要改动就能顺利迁移”，但也空前的降低了复杂性。于是，厚重的部门墙开始松动了，从蓝钻业务开始，黄钻、红钻、QQ 会员等业务团队，一个业务一个业务地逐步迁移……一直到2013年，腾讯使用的基于某传统数据库构建的数据仓库全部下线，一个新的时代开始了。其实，腾讯大数据的三重进阶，也不是完全贯序进行的，而存在一定的并行关系。例如，第⼆代TDW平台，其中的一个核心能力的提升，就是有了实时采集系统，同时对底层实时计算引擎Storm使用Java重写。某种意义上，如果说第一代完全是自下而上推动的话，第二代则包含有某种自上而下的推力。我们谈到，腾讯这种数字原生的企业，天然具有某种数据驱动的思维。而“数据驱动”不仅意味着依靠数据来做决策，也取决于数据的提供效率。举例说，对于马化腾来说，在一小时、一天和几天的时间里得到自己需要的数据业务，对经营决策产生的结果，是完全不一样的。腾讯很早就有数据汇总的意识，一位资深员工回忆，大概在2006、2007年左右的时候，马化腾和刘炽平这个层面，就可以拿到当天的一些主要数据，形式主要是用邮件发送的报表。但是到了2011年——2012年之后，如我们在开篇中讲到的，智能手机开始迅速发展，手游业务快速增长开始手机快速发展的时候，老板的要求也随之变化。一个老员工印象最深刻的是，当时，天天酷跑上了一个新版本，仅仅半个小时后，公司最高层就来要数据，而当时的系统完全无法支持这种需求。另外，作为大数据的源点业务，广告系统也需要实时反馈，因为互联网广告是一个非常复杂的体系构成的，要在这个复杂的体系下，实现实时分析、实时预警、实时营销的全套实时数据提升，进而帮助商家和运营人员做好业务增长，这种数据驱动能力，在行业里能做到的屈指可数——当时腾讯就遇到了挑战。为了解决这个问题，大数据团队可以说是操碎了心——这并不是一个纯技术问题，而是一个经济学问题，即“弹性运力”问题。

据说，当年程维和柳青因为早晚高峰的加价被网友痛骂，他们无奈之下去只好去请教经济学家周其仁。周其仁听了以后说，这其实是一个经典命题，也就是说，凡是波峰波谷差距特别大的运输企业，一定要设置大量灵活的弹性运力，来削峰填谷。腾讯大数据的团队发现，其实很多问题，是习惯问题而不是技术问题。比如很多部门喜欢在晚上传输数据，原因是一般人认为晚上的带宽相对宽松。但所有的人都这么认为，反而使得一到晚上，带宽就特别满，就需要调集很多临时的带宽，造成成本高而效率不高。另外，以前的团队背对背研发，导致数据汇聚的中间环节太多，于是当时就做了一个实时的采集平台，直接从源头里面抽取数据。这样，所有的带宽因为减少环节和分摊在不同的时间，不但速度提升了，而且实时采集也达到了秒级，腾讯总办终于可以随时随地看到自己要的数据业务了，这是2014年。而时间到了2015年，第三代平台酝酿待发，这时候一个新命题出现了。3、大数据是一碗白饭公众对AI的认知，往往是开始于2016年的AlphaGo战胜人类棋手。但对于中国的AI前沿企业来说，2015年是一个关键年份，此时的百度，已经拥有了硅谷人工智能实验室（SVAIL）。而对于蒋杰来说，他的目标在于，2015年开始的第三代TDW，除了日趋成熟的通用大数据计算外，开始支持机器学习、深度学习等AI场景，Big Data与AI在平台层面逐步融合。而且，除了继续和开源社区进行交流和回馈外，这一代平台也将圆梦自研。笔者曾经和蒋杰讨论过一个问题，就是这些年大家讲的ABC合流（人工智能+大数据+云计算），到底是一个真命题，还是一个伪命题。蒋杰则毫不犹豫的告诉我，这不但是一个真命题，而也正是TDW在第三代自研实践中印证过的命题，更是腾讯正在延展的命题。他说：“我是这么来看的，数据需要存储、要有收集、还有很多分析的诉求。如果没有大数据的话，你快速的计算能力搭建在哪里呢？你分析的、训练的数据来源在哪里呢？所以我觉得对于ABC来说，大数据是每天要吃的白米饭，要想在上面加上鱼和肉，就可以通过AI和Cloud去创造价值，但一切的baseline都是大数据，这也是我们这么多年走过来的一条路”。他继续强调“白米饭”的价值——我们在上马大模型以后，能够带来广告GMV 20%的提升。很多人的眼光就始终停留在大模型上，但大模型只是肉，如果现在我们数据仓库的数据不是已经达到了EB级的话，大模型也很难达到这样的能力。蒋杰提醒笔者注意一个事实——在以前，大数据跟云是分开的两个体系，云专门有自己的云的集群，大数据有专门大数据的集群。而现在，基本上在大数据体系里面做到了实时跟离线的统一，变成了实时的湖仓一体的体系，这是腾讯这两年一直在追求的一个模式，也是最大的进步之一。再简而言之，腾讯大数据的第三阶段，首先还是数据加工，是先有大数据的处理（这里面有离线特征，也有实时特征），处理好的数据才能进入大模型进行训练，训练完了沉淀成能力再放到线上做推理，而和以前不同的，整个的过程已经充分的云原生了，这就是ABC的合流。

在这个过程中，一条主线是我们反复讲述的，那就是以Hadoop生态为核心的大数据的演进，从Hadoop开始到Spark到Flink，这种体系的发展，代表了离线计算体系逐步的终结和改变，现在，腾讯大数据是一个一体化的体系，已经没有离线和在线之分，而是湖仓一体的，SuperSQL来实现语法的标准化，对用户来说无需关心底层，一套标准的界面就能解决问题。更重要的是，在这个阶段里，AI的能力形成了——腾讯联合北大自研了AI框架Angel，这是非常难的一件事情。虽然全世界有无数的深度学习框架，但成为主流的只有TensorFlow、Pytorch等少数几个。自从2019年的国际地缘动荡，不仅中国的企业受到了各种各样的影响，GitHub、Node、React等开源平台针对俄罗斯开发者的严格限制，也给不少企业的产品开发、商业运作蒙上了一层不确定的阴影。在这样的语境下，软件的自主可控再度成为舆论场上的焦点，特别是作为AI基础技术的深度学习框架，更是聚焦了无数开发者的关切。深度学习框架属于AI的底层技术创新，一旦这些技术被套上枷锁，千行百业的智能化转型将被制约，甚至会影响国内第四次工业革命的进程。而Angel的诞生价值，不仅仅是大模型、广告业务增长这些光鲜的事实，它对于整个中国加速进入智能化时代，同样是重要的——因为中国的大部分中小企业并不具备专业的AI算法开发能力，开发定制 AI 模型绝不是一件容易的事，而Angel可以通过大模型泛化出各种能力，提供给千行百业使用。另一方面，腾讯贡献的不仅仅是技术，一般人较少看到的，是作为开源的受益者，腾讯大数据对于开源社区的回馈，早在 2014 年，腾讯就把自己的 Hive 版本进行开源，它对 Oracle 语法兼容等特性广受欢迎；高性能分布式机器学习平台 Angel 在2017 年就开源了，2018 年还进一步捐献给 Linux 基金会；2019 年，腾讯一口气开源了四大平台：实时数据采集平台 TubeMQ（捐献给 Apache 社区）、资源管理平台 TKEStack、分布式数据库 TBase 以及腾讯版本的 OpenJDK# —KonJDK。2022年6月，腾讯捐献的一站式大数据集成框架Apache InLong，已从Apache孵化器毕业成为社区顶级项目。这是一个从受惠者到施惠者完整的十多年，它链接起了2010年之后腾讯在自主研发上的投入，到2018年的科技向善（Tech for  Good）这个多方共建的研究、对话与行动平台。前者是后者能力的保证，后者是前者成果的体现。中国的信息化建设从无到有的工作是三十多年前开始的，那时候，我们基本没有选择——在实践案例和实施对标方向上，我们是以西方特别是美国的信息化实践为师的；在软件和工具体系上，我们同样也没有太多的选择，所谓的IOE化就是从那个时代开始。腾讯的技术发育则是近十几年的事情，它提醒我们，一个依赖别人的时代结束了，一个依靠自己的时代，必将也必须开始了。科技创新没有终点，中国已经在ABC领域都成为全球唯二的创新策源地，面向未来，腾讯大数据为代表的技术创新，将更多的站在全球技术的前沿，这也意味着可参考、可对标的方向会越来越少，这也要求腾讯为代表的中国企业，必须更加自立自强，适应从跟随到引领的转变，学会自己设定靶标和方向，迎来更多自主创新的成果。