在五年前, 人工智能领域里具有知名度的研究员写了一篇文章, 并且在这篇文章中说, 传统意义上的人工编写的代码属于被称为是软件一点零的范畴, 而下一个时期的软件二零零年代将会以神经网络作为基础来进行编程工作, 就在从现在到这个完全实现的过程当中, 是会突然间出现或者说是像现在这样的能够具备很大分量和影响力的平台对象的。
作为人工智能领域里具有网红属性的公司, 名叫"抱抱脸"的机构, 也就是大家熟知的"Face", 它有着一个宏大的目标, 那就是有志想要成为所谓的软件2.0这一时代的领军角色。
在这个名为"Face"的平台上面, 用户是可以去托管机器学习模型, 以及托管数据集合之类的东西的, 然后就可以对它们进行共享, 可以对其进行协作, 甚至可以对其进行评价, 在完成这些步骤之后, 最后是将它们投入到生产应用之中去的, 这种操作模式在某种程度上是跟互联网上的某些平台的托管模式和协作模式是存在相似之处的。
至于现在的情况, 是靠着一个非常耀眼的明星项目库而走红了的面料关注点呢, 并不是仅仅局限于名词化词处理这一类的库了。Face平台目前已经实现了共享操作, 其内容数量超过了100,000个预训练模型以及10,000个数据集。
这些资源的内容范围广泛, 涵盖了自然语言处理领域、计算机视觉领域、语音领域、时间序列分析领域、生物学领域以及强化学习领域等多个方面。该举措旨在帮助科学家以及相关从业者更好地构建各类模型, 从而便于他们将所构建的模型应用于实际的产品开发过程, 或者融入到日常的工作流程之中。
大家看到这些特别亮眼的成绩。之前有篇文章叫《一个史上增长最快的AI项目》。在里面, Face公司的首席执行人员和联合创始人Clément说了一些话。他认为主要原因在于, Face这家企业把科学和生产这块儿给连起来了。因为它搭建了一个平台。
这个平台给搞开源的人和做科学研究的人提供了帮助。这么做出来的价值, 跟通过搭建设备专有工具做出来的价值相比。前者比后者高出了超过一千倍的量。还有呢。好多搞开源软件的公司以及其他的公司都没有做到这些事儿。
Face培育了一个庞大的开源社区, 所以它的走向商业化这一件事情, 看起来好像是特别自然而然的结果。当前的一个状况是, 使用他们提供的产品和服务的公司数量, 已经超过了1万名, 而在这些公司里面, 付费用户的数量超过1000家。
关于资本市场方面, Face也很受大家的喜欢和关注, 它在今年5月的时候, 完成了1亿美元的C轮融资, 在这个轮次之后, 该公司的估值达到了20亿美元。在近期主持的The Robot节目的时候, 聊了关于Face的发展历程、开源协作和商业化方面的内容, 以及机器学习行业的发展情况。
以下的内容是来自于对话实录的部分, 该部分文字是由社区成员进行编译整理的。
从研发聊天机器人到开源平台
在2016年, 当你们开始创办企业的时候, 为什么最初会下定决定要去开发聊天机器人这类的产品? 后来, 你们的想法又是发生了什么样的变化, 从而转而去搭建了那些机器学习方面的开源资源库呢? 我和另外两位伙伴、Wolf一起, 共同创办了Face这家公司。
我们始终对机器学习怀抱着极大的热爱之情, 内心深处认为机器学习所代表的方向就是未来发展的趋势, 同时也是我们一心想要去努力奋斗的事业领域。我们打算去挑战那些处在机器学习领域前沿, 同时也属于最难的部分的那些方向。
基于这种打算, 我们做出了一个决定, 那就是去动手开发一款具备娱乐功能的AI系统, 这个系统要能够进行开放域内的对话。它应该能够达到像科幻电影《Her》中所呈现出来的那位AI所拥有的水平。在与人类交流的时候, 它不仅可以讨论天气的情况, 也能够谈论关于朋友的事情。
此外, 爱情以及体育比赛等各种各样的话题, 都可以在它的交谈范围之内成为大家共同聊天的内容。
当时市场上还没有人能够做好那样的聊天机器人, 那时候的Siri还有Alexa都属于事务型的AI, 它们主要的作用是用来帮助人类去执行某些具体的任务, 但是缺少趣味性, 也缺乏娱乐性, 所以我们团队就确定了这一点作为创业的方向, 为了让开放域对话式AI这项技术能做到位, 我们必须把一系列各不相同的机器学习相关任务全部都做好。
我们需要从文本里提取出信息, 理解文本的意图以及情感, 还要去生成对应的回答。在对话当中如果涉及到图片的话, 那么还需要进行图像识别的工作。我们还希望人工智能能够驾驭非常多的聊天话题, 所以需要多种类型的数据集。比如说, 如果要聊体育比赛的话, 就需要有体育方面的数据集。
如果要聊天气的话, 就需要有天气方面的数据集, 等等等等。刚开始的两年时间里, 我们一直都在做这一件事情。我们是很幸运的, 因为在创业初期的时候, 就把自己想要做的事情给做好了。
后来我们就搭建了这个 Face 平台, 这个平台上拥有各种各样的模型以及数据集, 大家几乎能想到什么, 就把它添加到上面去, 因为我们的初衷始终是希望能够为整个机器学习社区做出一定的贡献。
在我们决定将相关内容开源之后, 立刻迎来了非常热烈的反响, 众多开发者都积极地参与到代码的贡献工作中来, 许多企业也开始着手使用这个 Face 库, 这一系列的情况让我们真正确凿地感知到, 我们所创造的价值是非常巨大的。
虽然现在还不清楚这个平台的具体意义到底在于哪里, 但是既然有数量非常多的人对它保持着感兴趣的状态, 那么它必然具备十分重大的作用。在经过了几个月的时间之后, 我们就做出了将重心从研发聊天机器人转向搭建机器学习平台的决定, 并且此后一直沿着这样的发展道路在前进, 直到直至至今天的状态。
这是我们整个创业历程当中所做出的最为正确的决定, 对于这个决定, 我们心中存在着非常强烈的愉悦之情。你们当初为什么选择开源模式。
不同公司想法不一样, 有些公司认为自己的主要竞争力是有别于其他公司的特有技术, 然而我们觉得公司的竞争力体现在技术创新能力上, 还体现在开发速度有多快, 因此我们决定选择开源这个方式。在机器学习这类发展极其迅速的领域, 技术进步的变化非常快速且频繁。
通过公开源代码来与他人共享, 这一行为能够帮助其他人解决问题, 同时也能够为整个社区吸引更多优秀的人才加入, 这样做最终能够提升我们自身解决实际问题的能力。虽然在现实情况里, 的确有一部分人群对参与社区层面的共同建设这件事抱有不乐意、不想付出的态度。
然而从本人的主观判断来看, 开放源代码依然是一项非常理智且具备长远意义的决策行为。之所以这么讲, 是因为它能够有效提升相关人员对于技术动态变化的敏锐程度。同时, 它还能够起到确保本公司在技术发展前沿始终占据有利位置的作用。
当前存在的一个现象是, 众多专注于人工智能领域的人工智能类企业已经在很大程度上丧失了自身原本具备的技术领先优势。这种状况即便存在于那些目前经营状况良好、处于盈利状态的企业身上时, 也导致了一个结果, 就是它们难以招聘到能够在人工智能专业方向上发挥核心作用的专业人员。
我们认为这个所产生的问题是非常严重且致命的, 其背后的根本原因在于, 如果一家企业内部缺乏掌握最前沿技术的专业人才, 那么该类产品在最终完成时的呈现效果必然会是滞后的以及过时的。我当时记忆里的情况是 Face 平台在一开始开源的仅仅是那套代码库。
到了二零一七年的时候, 在题为 is All You Need 的那篇论文里正式推出了那个被广泛讨论的模型。这个模型的出现, 完全可以被认为是继相关的团队带来成果之后, 整个人工智能领域在过去很长一段时间内最了不起的重大突破之一。
当这个模型对外公布消息的时候, 我们内部对于这些事情的具体想法是什么呢? 那个时候我们一直都是非常紧密地关注着行业内部的动态变化状况, 比如说那些由相关人士以及 Ruder 两个人共同发表的学术研究成果。与此同时我们也在实际地操作和尝试一些比较好的理论想法, 比如说涉及表征学习这块内容的研究与应用。
我们读了那篇论文, 后来又试用了BERT模型, 觉得非常震撼, 决定做点什么。我们的库建起来后, 很快就吸引了很多用户, 觉得可以在这方面发挥重大影响力。现在人们参与和使用机器学习的方式有很多, 有人需要机器学习API, 有人需要下载模型用以训练, 还有人可能只需要训练模型的数据。
在这么多不同的需求中, Face该怎么找准自己的位置呢? 其实, 用户选择的具体抽象层, 并不是随便定的, 它既要看他们公司的类型是什么, 还得看他们在机器学习开发的整个过程里, 现在处于哪一个阶段。所以说, 当用户在机器学习的不同阶段折腾的时候, 他们是需要用到不同的抽象层的。
当他们处于构建新产品, 或者是构建工作流新功能的初始那个阶段的时候, 他们或许更愿意从最简单的抽象层级起步, 比方说从 API 开始, 又或者是从 demo 开始, 他们能够在 Face 这个平台上, 直接马上就去试用以及测试所有的模型, 完全不需要去编写任何代码呢, 这样一来他们就能够在整个项目的初期, 特别方便地去对新模型进行试验, 也方便对新用例进行测试, 同样也对新功能进行检验。
随着新功能的开发工作逐步走向成熟, 用户会有强烈的意愿希望自己在操作层面上能够管理更多的内容细节, 并且也乐意将自己的资源投入到自己的设备之中去进行优化, 目的是为了让大规模的推理任务执行效率更高, 同时把延迟的时间降下来。到了这个时候, 他们就可以一步一步地接触自己技术栈里的更多扩展模块了。
就比如说, 他们可以使用的那些库, 几乎已经把市场上特别受欢迎的开源库全都包揽进去了。对于用户这一侧来讲, Face 是一个提供模型的服务平台。同时呢, 用户本身也是 Face 平台模型共享的一份子, 是贡献者身份的存在。我们要去回答的问题是, 你们是如何引导用户来参与共享行为这件事儿的。
关于 Face 社区的发展进程, 它是一个具备有机特征的过程, 我们非常乐意听从来自社区内部用户的意见反馈, 进而对 Face 这个平台做出相应的修改与完善动作。在平台刚刚创立的那段时期里发展模式是完全由社区去推动的这样一种状态。
我们当时的首要任务是先弄清楚那些从事研发工作的人员群体心里到底想要些什么东西, 然后再采取实际行动去满足他们的这些具体需求。在比如说, 研发人员他们在最初的时候, 他们心里面是想要一个用来托管模型的平台这么个东西的, 于是我们这边就照着他们的这个想法, 去构建出了这样一个平台。
后来吸引了那些不是做研发工作的用户, 他们也想要拿那个模型来试试, 可是他们的设备跑不起来没法操作, 因此我们就开始支持在网页界面上把这个模型的演示功能提供给大家, 这就像是我们以前收购的那个可以运行演示用的机器学习模型的情况一样。
也有研发的人员提出来, 问是不是能给个办法, 好让他们去解释模型里的错误还有限制情况, 因此我们这边就推出了那个叫作模型卡的东西, 这样搞研发的人就能跟打算用这个模型的公司聊了, 这事情就像是一个不停地改进的循环, 那个提出模型卡的博士, 也在过了几个月之后, 从谷歌走了, 到了我们团队里来做员工, 关于Face这个东西提供的是平台服务这块, 那么你们是怎么赚到钱的。
你要是去仔细翻一翻过去一年里头市场上那些初创公司是怎么干下来的, 你就能发现, 开源模式到底能不能靠这个赚到钱, 这件事已经被证实了, 而且证明得还挺有力气。像那些被特别举出来的例子, 它们都是收入涨得最快的开源公司, 在商业上头拿到的成功是实打实的。
我们弄出开源这个东西, 目的就是为了给整个行业创造出能 一大截的价值来, 借着把东西开源出来这么个做法, 能让那个模型被非常多的用户拿去广泛地用起来。
目前, 使用 Face提供的超过十万个模型的公司在数量上已经累计达到了一万多家的规模, 在这些全部公开的模型之中, 有半数是可以让任何人都直接访问和使用的, 面对这样非常庞大的用户基数, 总有一部分公司是会愿意拿出钱来的, 比如说某些大型公司为了能够获得更多的企业级专属功能, 就选择进行付费, 还有一些公司是因为对 Face这个平台存在重度依赖的情况, 所以产生了特定的需求, 这些需求想要得到解决的话, 就需要花费金钱。
因为我们有信念, 这个信念就是要把机器学习这件事情做好, 并且要让大家都能够用到机器学习技术, 也就是实现所谓的"平民化"这样一个目标, 所以我们绝对不能走那些把技术封闭起来、只靠自己一家公司单打独斗的老路, 我们心里想要的是那种特别开放的协作方式, 是让每一个人都能够加入到里面来, 和我们一起去贡献出一份力量。
"开放科学"推动机器学习的发展
在一年以前, 我自打就认定那个地方是自然语言处理领域开源项目的核心聚集地, 可是到了最近, 我发现那里头又添置了好多视觉方面的模型。
就眼下这个情况来看, 在那个平台上, 语音类型的模型和视觉类型的模型都特别火, 其中语音模型的下载数量差不多每个月达到三十万人次左右, 而视觉模型的下载数量每个月都要超过二十万人次, 比方说有某些特定的模型, 这些模型在语音和视觉这两个方面都已经慢慢超过了那些所谓的处于领先状态的模型水平。
我们目前已经完成了C轮融资这一件事, 接下来我们将会更加持续地增加一些投入方面的事项, 这些投入主要是在计算机视觉这个领域, 还包括语音强化学习方面, 同时也包括在生物化学方面的投入工作。
我心里面更加期待看到的场景是不同领域之间能够实现结合的情况, 举个例子来说吧, 就是把语音技术和自然语言处理技术结合起来, 同时也要把计算机视觉技术也拉进来做结合, 然后除此之外还要加入强化学习技术来进行模型的对齐操作, 这是我自己比较期待的。
把机器学习里面的各种不同的小领域揉到一块儿, 这样干, 我们就能琢磨出办法, 去把那些老掉牙的传统任务搞得更准一点。这么一来, 搞研发的人还有大公司, 也就更容易上手了。
另外一边呢, 也能琢磨着弄出来些新的用法, 去解决那些缠缠绵绵的老难题: 虽然说现在 Face 已经没那么只盯着自然语言处理那点事儿了, 可是你们还是坐在发展这出戏的中心位置, 没挪窝。过去的五年里面, 自然语言处理跑得太快了, 简直让人看不懂有多快。
你打算怎么看这件事情的跑得飞快, 还有接下来的日子, 它还能不能接着这么火? NLP的发展速度简直是太疯狂了, 这样的迅速发展的起点, 大概是在2017年发表的那篇论文《 Is All You Need》, 然后到了2018年的时候, 出现了BERT这个大模型。
这个BERT模型, 基本上是在每一个NLP的任务里面, 在每一个基准测试里面, 都把那些所谓的SOTA模型给打败了。从这时候开始, 就有越来越多的预训练模型跑出来了, 首先是有了BERT, 接着来了一个GPT, 再往后, 又有了一个T5。
这些新一代的模型, 让自然语言处理这个领域变得更准确一些, 也更好用一些。所以在这些模型刚一发布, 过了没多久, 也就几星期的功夫。许多公司就借助了那些平台, 又加上开源的库。就开始把这些模型用到实际的生产环境里去了。这其中包括搜索这项功能。也包括信息提取这项功能。再包括文本分类这项功能。
然后, 就出现了一个叫作良性循环的情况。具体情况是怎样的? 就是让这些模型变得越来越完善, 让准确性变得越来越高。然后公司就会去使用这些模型, 同时看到了其中的价值。接着就在机器学习和NLP当中加大投入。这样做是为了获得更好的模型。这种良性循环把NLP领域的格局彻底改变了。
它是把NLP这个在三四个月前还是很小众的机器学习领域。变成了当今最大的机器学习门类。现在, 模型已经改变了自然语言处理这个领域的整体形势, 而且它们也开始被用到语音、视觉以及强化学习这些方面去了。之所以出现这种状况, 是因为"开放科学"这种东西在推波助澜。
"开放科学"它代表的含义就是, 全世界那些顶尖的研究实验室里的科学家, 会把他们自己的研究论文全部都公开出来, 并且把他们自己的模型面向全世界进行开源操作。我之所以要把这点给提出来讲一讲, 主要是因为在目前这个阶段里面, 参与到"开放科学"中去或者开展开源工作的实验室, 已经是变得越来越少了。
我希望大家把重视开源和开放当成一件非常重要的事情来抓, 要是没有了这种精神的话, 就没有 Face 今天能够取得这样的发展成果, 如果大家都不去公开分享自己的那些已经做成的东西的话, 那么未来我们发展的速度肯定是没有办法不慢下来的, "开放科学"这个概念所蕴含的那种力量是非常非常之强大的, 尤其是在机器学习这个特定的领域里面, 我觉得现在之所以有越来越多的人都开始选择去做闭源处理了, 就是因为那个训练模型所要花的钱还有精力成本确实太高了。
他们投入了几百万美元的资金, 用来处理那些非常巨大的数据量, 并且去训练模型, 所以实在狠不下心来, 把模型公开出去让外面的人免费使用。这句话是对的。
要聘请那些做机器学习的专业人才, 其成本也是非常非常昂贵的, 然而我们把整个模型的生态环境全面地看一遍就会发现, 尽管在刚开始的阶段来进行训练的话, 所花费的成本确实显得有些太高了, 但是一会儿一旦这个模型把它训练结束了, 就能够直接被放到许多不同的实际应用场景里面去用, 而且这个模型的利用效率能够达到非常高的水平。
以前呢, 我们不得不对于每一个单独的任务、每一个特定的领域、每一种不同的语言, 以及每一个具体的应用场景, 都要重新去对模型进行调整和优化。
到了现在这个时期, 假如说, 我们的目的是想要让模型能够去应对那些处在崭新领域里的全新任务, 亦或是要求它能够处理一种此前并未接触过的外语, 那么, 在后续的过程里, 只需要花费比较少的成本来进行微调操作, 便已经达到了相应的目的。
正是基于这样的一种情形, 所以人们才会觉得迁移学习这种技术展现出了极为美妙的特征。
当然啦, 大多数模型训练的事情, 都是由那些科技界的大巨头, 或者是大公司来完成的, 它们手里的资金是非常充裕的, 所以对于几百万美元这样的一笔训练开销, 对它们而言, 其实根本就算不了什么大钱。
要是咱们把各种各样的因素全都加起来综合考虑一下的话, 我觉得眼下选择把模型开源去分享出去, 这个做法还是非常划算的, 原因在于, 通过开源所换来的种种收益, 绝对会比投入进去的那些训练成本, 要多出好多个数量级。
开源, 它能够让更多人接触到你的模型, 这可以帮你提高知名度, 能够帮你培育生态, 有助于提升模型的性能, 也可以减少模型的偏差, 还可以吸引到更优秀的研究员参与进来, 这是因为那些杰出的研究员他们往往更加希望能够给整个行业作贡献, 而不会仅仅只是想为某一家公司来服务, 这种情况恰恰就解释了科学界在一旦有了新研究成果的时候, 为什么总要发表论文来把研究成果公开这一事实。
机器学习也是一个受到科学推动的发展领域, 所以这个说法也适用于此。遗憾的是眼下人们分化成了界限相当清楚的两大派别, 有一派人盯着模型的短期经济效益不放, 另一派则比较看重长期的可持续效益。在这个语境下, 模型看起来比过去的模型更具通用性, 好像朝着人类大脑所具备的那种通用能力靠近了一些。
你觉不觉得模型的这种通用特性在代码层面有所反映? 若是打算让模型去处理千差万别的各种任务, 究竟有多少比例的程序代码是可以拿来共用的呢? 你说得非常对。代码共享这个机制, 确实是迁移学习里面的一个非常大的特点。
迁移学习是模型的基础部分, 同时呢, 它也是机器学习领域里面, 最让我感到特别兴奋的一个发展方向, 它的作用是能够有效提高通用性。在最初的时候, 这个模型其实只是被应用到了NLP和文本处理这一块内容, 但是现在, 它的应用范围还可以扩展到其他的模态上面去。
于是, 现在诞生了更多的多模态模型，比如说CLIP和DALL-E就是这种"文本加图像"的混合体样子, 我比较相信这个理儿, 就是觉得未来, 不同模态之间的界限会渐渐消失的这个趋势是会有的, 在相关上面发表过一系列帖子的好内容来着, 这些帖子很好的解释了为什么不同模态之间的差别会渐渐缩小的这个原因情况。
我非常相信一个情况, 那就是经过大约三年的时间, 我们可能就不会再按照不同模态把机器学习分成为计算机视觉以及自然语言处理这些不同的方面了。我们之后更可能会把模型、迁移学习以及整体上的机器学习放在一起进行一个大范围的讨论。这其中的原因是, 去把多种多样的模态区分开来已经显得没有必要了。
因为所谓的具有不同模态这一点, 其实也就是说明了模型的输入数据类型是不一样的而已。这样一个具备通用性的特点, 肯定也会给机器学习这个领域带去一些新的活力。
首先, 原本分属不同领域的研究者可以合作, 这样的合作能够促进科研发展, 其次, 不同的公司可以使用相同的抽象, 当它们开发新功能的时候, 就会容易很多, 例如, 不同公司要研发的功能和使用的工作流有所不同, 但它们都可以使用 Face平台上的资源, 而不必单独重新研发新系统, 很多公司一开始只是研发一个非常简单的功能, 例如信息提取。
在完成了这个功能之后, 他们基于模型的通用性, 就可以继续使用同一个模型来研发文本分类功能。接着, 他们可以再做文本自动补全功能。然后, 这种能力会扩展到图像分类。这样发展下去, 可以一直不断向前推进。最终, 更多的公司能够开发出更多的机器学习功能。这就是实现机器学习的"平民化"。
Face这个工具在操作的时候, 具体是怎么个进行法。
作为一个超级喜欢打篮球的人, 我察觉到了NBA球星杜兰特也投资了咱们公司。我和他相识的经过其实蛮有意思的, 是由一个人推荐认识的, 这个人叫作Brian, 他是天使投资人的一员, 在SV Angel这家机构工作, 我们公司刚成立的时候, 他给予了非常多的帮助, 所以我们大家都管他叫"教练"。
Brian把我推荐给杜兰特以及他的投资公司Five的经理人Rich, 所以我们在这样的情况下互相认识。我是一个来自法国的人, 在此之前我对NBA比赛的认知程度并不是很高。
当第一次见到他的时候, 我并不知道他具体的身份地位, 因此我是按照像和普通人进行对话那样的方式与他正常交流, 并没有表现出像普通粉丝去见到他们心中的偶像那样感到激动亢奋的状态。虽然他本人没有明确地把这种态度说出来, 可是根据我的主观判断, 我认为他还是对彼此之间采取的这样一种沟通方法进行认可的。
他对于像机器学习这样类型的技术工作的发展前景抱着非常乐观的态度, 整个沟通的环节显得比较轻松自然, 跟其他公司进行接触的时候那种严肃的感觉完全不同, 然而在我们对待各自的事业这一方面上, 我们都拿出了认真负责的样子, 另外存在一个较为有趣的情况是这样的, 他在给我们提供投资支持的那个时候还身处金州勇士队的环境之中, 因此就我作为合作伙伴的这一身份而言, 我就开启了对于金州勇士队的支持行动, 那个时期我正处在纽约生活的状态里面, 并且我头上戴着的是属于金州勇士队的帽子。
过了两年之后, 他在距离我住处只有一个街区远的那一边加入了布鲁克林篮网队。那个时候我, 是住在巴克莱中心旁边, 也就是格林堡这个地方。既然布鲁克林篮网队的主场是在巴克莱中心这边。然后我这就感到特别左右为难。
我想来想去觉得如果我现在转过来去支持篮网队的话, 会被别人骂我是叛徒。但是如果我还是继续支持勇士队的话, 心里又非常纠结, 因为杜兰特就在那个离我不远的篮网的球队里打球。正因为面临这种两难的局面, 导致我那一段时间选择了不再关注NBA了。
接着问到了关于融资方面的情况, 在C轮融资已经全部完成完毕之后, 是不是意味着整个团队的规模也正在逐步地扩大中? 回复是肯定的, Face确实开放了不少工作岗位。团队成员的数量从去年的30个人增加到了如今的130多个, 预计在年末能够扩大到差不多200人左右。
我们的招聘手段和传统的招人工具有些不同, 我们所要寻找的是那些和公司文化能够相适应, 并且可以为公司价值带来增长的人才。因此, 我们并没有设定专门的岗位名称以及具体的工作职责内容。
我的想法是, 无论你具体在哪个岗位上, 或者负责的是哪一类工作, 只要你内心认同我们所从事的事业, 并且愿意为此去努力拼搏, 那么你总能够在这个公司里面找到属于你自己的价值, 让大家看到你的贡献和光芒。对于价值观这个问题, 我们一直以来都是坚持去中心化、坚持开放协作、坚持价值导向这样的一些原则的。
接着我想问一个关于办公地点的事情, 因为你们的办公室不是集中在同一个地方, 而是分散在不同的城市里面, 那么在平常的工作日子里面, 你们一般是怎么开展工作的呢? 在Face成立之初, 它就在不同的城市设有办公地点。我身在纽约, Wolf当时在荷兰, 而我们在巴黎也有的立足之地。
如今的情况是, 我们在巴黎和纽约拥有几个规模较大的办公室, 另外在帕洛阿尔托这个位于美国加利福尼亚州圣克拉拉县西北部的地方、瑞士、伦敦以及法国南部, 也都各设置了一间小的办公室。至于我个人, 目前主要是在佛罗里达州的迈阿密办公室进行工作, 不过偶尔我也会飞往其他某个地方去处理办公事务。
我们这个团队中大概有百分之六十的人员, 都在世界各地的地方进行远程工作, 这种情况持续了很长时间。有时我们会飞到办公室去, 和那些团队成员在一起, 进行线下的办公活动。从二零一六年公司创立的早期阶段开始, 我们就着手开展远程办公这件事, 并且这项做法一直延续到了今天。
这种模式对于构建去中心化的公司文化来说是非常合适的。所谓去中心化的核心概念, 主要是指异步、公开以及透明这几个方面。举个具体的例子来看, 我们的各项沟通行为, 基本上都是在Slack上进行和完成的。
在新冠疫情爆发之后, 由于员工前往办公室一事受到了相应的限制, 因此在此时, 那种远程办公的工作方式所具备的优势, 就一下子显现得清清楚楚的了。
（本文经授权后编译发布。原视频：）