果说电台#107-最懂买房子的数据科学家
本期果说电台邀请到知乎大 V、数据挖掘和机器学习领域答主、在美国房地产领域互联网公司工作的数据科学家陈然，聊当前硅谷稀缺的职业：数据科学家，以及房地产企业如何应用数据优化决策流程。
这一期讨论的问题包括：
- 数据科学家都在做哪些工作？
- 为什么说有两类不同的数据科学家？
- 他们的技能树构成和工作性质有什么本质上的差别？
- 地产领域的互联网企业做数据分析都是在解决些什么问题？
- 买房子的过程可以从数据中得到哪些支持？
欢迎收听本期果说电台《最懂买房子的数据科学家》。
相关链接
文字稿
根据音频重新转写并校对；陈然（Ran Chen）的发言以底色标出。说话人由声纹自动识别，文字与归属仍可能有误。
转写所用的音频来源 · 时间戳对应此版本，不同平台剪辑可能不同。
00:10 人物A：果说让生活更多维，欢迎大家收听果说电台，我是火龙果。果说呢，是一个面向个人成长的知识分享平台。我们在荔枝喜马拉雅等音频网站上也有持续的内容更新。目前果说还有一个自己的网站叫guosuo.tv，也欢迎大家浏览。在果说的第二季节目中，我们会跟大家探讨叫两个理想主义者的创业故事，是想跟大家分享火龙果和奇异果两个人在创办自己企业之后的一些所思所想和一些，呃，收获吧。因为在这个系列的节目中，我们在跟大家持续探讨有关这个数据科学的问题。然后上一期呢，我们请到了马红旭，然后跟我们聊有关这个数据分析的学习啊等，呃，以及在这个美国大学，呃，做一些数据分析相关的工作的一些体验。
00:55 人物A：然后这期节目呢，我们特别荣幸地把马红旭呢，作为我们的特邀嘉宾，然后也特别荣幸地请到了一位知乎在数据挖掘和机器学习领域的这个优秀答主，陈然啊，也是知乎大 V。呃，欢迎陈然。
01:11 陈然 · Ran Chen：大家好，大家好。
01:13 人物A：呃，因为我们看你在知乎上分享了很多关于这个数据科学、数据分析，包括机器学习的一些文章和见解，觉得你在这块是深有研究啊，所以想跟你聊一聊硅谷最稀缺的职业，就是有可能大家都已经知道了，就是数据科学家在现在目前来说是非常非常抢手、稀缺的。啊，你对这个数据科学家这个职业，或者说这个数据分析师这个职业是怎么看的？
01:43 人物C：嗯。
01:44 陈然 · Ran Chen：嗯，我觉得对，这个是一个非常非常火热的领域，因为近几年这个行业从这个信息化开始走向智能化。
01:52 人物C：嗯。
01:52 陈然 · Ran Chen：那所谓智能化的话，就是说你需要用一些手段从这个数据里面得到一些信息，然后呢，把这个信息交给机器，交给算法去加以应用，这个才叫所谓的智能化嘛。
02:03 人物C：嗯。
02:03 陈然 · Ran Chen：所以因此这个中间就出现了很多专门的职业和专门的技术，呃，来专门负责这些事。刚才说到数据科学家，其实一般数据科学家我们就要分成两类。
02:14 人物C：嗯。
02:14 陈然 · Ran Chen：这个两类其他的职责不同，呃，很多人喜欢把它混淆，呃，但是如果你能清晰地了解这两类的话，其实对你这个职业生涯规划是非常有帮助的。
02:23 人物A：有两类？
02:24 陈然 · Ran Chen：对的。
02:25 人物A：呃，具体的是哪两类？
02:27 陈然 · Ran Chen：我看有文章，就是他们把分为 type A 和 type B。
02:30 人物C：啊。
02:30 陈然 · Ran Chen：啊，第一类就是比较偏向于分析师。
02:33 人物A：嗯。
02:33 陈然 · Ran Chen：就是他的核心的工作职责是说从一些常见的数据或者不常见的数据之中找出一些 insights。
02:41 人物C：嗯。
02:41 陈然 · Ran Chen：然后他要去帮助做产品的负责人去 support 他。
02:46 人物C：嗯。
02:47 陈然 · Ran Chen：给出很多分析，给出很多见解，帮助他更好地做决策。
02:50 人物C：嗯。
02:51 陈然 · Ran Chen：啊，一般是他更像一个分析师，啊，这是第一类 Type A 常见的数据科学家。第二类就是说他更像一个做产品或一个 engineer，他一般会有 engineer background。他不是做一个 support 的角色，他是做一个 implement 的角色。
03:06 人物A：执行？
03:07 陈然 · Ran Chen：对，他是来，比如他做一个推荐系统。
03:10 人物C：嗯。
03:10 陈然 · Ran Chen：对，他做一个很核心的算法。
03:12 人物C：嗯。
03:13 陈然 · Ran Chen：啊，来 support 你整个推荐系统的这个业务。
03:15 人物C：嗯。
03:16 陈然 · Ran Chen：对。这个里面啊，也有很多人是数据科学家的 title。他跟传统的比如 data engineer
03:22 人物C：嗯。
03:22 陈然 · Ran Chen：有什么不一样？因为你的算法是跟你的业务紧密结合的。嗯。
03:27 人物C：嗯哼。
03:27 陈然 · Ran Chen：你很难脱离业务谈你的算法。
03:30 人物C：嗯。
03:30 陈然 · Ran Chen：所以说他必须要有很明确的对产品的理解。
03:34 人物A：啊。
03:34 陈然 · Ran Chen：对，所以他必须要非常了解你整个产品做决策的过程。
03:38 人物C：嗯。
03:38 陈然 · Ran Chen：他必须要提供很多，呃，engineer 的这种什么能做什么不能做，给你做产品的时候也必须要有决策。然后他同时要能领导这个产品，就是 backend 的这个 algorithm develop 的这个开发。
03:52 人物C：嗯。
03:52 陈然 · Ran Chen：所以说这一类他一般是从 engineer 背景过来的。
03:55 人物A：哦，相当于这两类，一类是说给这个专业人士提供一些辅助，专业人士提供一些需求，然后让你做一些数据分析，然后你来帮他做，做完以后你把这个东西反馈给专业人士。然后第二类人士呢，他对这个专业领域的知识他有一定的了解，然后他又懂算法，他能够通过他的这个算法的优化，帮助这个决策的过程来做得更好，相当于是整合了一下。
04:19 陈然 · Ran Chen：嗯，对，或者说你可以从 delivery
04:23 人物C：啊。
04:23 陈然 · Ran Chen：来参考这两类。第一类 delivery 更多是一个 report。
04:26 人物C：嗯。
04:26 陈然 · Ran Chen：对吧？就是说他做完 insight 分析了之后，给你一个 report 告诉你可能有好几个 plan。
04:31 人物A：嗯。
04:31 陈然 · Ran Chen：Plan A 的利弊什么，Plan B 的利弊，Plan C 的利弊是什么，这些都是从他从数据里面分析出来的。
04:37 人物C：嗯。
04:37 陈然 · Ran Chen：啊，甚至要做很多实验，他得出来的结论，那可能帮助人更好地去做 support。
04:43 人物A：嗯。
04:43 陈然 · Ran Chen：那第二类数据科学家，更多的时候他要去 deliver 一个 system。
04:47 人物A：哦。
04:48 陈然 · Ran Chen：这个 system 要 integrate 你的所有的 business insights。
04:51 人物C：嗯。
04:51 陈然 · Ran Chen：所以他他的 delivery 更多是 algorithm，是个 back-end system，是一个 API。
04:55 人物C：嗯。
04:56 陈然 · Ran Chen：或者是什么东西，所以他一般是个 engineer background，因为他有能力或者有能力能帮助把这个系统能开发出来。
05:02 人物C：哦。
05:03 陈然 · Ran Chen：对。
05:03 人物A：呈现的结果上是不一样的。
05:05 陈然 · Ran Chen：对，所以这两类其实是两类不太一样的人，但是他们很多时候都有相同 title，叫 data scientist。
05:11 人物A：对。
05:12 陈然 · Ran Chen：所以会给很多人有误解，很多人一说到 data science 就说啊，他又要会分析，对。
05:16 人物A：嗯。
05:16 陈然 · Ran Chen：他又要会做 system，又要做那个，其实是两类不同的人的 skill set 不一样。
05:21 人物C：嗯。
05:21 陈然 · Ran Chen：所以说，当你特别是入职的时候，你如果对自己有明确的规划的话，啊，应该是两者取其一。
05:29 人物C：嗯。
05:29 陈然 · Ran Chen：啊，对自己这个 skill set 有有所侧重的发展。
05:33 人物C：嗯。
05:33 陈然 · Ran Chen：啊，有所侧重的培训。
05:35 人物A：那 data 对于这两类人来说，他们的意义其实也不一样，或者说他们使用 data 的形式，或者看重 data 的方向，价值也不一样，是吗？
05:45 陈然 · Ran Chen：嗯，对，呃，怎么说，比如说第一类他可能去找 insight。
05:50 人物C：嗯。
05:50 陈然 · Ran Chen：那他找完了 insight 去解释了因果之后，就放在了 report 里面。
05:53 人物C：嗯。
05:54 陈然 · Ran Chen：对吧，帮助别人做更好的决策。第二类，他也找 insight，但他 insight 更重要的是怎么样 integrate 他的 algorithm。
06:00 人物C：嗯。
06:00 陈然 · Ran Chen：对吧。比如他做一个推荐系统，那他找了很多 insight 之后，他希望把这个 insight 直接 integrate 到他这个 model 里面。比如说他可能要 integrate 到他的 training，或者他要去改变一下 label 的方式，或者他要改变一些 feature selection 的方式。它这个 insight 最后会被 integrate 他的 algorithm，然后最后一起 deliver 出去。
06:18 人物C：嗯。
06:19 陈然 · Ran Chen：啊，所以这
06:19 人物A：跟大家解释一下，为什么会有这么多英文啊。因为现在陈然在这个旧金山的一家公司工作啊，也算硅谷很热门的这个公司了。然后他之前的背景也是有在卡内基梅隆数据科学
06:33 陈然 · Ran Chen：Computational
06:33 人物A：Computational
06:34 陈然 · Ran Chen：Data science.
06:35 人物A：Data science 是吧，啊这个专业的背景，所以他会在这个节目中有很多英文单词蹦出来啊。应该是学这个概念的时候就以英文来学的。
06:44 人物C：啊，对对对。
06:45 人物A：所以你强制让他来用中文表达可能也不太适应。
06:47 陈然 · Ran Chen：我努力，我努力。
06:50 人物A：嗯，就是这两类数据科学家，目前来说在硅谷是哪一类更稀缺？
06:56 陈然 · Ran Chen：呃，其实都很稀缺。
06:58 人物C：嗯。
06:58 陈然 · Ran Chen：其实都很稀缺。呃，因为比如说对第一类数据科学家来说，越来越多的数据，就是你能找到这些数据的方式越来越多变。啊，可能有很多数据，要么是在非常原始的
07:12 人物C：嗯。
07:13 陈然 · Ran Chen：日志里面。
07:13 人物C：嗯。
07:14 陈然 · Ran Chen：但是你为了完成你的任务，你必须要去把这个原始的这种数据格式转化成你自己需要的数据格式。
07:21 人物C：啊。
07:21 人物A：嗯。
07:21 陈然 · Ran Chen：那这个时候，公司很难说我给你找很多人来帮你做这个 inte 这个整合的一个，呃，
07:28 人物C：工作。
07:28 陈然 · Ran Chen：流程工作，对吧？
07:29 人物C：对。
07:29 陈然 · Ran Chen：所以你要自己动手做。
07:31 人物C：啊。
07:31 人物A：嗯。
07:31 陈然 · Ran Chen：那所以说其实他们有时候对于这个要求，对于你写代码的要求也很高。
07:37 人物C：嗯。
07:37 陈然 · Ran Chen：啊，因为你面对的是一个非常复杂的环境。
07:40 人物C：嗯。
07:40 陈然 · Ran Chen：这个现在互联网一个网站，它可能每天好几 TB、几十 TB 的那么多数据，对吧？
07:47 人物C：对。
07:47 陈然 · Ran Chen：以前是从来没有被记录过的，现在都被记录下来了。啊，但是也没有很多工程师真正地说，我把你的数据都分门
07:54 人物A：别类的。
07:55 陈然 · Ran Chen：别类整理好。
07:56 人物C：对。
07:56 陈然 · Ran Chen：这个是，是还没有达到这一步，对吧？所以你必须要有很强的
07:59 人物C：数据清理。
08:00 陈然 · Ran Chen：对。
08:00 人物C：能力。
08:01 陈然 · Ran Chen：很-很强的数据清理能力，甚至你还要去找很多工程师跟他们聊，说你能不能把这些数据也给记录下来，对吧？
08:08 人物C：嗯。
08:08 陈然 · Ran Chen：这个对他们也很重要，所以这种沟通的技能也是非常重要的。
08:11 人物C：嗯。
08:12 陈然 · Ran Chen：然后另外一部分呢，现在很流行做所谓 A/B test 嘛。
08:15 人物C：嗯。
08:15 陈然 · Ran Chen：就是一个方案，我上线好几套，啊，不同的方案，我同时来做这个。
08:20 人物A：看哪个结果更好。
08:21 陈然 · Ran Chen：对，那怎么样设计这种，呃，实验也是很重要的。那谁来做决定，往往也是这类数据科学家，说我要为了证明我的观点，我要做哪些实验，我这怎么样设计我的实验。
08:32 人物C：嗯。
08:33 陈然 · Ran Chen：我才能让这个结果是更有科学性的。
08:35 人物C：嗯。
08:35 陈然 · Ran Chen：对吧？啊，所以说对这类科学家，呃，更多的是说，一方面你要会使用很多现有的工具。
08:42 人物C：嗯。
08:43 陈然 · Ran Chen：对吧？不论是写 Python、写这个 SQL，
08:46 人物C：嗯。
08:46 陈然 · Ran Chen：还是说你要用更大规模的工具，像 Spark 呀这样子的工具。对，另外一方面你可能对统计，你对统计里面，比如因果性推断和这个相关性的分析，它有哪些区别，对吧？对 p-value 的理解
08:59 人物C：嗯。
09:00 陈然 · Ran Chen：之类的啊，你必须要能够理解非常透彻，并且在这种，呃，这么大规模的数据的情况下，你能做出一个非常合理的一个解释，并且能让大家都信服，对吧？
09:10 人物C：嗯。
09:10 陈然 · Ran Chen：这个是很重要的技能。
09:12 人物A：所以既要求了一定的编程能力，另外一部分就是这个统计的一个基础知识。
09:18 陈然 · Ran Chen：对，对。
09:19 人物C：嗯。
09:19 陈然 · Ran Chen：对。那么对另外一类科学家来说，他的 deliver 是一个 system 嘛。
09:23 人物C：对。
09:23 陈然 · Ran Chen：所以他可能一般要有很多
09:25 人物A：工程开发能力。
09:26 陈然 · Ran Chen：对，很好的 engineer 工程的开发的能力
09:29 人物C：嗯。
09:29 陈然 · Ran Chen：和背景，然后同时他也有很好的沟通技能。因为现在这种算法和你业务需求是紧密相结合，不能被分开的。
09:36 人物C：嗯。
09:37 陈然 · Ran Chen：所以这两者的结合，你必须要有人，两者都能非常的明白你真正的业务需求是什么。
09:41 人物C：嗯。
09:42 陈然 · Ran Chen：啊，所以你才能真正的把这个算法开发好。所以对这一类来讲，一方面他的工程的要求能力很高，另外一方面他的沟通技能也要求很好。对，但是对他来说，就是真正做分析
09:53 人物C：嗯。
09:53 陈然 · Ran Chen：不是他的最重要的目的。他的分析是为了整合到他的算法，对吧？
09:57 人物C：嗯。
09:58 陈然 · Ran Chen：所以说对他来说，可能这种统计的知识啊，或者说对这种数据分析，或者这种可视化的要求就没有这么高。
10:05 人物C：啊。
10:05 陈然 · Ran Chen：因为它的最终的目的其实是，是要交交付。
10:08 人物A：产生一个一个系统。
10:09 陈然 · Ran Chen：对的，对的。
10:10 人物C：做出一个非常良好的类似于推荐系统这样。
10:12 陈然 · Ran Chen：对的，对的，对的。
10:13 人物A：啊，听你这么一说，就是能够区分这两类哈。
10:16 陈然 · Ran Chen：对对对。
10:17 人物A：就以前是混在一起的，好像 data science 什么都会，就从前面到后面，所有的全栈式工程师。
10:24 陈然 · Ran Chen：这个太难了。
10:24 人物C：啊。
10:25 陈然 · Ran Chen：这个太难了，嗯。
10:26 人物A：像现在目前硅谷的这些企业，呃，去需求这样的科学家的大部分都还是这种互联网企业，是吧？
10:33 陈然 · Ran Chen：呃，对，然后还有包括一些传统企业想转型。
10:36 人物C：嗯。
10:37 陈然 · Ran Chen：往互联网方向转型，他们也有一些，呃，这样的需求。
10:40 人物A：嗯，这个空缺大概有什么样的一个比例？
10:44 陈然 · Ran Chen：呃，我觉得是非常非常非常非常大的，我也很难说有什么样的比例。
10:49 人物C：嗯。
10:49 陈然 · Ran Chen：嗯，因为这些技能，像机器学习啊，其实，呃，虽然它在业界有很久了，但是在工业界中也火了起来也不是那么久。
10:59 人物C：对。
11:00 陈然 · Ran Chen：然后，对，所以经受过系统性的训练的人其实并不多。
11:04 人物C：嗯。
11:05 陈然 · Ran Chen：啊，现在大家上学都-都知道要去学机器学习的课程。
11:07 人物C：对。
11:08 陈然 · Ran Chen：但是可能在 5 年前，知道去要学习学习课程的人非常的少。
11:12 人物C：嗯。
11:12 陈然 · Ran Chen：啊，所以有过这种学术背景的人其实是非常少的。大家可能很多人在工业界都是边工作自己学。
11:20 人物C：啊。
11:20 陈然 · Ran Chen：对吧？所以有时候呢，这些人可能缺乏一个系统性的认知。
11:23 人物C：嗯。
11:23 陈然 · Ran Chen：啊，所以这几年这个需求还在慢慢地扩大。
11:27 人物C：啊。
11:27 陈然 · Ran Chen：对。
11:28 人物B：呃，有一个问题，就是也是相当于替这个很多
11:32 陈然 · Ran Chen：嗯。
11:32 人物B：听众朋友问，就是如果说我现在还在国内读书，我可能我四五年之后才毕业，但我想往这个方向努力。
11:39 陈然 · Ran Chen：对。
11:39 人物B：你觉得一个比较理想的这种学习的一个，呃，path，或者说这个
11:44 陈然 · Ran Chen：过程。
11:44 人物B：过程什么的。
11:45 陈然 · Ran Chen：啊。
11:45 人物B：嗯。
11:46 人物A：这需要哪些知识储备啊？
11:48 陈然 · Ran Chen：我觉得知识储备大家，嗯，其实我觉得一般大家如果你真的了解这个领域都会知道，对吧？你可能，呃，基本的数学课，包括微积分啊，线性代数啊，概率论啊，对，概率与统计啊，这个是最基本的，对吧？
12:01 人物C：嗯。
12:01 陈然 · Ran Chen：然后机器学习的入门的话，经典的机器学习课程，对吧？高深一点的包括像凸优化呀，深度学习呀、概率图模型啊。
12:11 人物C：嗯。
12:11 陈然 · Ran Chen：就这些课-课程也都是进阶的，最先进的一些算法，如果感兴趣也可以学习。然后还有就是关于机器学习的应用也很重要，就比如说像这个 information retrieval，就是信息检索，就搜索引擎这一套。
12:24 人物C：嗯。
12:25 陈然 · Ran Chen：NLP 就是自然语言处理这一套。
12:27 人物C：嗯。
12:27 陈然 · Ran Chen：啊，这个图像识别
12:29 人物C：嗯。
12:30 陈然 · Ran Chen：这一套，对吧？那这些都是最传统最经典的机器学习应用啊，也可以学习一下怎么样去了解机器学习。
12:36 人物C：嗯。
12:37 陈然 · Ran Chen：啊，然后这些都是其实很基础的东西，你学完了之后，可能未来的发展是说机器学习在各个学科领域的应用。
12:44 人物C：嗯。
12:44 陈然 · Ran Chen：所以说我觉得，呃，在学习这些知识之余，多学一些你认为感兴趣的学科，我觉得非常重要。
12:51 人物C：嗯。
12:51 陈然 · Ran Chen：呃，无论是包括像，呃，经济学啊，包括像传播学啊，包括像建筑
12:57 人物C：城市。或者城市，
12:58 陈然 · Ran Chen：对，城市数据啊，这些我觉得，呃，机器学习这一套方法论肯定都会慢慢地影响到各个的学科，对吧？
13:04 人物C：就像是一套工具。
13:05 陈然 · Ran Chen：对。
13:06 人物C：嗯。
13:06 陈然 · Ran Chen：对，都会影响这些学科。所以说我觉得有自己额外的感兴趣的学科，再结合机器学习这些工具的话，我觉得其实是非常好的一个方向。
13:14 人物C：嗯。
13:15 陈然 · Ran Chen：嗯。
13:15 人物B：那其实延伸的就有个问题，就是以你为业界工作了这么多年的经历来看，你觉得机器学习会是一个泡沫吗？
13:23 陈然 · Ran Chen：嗯。
13:23 人物B：因为可能对于很多人来说，我 5 年之后找工作，我现在花了大笔的时间投入进去，它万一说我毕业的时候需求没有那么大了。
13:31 陈然 · Ran Chen：哦。
13:31 人物B：或者说更多的我以为会需求的问题已经被其他所替代了。
13:36 陈然 · Ran Chen：嗯，我觉得这个是很多很经典的，就是学生在做专业选择的时候，一个很大的顾虑，就是说我要不要去学现在最火的东西。
13:45 人物C：很热门的。
13:46 陈然 · Ran Chen：对。
13:46 人物C：对。
13:46 陈然 · Ran Chen：嗯，这个在科学领域的进展，嗯，怎么说，是一个一步一步发展的。
13:56 人物C：嗯。嗯。
13:56 陈然 · Ran Chen：虽然你现在很火的东西以后可能不火了，但是以后火的东西可能是基于你现在火的延伸出来的。
14:03 人物C：嗯。
14:03 陈然 · Ran Chen：对吧？这个是很重要的。
14:05 人物A：比如说目前的这个数据科学就基于当年计算机出来的嘛。
14:08 陈然 · Ran Chen：对的，对的。所以说你去学当下最火的东西，其实说就算当时最后不火了，你也可以随着潮流的发展，去继续扩展你的知识，去追逐那个最火的东西。很有趣的例子就是说，你看现在计算机很多人的背景
14:23 人物C：嗯。
14:23 陈然 · Ran Chen：是学物理和学电子的。
14:25 人物C：对。
14:25 陈然 · Ran Chen：呃，为什么？不是说学物理和学电子更适合转，而是因为当年是这波人，这些专业是最火的。
14:33 人物C：啊。对。
14:33 陈然 · Ran Chen：对吧？然后像机器学习啊、计算机啊，很多理论是从这些地方发展出来的。
14:38 人物C：嗯。
14:38 陈然 · Ran Chen：对吧？所以很多人就从这些物理和电子很自然地就迁移到了新的专业。对，所以说你现在学计算机，学机器学习，未来如果有一些新的专业，对吧，随着专业不断细分，你也会很自然地迁移到那些新兴的专业去。
14:53 人物C：嗯。
14:53 陈然 · Ran Chen：对，这个是一个很自然的发展，所以我觉得这种顾虑是没有必要的。
14:56 人物C：嗯。
14:57 陈然 · Ran Chen：嗯。
14:57 人物B：就是你如果不想被时代淘汰的话，做一个终身学习者，做一个易转型的人。
15:03 陈然 · Ran Chen：对对对，所以要多听果说，是吧？终身学习哈。
15:07 人物A：终身学习。
15:08 陈然 · Ran Chen：对。
15:15 人物A：呃，刚才我们跟陈然聊了一下，就关于这个硅谷最稀缺的职业，这个数据科学家分为两类啊，一种是面向数据分析啊，另外一种是面向这个产出一个系统的这种 engineer-based 的这种。
15:30 陈然 · Ran Chen：对。
15:30 人物A：哎，我也开始蹦英文单词了。
15:32 陈然 · Ran Chen：对。
15:33 人物A：呃，我们知道你现在在一家地产领域的企业来做这个数据分析的这个角色，所以第二个话题我们想跟你聊一聊，有关于在地产领域做数据科学是一种怎么样的体验？就是因为地产相对来说是离这个交易还相对比较近的一个地方。
15:50 陈然 · Ran Chen：对。
15:50 人物A：一种是金融，一种是地产。
15:52 陈然 · Ran Chen：对。
15:52 人物A：还有什么汽车呀等等这种行业，都是离钱和交易比较近的地方。那么在这么样的领域里工作的话，是不是这个数据科学能够帮助这个，怎么说，交易更有价值，或者是更迅速，或者是信息的匹配能力更高？就是你在这个地产领域工作是一种怎么样的体验？
16:12 陈然 · Ran Chen：好好好，对。嗯，首先我在这边主要做的跟房地产不是最直接相关的。
16:21 人物C：嗯。
16:21 陈然 · Ran Chen：就是我们还有一波同事其实做直接就是做房地产领域的数据的分析和算法。我更多的是做这个推荐系统，就是比如给用户推荐他可能更喜欢的房子。
16:33 人物C：啊。
16:33 陈然 · Ran Chen：啊，做一些图像识别，就包括这个图片是卧室，那个图片是，呃，厨房，对吧？还有包括一些文本的理解和那个文本的搜索。
16:44 人物A：嗯。
16:44 陈然 · Ran Chen：对，啊。
16:45 人物A：相当于你是 type B。
16:46 陈然 · Ran Chen：对，我是 type B，对。但是这这些方面其实也是跟，呃，房地产紧紧相关的嘛。
16:52 人物C：嗯。
16:52 陈然 · Ran Chen：比如说我要做一个好的推荐系统。
16:54 人物C：嗯。
16:54 陈然 · Ran Chen：我要跟用户推荐房子，对吧？某种意义上，我必须要对房子很了解。
17:00 人物C：嗯。
17:00 陈然 · Ran Chen：那对房子很了解，意思就是说，我就要知道这个房子有哪些信息，对吧？
17:04 人物C：嗯。
17:04 陈然 · Ran Chen：那常规的信息会有它的基本的
17:07 人物A：户型啊。
17:08 陈然 · Ran Chen：对，户型啊，那个。
17:10 人物A：位置啊。
17:10 陈然 · Ran Chen：位置多大呀。
17:12 人物C：嗯。
17:12 陈然 · Ran Chen：对，然后还有一些丰富的信息是从别的地方拿到的，比如说从它图像，对吧？我可能可以从图像里面就可以看到，呃，这个卧室其实它的窗户特别大。
17:23 人物C：嗯。
17:23 陈然 · Ran Chen：对吧？它不是个房屋基本信息。
17:25 人物C：嗯。
17:25 陈然 · Ran Chen：对吧？你但是你从图像就可以知道。
17:27 人物C：对。
17:27 陈然 · Ran Chen：那如果你知道这个信息的话，你可以跟用户在跟他推荐的时候，其实说你就有些额外的信息。
17:32 人物C：啊。
17:32 陈然 · Ran Chen：来告诉他，那他可能会对你这个推荐会有额外的喜欢。就为什么我们说要做，呃，图像识别。
17:38 人物C：嗯。
17:38 陈然 · Ran Chen：因为你有比别人更多的一个信息，对吧？呃，还有第三类信息就是叫地点信息。
17:44 人物C：嗯。
17:44 陈然 · Ran Chen：就说我从这个，呃，经纬度，我可以拿到周围的，比如说 Yelp 上面会有
17:51 人物C：点评。
17:52 陈然 · Ran Chen：那个点评。
17:53 人物C：嗯。
17:53 陈然 · Ran Chen：有餐馆，呃，还有人口统计里面会有这个社区里面平均年龄啊，结婚率啊，种族的分布啊，啊这些东西。那可能比如说我要发现，呃，比如说你比较喜欢热闹，喜欢多去酒吧的话，那可能给你推荐一个周围有酒吧很多的房子。
18:09 人物C：嗯。
18:09 陈然 · Ran Chen：你可能会比较喜欢，对吧？这也是在这个数据挖掘里面，你通过这个挖掘，你可以更好去做一个推荐系统，对吧？
18:16 人物C：嗯。
18:16 陈然 · Ran Chen：所以大概的三类的数据就是这三类。一类是房屋的基本信息。
18:20 人物C：嗯。
18:20 陈然 · Ran Chen：第二类是房屋的这种丰富的 rich information，你是通过一些数据挖掘的方式，或者图像识别，或者从文本挖掘。
18:27 人物C：嗯。
18:28 陈然 · Ran Chen：还有一类就是说地点信息。
18:29 人物C：嗯。
18:30 陈然 · Ran Chen：你从地点里面你可以拿到，呃，交通，啊，人口统计。
18:34 人物A：包括学区。
18:35 陈然 · Ran Chen：学区，对吧？
18:36 人物C：嗯。
18:36 陈然 · Ran Chen：这也是对那个很重要的。
18:38 人物C：嗯。
18:38 陈然 · Ran Chen：其实这个是我们在做推荐引擎的时候，要对这个房屋的一些了解。
18:43 人物A：嗯，其实相当于是你做了这么一个引擎，对于整个这个房子的方方面面的信息都有很深入的了解，你才能去让这个系统不断地优化。
18:52 陈然 · Ran Chen：对的，对的。
18:53 人物A：啊，这验证了刚才我们说，就第二类的这个工程师。
18:56 陈然 · Ran Chen：嗯。
18:56 人物A：他是需要产出一个特别能够去了解用户，然后去满足他的需求的一个东西。
19:03 陈然 · Ran Chen：对，对。
19:03 人物A：啊，那但是这个了解用户这个过程，就是你刚才是说把这个房子这块了解了。
19:08 陈然 · Ran Chen：对，嗯。
19:08 人物A：那这个对用户的了解
19:10 陈然 · Ran Chen：啊。
19:10 人物A：理解你是怎么想的？
19:11 陈然 · Ran Chen：对，对用户的理解更多就是从用户的行为里面
19:14 人物C：嗯。
19:14 陈然 · Ran Chen：来看。那用户在网站上他会有一些点击的行为。
19:18 人物C：嗯。
19:18 人物A：嗯。
19:18 陈然 · Ran Chen：啊，收藏的行为、搜索的行为，对吗？那这些行为最后比如点击，点击了房子。
19:23 人物C：嗯。
19:24 陈然 · Ran Chen：啊，浏览了图片，呃，还有可能点击了收藏。
19:27 人物C：嗯。
19:28 陈然 · Ran Chen：然后，呃，点击了邮件什么的，我们就可以看。
19:31 人物A：或者他筛选的方式。
19:32 陈然 · Ran Chen：哎。
19:32 人物A：他是按照价格筛的呢？
19:34 陈然 · Ran Chen：对。
19:34 人物A：还是按照区位筛的呢？
19:35 陈然 · Ran Chen：对。
19:35 人物C：啊。
19:36 陈然 · Ran Chen：对，这些所有的行为，我们就可以把它 aggregate 到一块儿，然后生成一个用户画像。
19:41 人物A：哦。
19:41 陈然 · Ran Chen：对吧？然后我们就可以知道这个用户他大概的他喜欢的户型，比如说是几个卧室、几个厕所，然后可能大概喜欢在哪个位置，对吧？这些我们都是通过他的行为可以发现的。
19:53 人物C：嗯。
19:54 陈然 · Ran Chen：对，然后通过这些信息，我们就可以更好地给他推荐他可能喜欢的房子。嗯。
19:59 人物A：啊，就是对用户是完全是通过他在网上行为的一个捕捉。
20:04 陈然 · Ran Chen：啊，对的。
20:05 人物A：然后去给他推荐一些匹配的这个。
20:07 陈然 · Ran Chen：对的，对的，对。
20:08 人物A：其实像你现在工作这家公司，它跟我们目前国内，比如说链家
20:13 陈然 · Ran Chen：对。
20:14 人物A：这样的中介，它是不是一个性质的呢？
20:16 陈然 · Ran Chen：啊。
20:16 人物A：就是像链家，它是有很多本地的门店，然后它会收集上来一些房源的信息，然后去有一些本地的地产中介，呃，客服吧，去跟用户去交流，去卖房子，卖完房子以后提成。
20:29 陈然 · Ran Chen：对。
20:30 人物A：通过这种方式，然后它在网上这块呢，相当于是就是一个提供信息的平台，给用户
20:34 陈然 · Ran Chen：展示。
20:35 人物A：对，展示一下我有这些房源，你要选哪一个。
20:38 陈然 · Ran Chen：对。
20:39 人物A：啊，这个模式是不是类似的？
20:41 陈然 · Ran Chen：嗯，这个模式是不太类似的，对，因为在呃中国的话，是相当于是先有互联网好的基础设施。
20:48 人物C：嗯。
20:48 陈然 · Ran Chen：再有在基于互联网发生的大规模的这种房屋的买卖，对吧？所以大家很自然的就是说你这个互联网公司就可以很容易地做端到端所有的事情，包括数据的整合，包括房屋的交易啊这些东西，链家都可以做到。但是美国是一个房地产是一个几百年的市场，就是先已经发生了大规模的房地产买卖。
21:07 人物C：嗯。
21:07 陈然 · Ran Chen：啊，但是这几年，可能最近十年，因为互联网的发展，才出现了在互联网上大家浏览房子的这样一个行为。以前是不存在这个行为的。
21:16 人物C：嗯。
21:16 陈然 · Ran Chen：所以说我们公司更多的是说，我们把一些和房屋有关的信息收集起来，放在网上。我们让美国买卖房屋的经纪人在我们网站上打广告。
21:27 人物C：嗯。
21:27 陈然 · Ran Chen：我们把流量导给经纪人，啊，这样子的话，我们向他收广告的费用。
21:31 人物A：啊。
21:32 陈然 · Ran Chen：我们本身。
21:32 人物A：比较类似于一个 Google 那样的。
21:34 陈然 · Ran Chen：对的，对的，所以我们都认为自己是叫 media company。
21:37 人物C：哦。
21:37 陈然 · Ran Chen：我们是一个媒介的公司，我们不是一个房屋买卖的公司。
21:40 人物C：嗯。
21:41 陈然 · Ran Chen：呃，所以
21:42 人物A：它的盈利模式是通过广告费来。
21:44 陈然 · Ran Chen：对的，所以如果有越来越多的经纪人在我们平台上打广告，啊，我们就会有越来越多的，赚越来越多的钱。
21:51 人物C：哦。
21:51 陈然 · Ran Chen：对，呃，但是这个不一定正比于，当然也可能正比于经纪人他的买卖的房屋的这个数量。
21:59 人物C：嗯。
21:59 陈然 · Ran Chen：对。嗯，一点小背景就是说美国因为它的房地产发展得很长了，所以他们为了顺应房地产发展，他们很多城市自发地成立了很多小的数据库。
22:10 人物C：哦。
22:11 陈然 · Ran Chen：叫做 MLS。
22:12 人物C：嗯。
22:12 陈然 · Ran Chen：啊，所以说每个城市都有几个自己的私人公司性质的这些数据库，那么买卖双方的经纪人都会把他们的需求放在那个数据库里面，他们内部的来使用。
22:23 人物C：嗯。
22:24 陈然 · Ran Chen：对，所以我们公司呢，就是说跟每个，美国有 800 多个数据库，这种 MLS 数据库，我们就只能一个一个地去谈，能不能使用他们的数据啊，然后现在谈了 400 多个，对。
22:35 人物C：哦。
22:36 陈然 · Ran Chen：所以说这是一个非常缓慢的过程啊，所以因为美国是先有 MLS。
22:41 人物C：嗯。
22:41 陈然 · Ran Chen：再有我们这样的公司，所以我们做的更多是跟他们去整合。
22:45 人物A：哦，其实你要理解国内的那个房地产交易市场，其实链家类似于是一些基于本地的地产商。
22:53 陈然 · Ran Chen：对的。
22:53 人物A：只不过他们有比较敏锐的嗅觉，他把这个整合工作他自己完成了。
22:57 陈然 · Ran Chen：对的。
22:58 人物A：否则的话，可能也有一-一个互联网公司来收割他的这个。
23:01 陈然 · Ran Chen：对对对对。
23:02 人物A：对，相当于是他在各个地方嘛，有一些小的 MLS 是吧？
23:07 陈然 · Ran Chen：对对。
23:07 人物A：然后他把这个信息都放在他的网站上去跟大家共享了。
23:11 陈然 · Ran Chen：对的。
23:11 人物A：这种模式。
23:12 人物C：对的，对，嗯。
23:14 人物A：所以他其实，呃，对于很多地产企业来说，都没有想到会是链家现在成为这么大的一个，不能说他盈利的额度最高，但是他的这个影响力是非常大的。啊，很多地产公司，他其实他本身他都是有这个条件，去把他自己的这个物业，包括他自己的房源的信息去做一个平台去
23:35 陈然 · Ran Chen：嗯。
23:35 人物A：卖的。他也是类似于美国地产商这种，就是这种经纪人这种模式嘛，它本来是有这样机会的，但现在是被这个链家掌握住了这个客户的这段。
23:45 未分组：嗯。
23:45 陈然 · Ran Chen：嗯，对的。
23:46 人物A：是，是差别挺大的。
23:47 陈然 · Ran Chen：是差别挺大的。
23:48 人物C：嗯。
23:48 陈然 · Ran Chen：对。国内因为，呃，早期的交易更多的是新房的买卖嘛。
23:53 人物C：啊。
23:54 陈然 · Ran Chen：对，所以其实它没有成立这种数据库的需求。
23:56 人物C：啊。
23:56 陈然 · Ran Chen：因为你新建了楼盘，你自己去卖就可以了。
23:59 人物A：对，以卖掉为目的。
24:00 陈然 · Ran Chen：对，以卖掉为目的。
24:01 人物C：嗯。
24:02 陈然 · Ran Chen：所以说一个是就是经纪人的这个需求没那么旺盛。
24:05 人物C：嗯。
24:05 陈然 · Ran Chen：一个是本地的数据库需求没这么旺盛。但是美国因为很早就开始是二手房的买卖，N 手房的买卖了。
24:11 人物C：啊。
24:11 陈然 · Ran Chen：所以你必须要有个平台来共享这些信息。
24:14 人物C：嗯。
24:14 陈然 · Ran Chen：对吧？所以它就先有这个数据平台啊，再出现这些互联网公司。
24:19 人物A：嗯。
24:19 陈然 · Ran Chen：啊。
24:19 人物A：那你刚才说有两块吧，你们一块是这个做推荐算法这块，另外一块是做这个定价模型这块。
24:27 陈然 · Ran Chen：对。
24:27 人物A：像他们做定价模型的话，是以一个什么样的方式？也是基于大量的这个数据的采集和模拟吗？
24:35 陈然 · Ran Chen：呃，对，定价模型 Zillow 做得最好的叫 Zestimate。
24:39 人物C：哦。
24:39 陈然 · Ran Chen：这个是他们非常自豪的一个定价模型。那他们也是做了十年了。
24:45 人物C：嗯。
24:45 陈然 · Ran Chen：所以是一个他们认为是一个非常非常精准的模型。
24:49 人物C：哦。
24:49 陈然 · Ran Chen：啊，他们认为误差率可能是平均，是几十年平均误差可能是百分之四。
24:55 人物A：哦。
24:55 陈然 · Ran Chen：4 点几这个量级，对。
24:56 人物A：那很高了。
24:57 陈然 · Ran Chen：对。
24:57 人物A：这个准确率。
24:58 陈然 · Ran Chen：对，他们会采用很多很多的特征来做这个算法，对，他们应该是有一些公开的，但是我不太了解他们公开到什么程度了。
25:08 人物C：嗯。
25:08 陈然 · Ran Chen：对，你们大家可以去自己在网上
25:10 人物C：网站上有。
25:11 陈然 · Ran Chen：去搜他的叫 Zestimate，就是 Z estimate。
25:14 人物C：对。
25:14 陈然 · Ran Chen：但是他们的读法叫 Zestimate。
25:16 人物C：嗯。
25:16 陈然 · Ran Chen：啊，他们使用了，呃，很多的数据，呃，美国数据，呃，比较开放，我觉得这点非常好。
25:23 人物A：是。
25:23 陈然 · Ran Chen：对，他们有一个数据源叫 Public Records。就是说你每一个房屋的买卖之后，你这个信息必须，呃，上报给政府，然后政府必须把这个房屋买卖的这个信息整理出来，提供给所有的人去下载。
25:39 人物C：对。嗯。
25:39 陈然 · Ran Chen：包括房屋的基本信息，还包括这个
25:42 人物A：历次买卖。
25:43 陈然 · Ran Chen：呃，历次买卖，还包括人名，就屋主的信息。
25:45 人物C：嗯。
25:45 人物A：哦。
25:46 陈然 · Ran Chen：所以之前经常有人去查中国哪些明星到美国买房子。
25:50 人物C：哦，一查就查到了。
25:51 陈然 · Ran Chen：这是都查得到的，对，因为这个是公开的。那但是因为这是每个政府自己的事情，所以需要把这个数据整合起来。
25:58 人物C：嗯。
25:59 陈然 · Ran Chen：可能非常困难。呃，但是因为这些数据都有，所以说你任何人其实都可以拿着这个数据，如果你有能力把它整合起来的话，自己去做一个定价模型。
26:07 人物A：嗯。
26:07 陈然 · Ran Chen：因为所有房屋基本信息都在那里，位置也在那里。
26:10 人物C：嗯。
26:10 陈然 · Ran Chen：对吧？卖最后的价格也在那里。所以说大家也都可以试图自己去做一做模型。
26:15 人物A：对，如果你要再学习这个数据科学啊。
26:17 陈然 · Ran Chen：对，这其实是一个很有意思的项目。
26:20 人物C：啊。
26:20 陈然 · Ran Chen：对。
26:21 人物C：对。
26:21 人物A：其实在国内也大家也在尝试着去做，因为现在像就是链家呀、我爱我家呀这些公司也是把一些信息都公开在网上了。
26:29 陈然 · Ran Chen：嗯。
26:30 人物A：大家也会去尝试去做一些这种判断，包括 to c 端的。
26:34 陈然 · Ran Chen：嗯哼。
26:34 人物A：就如果这个定价模型做出来很可靠的话，
26:36 陈然 · Ran Chen：啊。
26:36 人物A：就直接可以给用户去提供。
26:39 陈然 · Ran Chen：对。
26:40 人物A：啊，他们有没有识别出来一些特别关键的
26:44 陈然 · Ran Chen：啊。
26:44 人物C：变量？
26:46 陈然 · Ran Chen：这个我-我不太知道他们
26:48 人物C：啊。
26:48 陈然 · Ran Chen：能公布到多少，但是一般来说大家说房子都是 location, location, location。
26:53 人物C：对对对。
26:53 陈然 · Ran Chen：这是最经典的。
26:54 人物C：对。
26:54 陈然 · Ran Chen：所以地理位置永远是最重要的。
26:56 人物C：嗯。
26:57 陈然 · Ran Chen：对吧？肯定是他，呃，交易中的一个，就是他模型中最核心的变量。
27:01 人物C：嗯。
27:01 陈然 · Ran Chen：就是他这个地理位置在哪里。
27:02 人物C：嗯。
27:03 陈然 · Ran Chen：然后还有就是肯定是周围的房价，最近才卖出去的这个房价肯定是很重要的，因为
27:09 人物A：相关性很强。
27:10 陈然 · Ran Chen：对，因为你通过周围，其实人类看房价也是这样子嘛。
27:13 人物C：对，也是这样的，对。
27:14 陈然 · Ran Chen：对，这个很直觉上就是这样，就是你会去看周围相同的房子最近都卖了多少价格。
27:19 人物C：嗯。
27:19 陈然 · Ran Chen：那我这个房子肯定是卖这个价格肯定是八九不离十了。
27:23 人物A：对对对。
27:24 陈然 · Ran Chen：所以这个
27:24 人物A：在国内买房也大-大家也都是这样的逻辑啊。
27:27 陈然 · Ran Chen：对对对。
27:27 人物A：就一个是看区位在
27:29 陈然 · Ran Chen：对。
27:29 人物A：在什么地方，然后另外一个就是说看周边现在的价格是多少。
27:32 陈然 · Ran Chen：哎，对对，所以，呃，算法跟人这种更多时候思路也一样，但是可能就是算法在捕捉一些细小的一些
27:40 人物A：嗯。
27:40 陈然 · Ran Chen：波动上面，它可能更敏锐一点，但是
27:42 人物A：所以它的准确率可能会更高。
27:44 陈然 · Ran Chen：对，如果你在大规模上看，可能会更高。
27:47 人物C：嗯。
27:47 陈然 · Ran Chen：啊，然后它可以很容易适用于一个你不知道的一个领域。
27:51 人物C：嗯。
27:51 陈然 · Ran Chen：对吧？要不然的话，你每个人你都要去在当地去看那个房子，其实是很累很劳什的。那算法可能更-更擅长
27:59 人物A：嗯。
27:59 陈然 · Ran Chen：去看一个人类很难快速了解的一个领域。
28:02 人物A：是。
28:02 陈然 · Ran Chen：给出一个价格。
28:03 人物C：嗯。
28:04 人物A：那你对这个，现在有国内有一种说法，是说这个对于用户需求的捕捉，等到了一定程度以后，就可以去定制化地去开发。就是说这个我收集了很多用户信息，然后但是每个用户他都有不同的偏好，然后根据对他偏好的理解，我就可以去，哎，做这种房子的定制，就是新房。
28:25 陈然 · Ran Chen：嗯。
28:25 人物A：新房开发的话，也可以做一些，呃，新的尝试吧。
28:29 陈然 · Ran Chen：嗯。对。
28:29 人物C：啊。就是你可能了解这个城市有多少需要想在这地方买新房的人，然后他们对户型的需求是什么样。对。对，然后你就开发楼盘的时候可能就提前对。
28:39 陈然 · Ran Chen：设计好。
28:39 人物C：对。
28:40 陈然 · Ran Chen：对。
28:40 人物A：这是再往下走一步了。
28:41 陈然 · Ran Chen：对，
28:42 人物C：嗯。
28:42 陈然 · Ran Chen：这个我觉得这个需求是非常客观存在的。
28:44 人物C：嗯。
28:45 陈然 · Ran Chen：啊，而且事实上利用用户行为的数据可以做很多的预测。
28:49 人物C：嗯。
28:49 陈然 · Ran Chen：呃，我知道 Zillow 他们有很多这个文章，就是写，比如说基于用户的搜索的行为。
28:55 人物C：嗯。
28:56 陈然 · Ran Chen：来预测你这个地区搬家搬入搬出的一个火热程度。
29:01 人物C：嗯。
29:01 陈然 · Ran Chen：嗯。对，其实这个就很有道理，因为你可能很多人突然都来搜这个湾区的房子。
29:05 人物C：一个公司上市了。
29:07 陈然 · Ran Chen：对，湾区的房子可能就意味着很多人就想搬过来。
29:09 人物C：嗯。
29:10 陈然 · Ran Chen：如果很多 IP 在湾区的人，比如搜德州的房子。
29:14 人物C：嗯。
29:14 陈然 · Ran Chen：那可能就意味着湾区的很多人，他就思考要不要去搬到德州去。
29:18 人物A：啊。
29:19 陈然 · Ran Chen：对吧，所以这其实是一个很有前瞻性的一个指标，可以帮你做决策。
29:22 人物C：对。
29:22 陈然 · Ran Chen：对，然后包括搜这个地区的房子，搜什么价格的类型，对吧？搜啊，什么样的户型，对吧？这个其实对于新建房子的人来说都是一个很好的指标。
29:32 人物C：嗯。
29:32 陈然 · Ran Chen：而且我认为这个是，就是说从做决策角度来说是很有意义的指标，是可以用来做关键决策的指标。
29:38 人物C：嗯。
29:39 陈然 · Ran Chen：啊，所以这种数据的价值也会越来越高。
29:41 人物C：嗯。
29:41 陈然 · Ran Chen：就是肯定也会越来越开发商会来投，花很多价格去买一个真实有效的一个数据来指导他们做商业的开发。
29:49 人物A：嗯。就是说如果有一张这个地图是可以去，呃，呈现出来城市不同的区位它的这个价值的判断的话，这些数据都能够帮上很大的忙。
30:00 陈然 · Ran Chen：对的，对的。但是可能，呃，case by case 就是不同的，呃，应用它可能需要的数据不一样。
30:07 人物C：嗯。
30:07 陈然 · Ran Chen：可能需要很-进行很多定制化的挖掘。
30:09 人物C：嗯。
30:10 陈然 · Ran Chen：啊，这个可能就要在浩瀚的数据里面用很多各种各样的方法来挖掘出一些有效的这种结论出来，还是需要不少的这种背景和技巧。
30:19 人物A：嗯，我们刚才就聊了关于这个地产领域的这个数据分析啊。关于这个数据分析和这个机器学习的应用场景，其实呃就是我们对这个工具现在都很很崇拜，很膜拜，然后
30:32 陈然 · Ran Chen：嗯。
30:32 人物A：希望自己能够掌握更多的技巧。但是对于这个应用场景，现在大家普遍来说，呃觉得好像能用到很多，但实际上真正能够实现有有价值的这种，还有哪些？能能不能
30:43 陈然 · Ran Chen：啊。
30:44 人物A：给我们举一些例子？
30:45 陈然 · Ran Chen：举些例子？
30:46 人物C：啊。
30:46 陈然 · Ran Chen：呃，就是其实刚才那个我觉得说，应用场景是很多，但是能商业化成为商业模式的很少。
30:52 人物A：啊。
30:52 陈然 · Ran Chen：对，这个是
30:53 人物A：这是为什么呢？
30:55 陈然 · Ran Chen：嗯，我觉得更多的时候这个模型，一个模型更多是做一个优化。
31:00 人物C：嗯。
31:00 陈然 · Ran Chen：就是它很难产生出一个新的商业模式。对，所以说如果它是优化的话，那它更多是比如做 cost down，对吧？就是减少你的成本。
31:09 人物C：嗯。
31:09 陈然 · Ran Chen：啊，这样的思考、思路方式。所以说。
31:12 人物A：对于一个既有领域，它的优化
31:14 陈然 · Ran Chen：对。
31:14 人物A：它是没有问题的。
31:16 陈然 · Ran Chen：对。
31:16 人物A：但对于一个新市场的开拓或者新需求的捕捉，它是比较难的。
31:21 陈然 · Ran Chen：对的。
31:21 人物A：需要依，就是人的这个见解在里面。
31:24 陈然 · Ran Chen：对，对的，对的。
31:25 人物C：嗯。
31:25 陈然 · Ran Chen：所以这可能是现有的这种的一个缺陷吧。
31:29 人物C：嗯。
31:29 陈然 · Ran Chen：就是大家的思考更多的是怎么样去做优化。
31:32 人物C：嗯。
31:33 陈然 · Ran Chen：对，所以就很难真正地商业化啊。
31:35 人物A：这是不是说这个，呃，人工智能还没有出现，等到人工智能出现。
31:41 陈然 · Ran Chen：呃，对，这个人工智能是一个非常模糊的词，你也不知道它什么时候出现，它可能已经出现了，你不知道，对吧？嗯。
31:49 人物C：对。
31:50 陈然 · Ran Chen：对，嗯。
31:51 人物A：那么关于人工智能的出现，关于未来几十年计算机和人类的关系，在一个离开了数据寸步难行的社会，我们究竟该如何自处？我们将在下期节目中跟陈然和洪旭继续探讨，也欢迎大家收听。
继续阅读
全部内容
小宇宙/播客1:06:27硅谷大厂的裁员正在从哪些岗位裁起？｜硅谷AI转型录No.1
如今，我们正身处在一个由人工智能驱动的变革时代。AI 已经开始在底层重构我们工作的方方面面。这一次“AI 革命”，不仅仅是简单的生产工具升级，而是一场关于生产关系、协作方式和价值创造的深刻变革。 供给侧创新和需求侧变化正在互相作用，催生出新的范式。而这场变革的试验场，就在硅谷。 这个全新的观察系列，将深入硅谷的创新变革...
请不要在泰坦尼克上研究如何升舱
最近一年，我发现身边越来越多的人开始做自媒体、做分享。很多是从大厂出来的朋友，第一次站到台前，把自己在公司里积累多年的经验讲给大家听。这客观上是好事。我也认真听了不少。 但听多了之后，我发现这些分享大多绕不开两个主题。 一个是如何在大厂里继续往上爬：怎么升职，怎么做 visibility，怎么管理向上关系，怎么在复杂组...
AI正在奖励那些“最不专业”的人
为什么你对AI无感？一个关于“打工人”与“赚钱”的底层逻辑 我们正在目睹一个极其有趣的现象：随着AI能力的飞速提升，不同人群的反应出现了巨大的两极分化。 一边是“AI狂热者”。他们眼中闪烁着光芒，在各种场合不厌其烦地告诉你：AI可以做这个，AI可以做那个，AI无所不能。他们坚信AI是革命，是未来，是能带来10倍、100...