何谓企业AI转型的1+N范式？第四范式推新一代SageOne软硬一体系统

“科学规律的数量井喷，产业全面进入科学时代”，第四范式创始人兼CEO戴文渊道出了他的洞察。

1998年图领奖获得者Jim Gray于2005年提出《第四范式》，第四范式的典型特点是数据科学，计算机从海量数据中发现规律、形成理论诠释自然现象。此即第四范式公司的愿景与目标。

戴文渊提到，在第四范式时代，企业的评估指标发生了变化，从追逐资产负债率、增长率、净资产收益率等维度，改为追求创新速度，比如每天能找到多少个客户需求，每天能发现多少种降低成本的新方法，每天能找到多少个提升企业运营效率的新思路。

这不是仅仅靠增加人力就能实现的任务，商业智能的重要性在此凸显。

智能化转型1+N新范式

戴文渊提出了企业全面智能化转型新范式：1+N。1代表追求极致的业务效果，如何充分发挥数据的价值，如何从“事后分析”变为“实时决策”。N代表追求规模化落地效率，如何让一个Web开发人员也能开发AI应用，如何解决AI落地过程中的数据瓶颈。

在1+N之下，充沛且高效的算力是基础，第四范式不仅提供软件开发平台，还提供AI算力的硬件平台，

第四范式联合创始人兼首席架构师胡时伟回答了如上1+N的问题，第四范式认为，统一方法论+AutoML=快速构建AI应用，面向AI数据治理=规模化AI落地。

构建“闭环AI应用”的两大挑战，其一是数据的准备，传统的数据积累并不适配于AI应用，AI数据准备平均耗时达到14人月；其二是模型的开发，AI专业人才缺失+高难度复杂的模型开发上线过程，导致模型开发上线平均周期达到了16人月。

在AI数据治理中，第四范式能够提供数据采集访问双实时，全量原始数据，线上线下一致性和利用回流数据自动标注的功能

有了大规模AI应用，并不意味着万事大吉，很多时候算力都会成为阻碍。胡时伟提到，在追求核心场景的极致效果案例中，随着数据量扩大，机器数量是指数级上升而非线性；在追求规模化落地大量AI应用场景的案例中，随着机器数量和场景数量增长，整体TCO也是指数级增长。传统算力和AI应用负载之间存在天然的鸿沟。