Games, Teams, and Moonshots: Google Cloud’s Will Grannis
31:00 Share

不上屋顶，能上月球吗？

我们将与谷歌云首席技术官 Will Granis 讨论这个话题。Will Granis：欢迎收听《我和 AI》，这是一档关于人工智能在商业应用的播客。每一期节目，我们都会为您介绍一位在人工智能领域进行创新的嘉宾。我是 Sam Ransbotham，波士顿学院信息系统教授。我也是麻省理工学院斯隆管理学院人工智能与商业战略大型项目的特邀编辑。

我是 Sherven Kodabande，BCG 高级合伙人，我共同领导 BCG 在北美的 AI 实践。麻省理工学院斯隆管理学院和 BCG 合作研究人工智能五年，采访了数百名从业者，并对数千家公司进行了调查，了解在整个组织中构建、部署和扩展 AI 能力以及真正改变组织运营方式需要什么。

今天我们与 Will Granis 进行了交谈。他是谷歌云首席技术官办公室的创始人兼领导者。Will，感谢您今天加入我们。很高兴来到这里。感谢你们的邀请。从谷歌云到你的背景，这可是个不小的转变。你能告诉我们你是如何走到今天的吗？也许可以称之为正规教育和非正规教育的结合。正规教育方面，亚利桑那州公立学校系统。

后来是西点军校，数学和工程学本科。后来在宾夕法尼亚大学沃顿商学院获得了 MBA 学位。

现在，也许更有趣的部分是非正规教育。这始于三年级。那时，我认为是游戏最初激发了我对技术的兴趣。所以这是 Pong、Oregon Trail、Intellivision、任天堂，所有游戏平台。我只是着迷于你可以在手机上打开一个光盘，然后你就能看到 Tron 在屏幕上移动。那真是太酷了。

所以，你知道，今天的体现是可汗学院、edX、代码学院，这样的平台，你知道，这个完整的在线知识目录，感谢我的现任雇主谷歌。

而且，你知道，举个例子，这周，我正在将一些机器学习代码移植到微控制器，并感谢这些我称之为非正规教育平台的平台，从而复习我的 C 语言。所以，你知道，这是一段从正规教育开始的旅程，但它确实被其他人、好奇心以及这些非正规平台所加速，在那里我可以去探索我真正感兴趣的东西。

我认为，尤其是在人工智能方面，我们非常关注游戏，以及机器是否在游戏中击败了人类，而游戏和商业场景之间似乎存在如此大的差异。那么我们如何才能建立这种联系呢？我们如何才能从游戏中学习到的东西转移到企业可以从人工智能中学到的东西呢？

游戏令人兴奋，也很有趣，但让我们来看一下游戏的根本要素。了解你所处的环境并定义你想要解决的问题。如果可以的话，目标函数是什么？这正是每个制造商、每个零售商、每个金融服务机构在开始应用机器学习时都会问自己的问题。

所以在游戏中，目标函数往往更有趣一些。这可能是一个对抗性游戏，你试图获胜并击败其他人。但是，如何在游戏中获胜的根本原理，

实际上与你在现实世界中设计机器学习以最大化你拥有的任何其他类型的目标函数非常非常相关。例如，在零售业，如果你试图减少消费者在线体验的摩擦，你实际上有一些你试图优化的目标。将它视为游戏实际上是在问题定义之初的一个有用的结构。我们真正想要实现的是什么？

我会告诉你，在过去几十年里，我一直从事人工智能和机器学习工作，你知道，当它很酷的时候，当它不酷的时候，我可以告诉你，问题定义以及真正深入了解你试图解决的问题是绝对最重要的成功标准之一人工智能和机器学习。

是的，我认为这很有见地，Will。这可能是我问题的很好的过渡。那就是，在几乎任何行业中，我们看到的都是，在从 AI 中获得影响方面，有赢家也有输家。赢家远少于输家。我相信许多首席执行官都在思考这个问题，

到底是怎么回事？我深信，这很大程度上是你所说的，那就是它绝对必须从问题定义开始，并且要获得业务用户和流程所有者的正确视角。

并将一线经理纳入该问题定义中，这应该是至关重要的。既然我们正在讨论这个问题，那么了解一下你从你的位置和你的观察中获得 AI 最大影响的一些成功因素将会很有趣。

我无法准确说明为什么每家公司在 AI 上都成功或不成功，但我可以提供一些我们尝试应用以及我通常尝试应用的原则。我认为今天我们听到和看到很多关于 AI 及其创造的奇迹。我认为有时这会对试图在生产中实施 AI 的人造成损害。我给你举个例子。

我们在谷歌最初是如何开始使用 AI 的？好吧，它是在我们已经拥有非常完善的数据管道的地方，在那里我们已经用尽了我们用来确定性能的启发式方法。相反，我们将机器学习视为提高我们广告效果的一种选择。

而且，正是因为我们已经完成了所有基础工作，我们了解了如何策划、提取、转换、加载数据，如何共享数据，如何考虑这些数据可能产生的结果，如何构建实验，实验设计，以及如何有效率地利用这些数据，我们才能够在我们的组织内部测试机器学习的前沿。也许对于你的问题，也许大多数组织今天最大的机会之一

也许是机器学习，但也许今天实际上是如何利用数据，如何共享数据，如何围绕数据进行协作，如何丰富数据，如何使其易于与具有高复杂度水平的群体（如数据科学家）共享，但也包括分析师和商业智能分析师。

试图在短时间内为业务主管解答难题的专业人士。除非你拥有这种程度的数据复杂性，否则机器学习在可预见的未来可能无法实现。是的，我还想到一个地方，你可能会谈到的是你之前关于游戏和业务之间类比的内容。

围绕问题定义，正确定义问题的重要性。当你说到这一点时，引起我共鸣的是，许多公司根本不知道如何建立这种联系，也不知道从哪里开始，这实际上是我们试图用 AI 解决的实际问题是什么？许多人关注的是 AI 可以做所有很酷的事情以及我们需要的所有数据和技术，而不是从问题定义开始，然后

从问题定义倒推到数据，然后 AI 如何帮助他们解决这个问题？这真的是一种心态。我会分享一些内部消息。在谷歌，我们的工程师编写了一份内部文档，以帮助彼此开始机器学习。第一点，有一份包含 72 个因素的清单，你需要做的事情才能在机器学习中取得成功。第一点是你不需要机器学习。

之所以如此强烈地说明这一点，实际上是为了揭示问题丰富性的心态。

而问题的细微之处实际上会产生所有下游，正如你所说，所有下游的实施决策。因此，如果你想减少在线结账的摩擦，这与试图优化某人在线电子商务体验中的优秀推荐是不同的问题。这是两个截然不同的问题，你可能会以不同的方式处理它们。它们可能有完全不同的数据集，但

它们可能会对你的业务产生完全不同的结果。因此，我们谷歌多年来所做的一件事是，我们试图采用我们内部的创新捷径，创新和创造力的方法，并试图将其编纂成文，以便我们能够在执行项目时保持一致性，尤其是那些冒险进入未来模糊领域的任务。这个框架，它真正包含三个原则。

第一个，正如你可能预期的那样，是关注用户，这实际上是一种说法，让我们解决他们最关心的问题，他们最关心的痛苦。第二步是考虑 10 倍，因为我们知道，如果它值得所有这些跨职能团队的时间投资，并且要创建数据管道并对其进行管理，并测试这些管道和数据集中的潜在偏差以构建模型。

并测试这些模型，这是一项巨大的时间、专业知识和关注力的投资。因此，我们希望确保我们正在解决一个规模也值得的问题，并且它确实以一种不小的方式，而是一种非常大的方式来推进我们正在尝试做的事情。然后第三个是快速原型设计。除非你考虑过这个问题，否则你无法进行快速原型设计，你已经构建了你的环境，以便你可以快速地进行这些实验。有时

我们会代理结果，只是为了看看我们是否根本关心它们，而无需在全面生产中运行它们。因此，这个框架，即关注用户、考虑 10 倍，然后进行快速原型设计，是我们无论产品领域如何都在谷歌使用的策略。这确实很有见地，尤其是“考虑 10 倍”的部分，我认为这非常非常有帮助。我真的很喜欢这一点。

我认为，你正在游说一种，我称之为，对人工智能方法的非常强大的探索性思维方式。

而不是更多地关注增量式方法，或者让我们做得更好。这对每个人都适用吗？你认为这是否是谷歌的特性？我想今天听众中的几乎每个人都不会在谷歌工作。你认为这在各种地方都能奏效吗？这可能超出了你能谈论的范围，但你认为这在所有组织中都能发挥多好的作用？

好吧，我认为心态和这些原则的体现方式之间存在差异。机器学习本质上就是探索，对吧？它是近似值。你正在查看数学，你正在寻找你非常确信事情发生了重大变化的地方，以便你可以进行特征工程，并且你可以理解你正在做出的选择的意义。

在很多方面，数学探索与人类探索类似。顺便说一句，仅仅因为我们有一个好主意并不意味着它会在谷歌获得资助。是的，我们是一家非常大的公司。是的，我们做得很好。但是我们的大多数重大突破并非来自一些自上而下强制执行的巨大项目，每个人都说它会成功。

Gmail 是由那些很早就被告知它永远不会成功的人创建的。我们发现这是一个非常普遍的模式。在谷歌之前，我做过几次创业，我自己的公司和别人的公司。我还曾在其他拥有世界一流工程团队的大公司工作过。我可以告诉你这是一个模式，那就是给人们足够的自由去

去思考未来可能是什么样子。我们在谷歌有一种描述 10 倍的方法，你可能听说过它被称为登月计划。好吧，我们的内部工程团队也创造了屋顶计划这个词，因为登月计划通常是由一系列屋顶计划完成的。而且

如果人们不相信最终状态，即大的转变，他们通常不太可能跨越这些屋顶计划，并在事情变得困难时继续前进。我们不会在一开始就向人们提供大量的资源和帮助，因为这很难说，作为一名领导技术创新的高级主管，但是很多时候我并不完全了解。

什么项目对团队来说影响最大，我的工作是创造一个让员工感到有权、受到鼓励和兴奋去尝试的环境，并尽可能少地让他们失去动力。

因为他们会找到自己的路，你知道，他们会找到通往屋顶计划的路，然后是下一个，然后是下一个。然后很快，你三年后，如果我想阻止一个项目，我也无法阻止。这将因为这种精神，这种探险家的精神而发生。告诉我们更多关于你在谷歌云的角色。我认为我在业界拥有最好的工作，那就是我可以领导一群来自各个行业、

以及各个地区和堆栈中各个位置的首席技术官，从硬件工程一直到 SaaS、量子安全。我可以领导这个令人难以置信的团队。我们的使命是在我们的客户、我们的顶级客户和我们试图利用技术做令人难以置信的事情的谷歌顶级合作伙伴以及在谷歌构建这些基础平台的人之间架起桥梁，并试图使它们协调一致。因为随着谷歌的发展，

现在，尤其是我们的云业务，我们已经成为许多世界顶级组织的合作伙伴。因此，例如，如果美国职业棒球大联盟想要通过数字设备在家为你在家创造一种身临其境的体验，或者最终当我们更多地回到体育场时，这不仅仅是我们创建技术，将其呈现给他们，他们告诉我们他们喜欢什么，然后发送回来，然后我们旋转它。

它实际上是协同创新。因此，你知道，我们有一些我们认为可能非常有趣的方法来进行机器学习。我们拥有 AR、VR 技术，我们拥有内容交付网络。我们在谷歌拥有所有这些不同的平台。

在这种探索模式下，我们会与这些大型客户一起，他们不仅帮助指导功能，而且帮助我们思考接下来要构建什么。然后他们最终取决于，他们建立在这些基础平台之上，他们想要作为美国职业棒球大联盟对我们这些棒球迷的体验。这种交织的协同技术开发是核心，这种协同创新是核心

我们在首席技术官团队中所做的事情。这是一个很好的例子。你能多谈谈你如何制定这类项目的战略吗？我非常看好让首席技术官和首席信息官坐在组织的最高层，因为首席信息官通常参与公司自己使用的技术，对吧？为了自身的创新。

我经常发现，你内部拥有的工具和协作、文化会体现在你为他人构建的技术中。首席信息官关于如何协作的观点、工具、人们如何一起工作、他们如何可以一起工作，与首席技术官的观点一样重要。

进入哪些技术可能最具影响力，最具颠覆性，从外部进入。但你也希望他们坐在首席营销官旁边。你希望他们坐在首席营收官旁边。你希望他们与首席执行官和首席财务官在一起。原因是这会产生一种张力。我永远不会主张我的所有想法都很好。有些是，但有些没有成功。

在制定公司战略时，这种未经过滤的张力非常重要。事实上，这是我从在谷歌内外的一些首席执行官那里学到的一件事，那就是这是一项共同的责任。首席技术官的责任是让自己进入房间，增加价值，而首席执行官的责任是在运营模式可能并非如此的今天，将它贯穿整个组织。

是的，这是非常正确的。并且在很大程度上证实了我们的工作，Sam，这不仅仅是关于构建技术层。这是关于流程变化。这是关于战略一致性。而且，最终也是关于人类必须做些什么不同的事情。

并与 AI 合作，与 AI 协同工作。它还关乎管理人员、中层管理人员以及那些使用 AI 来提高生产力、提高精确性、在日常工作中更具创新性和想象力的人。你能对这方面发表一些评论吗？例如，它如何改变了不同角色中个别员工的角色，无论是营销、定价还是客户服务？对此有什么想法或建议吗？

我们与一家大型零售客户进行了这样的练习，结果发现，来自组织外部的人员，物理安全和监控组织，结果发现，该问题最具颠覆性、最有趣和最具影响力的

框架来自产品团队中与该领域完全无关的人员，他们只是作为其组织的代表被邀请参加此次研讨会。所以，你知道，我们不可能让每个人都参加每一次头脑风暴会议，尽管，你知道，技术允许我们将很多人放在同一个地方，同一个时间。

但是选择谁参与这些时刻绝对至关重要。仅仅依赖角色或依赖责任是一种让相同的信息一次又一次地重复出现的方式。这当然是我们在一所基于人文学科的大学中正在思考的事情，这种融合以及人们的角色。对我来说，有趣的是，在你所有的例子中，你都谈到了将人和来自跨职能团队的人聚集在一起。

你从未提及机器作为这些角色或参与者之一。这太牵强了吗？人类的这些组合将如何加入机器的组合？我认为，至少在任务层面，我们从机器那里学到了很多东西。在什么时间点它会被提升到更具战略性的层面？

这太遥远了吗？不，我不这么认为。但在早期阶段。你可以看到这种体现的一种方式是自然语言处理，例如。我记得我们有一个项目，我们正在训练一个聊天机器人，结果我们使用了原始日志，所有隐私都得到保证等等。但我们使用了客户提供的这些日志，因为他们想看看我们能否构建一个更好的模型

结果发现，聊天代理并没有完全按照我们希望另一个人与我们交谈的方式说话。为什么？因为当人们与客户支持部门交谈时，他们会非常生气，他们使用的语言不一定是我们在本播客中彼此使用的语言。所以……

我们确实认为，机器在某些时候能够提供一些有趣的响应输入，广义输入。但我现在可以告诉你，你必须非常小心地释放一个自然语言支持的合作伙伴，它是一台机器，位于你的创造力和创新会议内部，因为你可能听不到你喜欢的那些东西。

好吧，看来这里也存在一个角色，我不知道，这些东西中会有偏差。这是不可避免的，在某种意义上，我通常很高兴看到这些 AI 和 ML 系统中出现有偏差的决策，因为至少它被发现了。我们现在在这个世界中有很多无意识地发生的事情。如果我们正在学习的一件事是机器正在指出我们与聊天机器人交谈的方式有多糟糕，或者我们做出其他决策的方式有多糟糕，

这可能是改进整体的第一步。是的，负责任的 AI 推动，它永远不会结束。这是那些确保负责任和道德实践需要关注整个活动链的事情之一。在我们看到真正有影响力的两个领域，当你可以关注原则时

作为一个组织。那么，你将通过哪些原则来处理你的项目，并对其进行审查，并考虑其影响？因为你无法预先定义机器学习和人工智能可能产生的所有潜在输出。这就是我所说的旅程。我不确定是否有最终目的地。

我认为这是一个持续的，并且与我们今天讨论的许多主题相符，它是迭代的。你考虑一下你想如何处理它。你有一些原则，你有一些治理，然后你看看会发生什么。然后你一路进行调整。但是如果没有这个基础，就意味着你将每个实例都视为其自身的唯一实例。

这在规模上是站不住脚的。即使很小，你知道，这不仅仅是谷歌规模的事情。对于任何想要通过任何规模的 AI 来区分自己的公司来说，都会遇到这种情况。好吧，我们非常感谢你今天抽出时间与我们交谈。这真是太棒了。我们学到了很多东西。真的，真的，一次有见地和坦率的谈话。非常感谢。哦，当然。我很荣幸。感谢你们的邀请。

Sam，我认为这是一次非常好的谈话。我们一直在与谷歌云首席技术官办公室的创始人兼领导者 Will Grannis 交流。

好吧，我们可能失去了一些听众，他们说在他的清单上，你不需要 ML 作为第一项。但我认为他的清单上还有 71 项其他内容，我认为这些内容确实涉及机器学习。但我认为他提出了一个非常重要的观点，那就是不要被技术、功能和功能所困扰，而要考虑业务问题和影响，并为影响制定真正非常大的目标

然后还要考虑你不需要一步到位地实现登月计划，你可以通过逐步的跳跃到达那里，但你必须始终关注月球，我认为这非常非常有见地。

这是一种很好的表达方式，因为我认为我们确实专注于考虑 10 倍，而我们可能对他的第一点关注较少，那就是用户关注和问题。我认为另一个重要的观点是关于协作的观点。我

我认为这是一个用词过滥的术语，因为在每个组织中，每个团队都会说，是的，是的，我们完全合作。每个人都在合作。他们互相通报情况。但我认为 Will 谈论的真正含义超出了这一点。协作有多种含义。你可以说，只要我让人们了解情况或向他们发送文件，我就正在合作。但他所说的意思是，我的团队中没有一个人能够独自成功。

而这是一种不同的协作方式。这实际上意味着你与你的团队的其他成员紧密相连，以至于你自己的结果和输出是

取决于其他每个人的工作。没有他们，你就无法成功，没有你，他们也无法成功。这真的超出了协作的范畴。这就像团队是所有人的混合体，他们都嵌入在彼此之中，就像一种物质一样。化学术语是什么？是的，我知道你会提到化学方面的参考。就是这样，混合物。混合物还是混合物？作为一名化学工程师，我应该知道这一点。没错，我们不会在本节课程中对此进行测试。我希望我的加州理工学院同事没有听到这一点。

是的，实际上，协作这件事，很容易宣扬协作。如果你仔细想想，我们采访的没有人会说，好吧，我真的认为人们不应该合作。我的意思是，没有人会这样说。但与他所说的不同之处在于，他们围绕它制定了流程，并且他们听起来像是它具有结构和激励措施，因此人们有动力很好地协调一致。嗯哼。

我喜欢游戏类比，游戏中的目标函数，无论是对抗性的，还是你试图击败一个关卡，或者在某个地方释放一些隐藏的奖励，在这些游戏中都存在某种优化、模拟、近似或相关性。因此，这种转变的类比

到一个业务问题，严重依赖于目标函数的定义。是的，我认为他关于游戏的说法很重要，因为他

他确实立即指出，你知道，我们可以将这些视为游戏，我们从游戏中学习到了什么，我们从游戏中学习到我们需要目标，我们需要结构，我们需要定义问题，他将这一点与我们认为是信息完美的游戏到非结构化游戏之间的转变很好地联系起来，它仍然需要那个问题定义，我认为这是一个很好的转变，他指出了拥有良好数据才能使 ML 发挥作用的重要性

他还强调了谷歌云如何在内部以及与外部客户之间进行协作。下次，我们将与 1-800-鲜花公司总裁 Amit Shah 谈谈它如何利用 AI 通过其平台解决独特的协作挑战。请下次加入我们。感谢收听《我和 AI》。如果您喜欢这个节目，请花点时间给我们写评论。

如果您向我们发送屏幕截图，我们将向您发送麻省理工学院斯隆管理学院关于人工智能的最佳文章合集，限时免费。将您的评论屏幕截图发送至 [email protected]。