中国IDC圈4月15日报道，当你下一次运行 Facebook 时，无论是网页版还是 App，你可以仔细想一下，个人页面刷新、家庭相册浏览等这些操作会需要多少计算量，然后再乘以十亿用户，而且每一天都如此。
这不仅是运营一家「财富500强」（第242位）的社交网络公司，也是在运营异常庞大的支撑各种服务的计算基础架构，包括处理器、存储器以及知道用户各种需求的软件。
Facebook 为全世界五分之一人口提供服务，而且去年年底，全球32亿人口中有超过一半的人成为了互联网用户。此时，这不是一个不理性的问题：地球上有足够多的人来驱动这样一张巨型网络吗？
回答是否定的，至少是负担不起的。这就是 Facebook 求助人工智能的原因。
五年前，Facebook 推出 Open Computer 硬件倡议，他们这么做的原因是为用户提供 News Feed 服务的成本完全就是产品销售成本，即便对于这样一个当时拥有7.4亿用户的网站。因此，打造公司自己的计算基础架构，让博文发布更快，成本更低，成为公司的基础需求。
Facebook 表示，公司已经从对 Open Compute 的投资中节省了超过20亿美元。但在互联网领域，五年就是一个时代，如今每个科技巨头都在设法征服另一个难题。虽然他们可以低成本的提供内容服务，但在数十亿博文中，要搞清楚推送哪类内容依然有很大挑战。因此，就像 Facebook 五年前通过 Open Compute 计划开始重新搭建硬件产业一样，最近，公司也创造了一个管理人工智能的内部平台，如此一来，就能精准推送你想看的内容。而且，公司也希望将这个「机器学习」平台规模化。（「机器学习」是一种人工智能类型，能让计算机在没有预编程的前提下学习如何运行。）
「我们正试着打造超过 15 亿个人工智能代理（AI agents）--为每个使用 Facebook 或公司其他产品的每一个人服务。」新近成立的机器学习应用组负责人 Joaquin Candela 说，「那我们应该怎么做到呢？」
Candela 说，你要从以前的胜利中汲取灵感。Facebook 的基础架构团队也是机器学习应用团队的灵感之源。
「我们倾向将诸如存储、网络设计以及计算视为理所当然的事情，」他说，「当视频小组做直播视频时，人们并没有意识到这件事的量级。这很愚蠢。而基础架构小组就是在那个地方传递魔力--将不可能变为可能。我们需要对人工智能做同样的事情。也需要将人工智能变成你们认为理所当然的工程结构中的一部分，如此完整的一部分。」
去年九月，Facebook 成立了机器学习应用团队（Applied Machine Learning team）。团队负责运行一个覆盖全公司的机器学习内部平台，叫做 FBLearner Flow ，这个平台就相当于人工智能领域的 Open Computer ，不过最大的区别在于：它并不会依托于开源硬件来提供给世界。公司说，如果没有 Facebook 手头数据，这个平台本质上没啥用。
FBLearner Flow 结合了几个机器学习模型并用于处理几十亿数据点，这些数据点来自网站15亿用户的活动，并能对数千件事情进行预测：图片中有哪位用户，哪些可能是垃圾信息。FBLearner Flow 模型创造的算法有助于界定什么样的内容出现在你的动态消息中，以及你会看到什么样的广告。
基于以上内容，我们会很容易得出结论：Facebook 使用人工智能会让公司13,000雇员中的某些人失去工作。「但现实并没有什么变化，」公司 CTO Mike Schroepfer 说。人工智能恰恰是在帮助公司提升工程师的能力。他说，「我们能做之前无法做到的事情。」
Applied Machine Learning 主任 Joaquin Qui?onero Candela
在 Schroepfer 看来，Facebook 经常能够发现那些好机会，即便自己还没有能力去征服--至少在人类力量的范围内还无法解决。看一下公司最近发起的一项新功能，为视觉受损人提供图片说明（以让其「看到」图片）。如果公司雇人手动为上传到网络的每张图片内容做标记，成本会非常高，也无法规模化，当然也不可能期待用户自己来做这个事情。但不管对于视觉受损人士，还是对于 Facebook，这些信息都是有用的。现在通过使用 FBLearner Flow 平台上的计算机视觉模型，一台计算机就能自动梳理数十亿张图片并给照片加上标签，并实现了较为理想的准确率。
「它正在让新应用成为可能，特别是规模化解决问题。」Schroepfer 说。Facebook 使用这种基于机器学习的办法来翻译 News Feed 博文；在用户看到之前监测到网站不合适的内容；在打造 M 过程中，公司通过人与机器的结合去打造一个私人助理。