“龍書”作者Jeffery Ullman：相信你自己，自由地思考（圖靈訪談）

圖靈訪談之四十一：專訪《大資料》作者Jeffery Ullman教授

英文版
完整無修訂英文版
Jeffrey David Ullman是一位電腦科學家，現任史丹佛大學的教授。他編寫的關於編譯器的教科書（各種版本非常流行被稱為“龍書”）、關於計算理論的書（被稱為“灰姑娘書”），以及資料結構和資料庫的相關書籍都被視為是業界的規範。1995年，他成為美國計算機協會（ACM）的院士，2000年被授予 Knuth獎。他還和John Hopcroft一起獲得2010年IEEE頒發的馮諾依曼獎章。詳細資訊。

圖靈社群：“大資料”現在在中國炒得很熱，在各種技術會議、書、討論中都有空前得熱度。你認為“大規模資料探勘”（massive dataset mining)在其中的角色是什麼？

我認為“大規模資料探勘”根本上和“大資料”是一個意思。但這並不意味著MMDS(《大資料》）這本書包含了關於大資料的一切。我和Anand Rajaraman博士對我們所挑選的演算法可謂是精挑細選。具體說來，就是我們避開了現在被稱作“機器學習”的部分。現在有一些非常強大的研究者，組成了他們稱為“機器學習”的社群，雖然他們所研究的演算法——包括聚合和梯度下降——在“機器學習”開始火熱的很長時間以前，就已經很出名而且被很多人認真地研究過了。實際上，“機器學習”就是給一些特定演算法加上的一個標籤，而且，也存在其他一些演算法，在有效分析資料方面，這些演算法的重要性有過之而無不及。其中最為突出的例子就是“區域性敏感雜湊”（LSH），它並不被認為屬於機器學習，也不是由“機器學習”研究者發明的。我在全世界各地演講，傾聽人們關於計算挑戰的討論，我認為很多人普遍缺失對於LSH技術的知識。所以我們決定在《大資料》這本書中給予LSH以足夠的重視。

圖靈社群：作為一名學者同時也是教育者，您是如何應對“大資料”熱的？您為什麼要持續更新《大資料》這本書，又為什麼把它免費分享給大家？

“大資料”說的是一組真正意義上重要而且有挑戰性的問題。它和很多現在流行的熱門詞有很大不同，那些概念流行了數年之後就會消失，什麼也留不下，而我認為大資料演算法的研究值得調動一切可以調動的力量。但是接下來好像是兩個問題，一個是為什麼要對這本書持續更新，另一個是它為什麼是免費的。

首先，我為什麼要持續更新。幾年前，我們很幸運地邀請到Jure Leskovec加入到史丹佛大學，現在他已經撐起了資料探勘這門課的很大部分。Jure在一定程度上和我與Anand的觀點有所不同，他對機器學習演算法更感興趣，他的個人研究包括了社交網路及其相關的圖問題。所以現在，Jure作為另一位作者加入到這本書中來，在書中另外開闢了一個章節，關於社交網路分析的演算法。在不遠的未來，我們打算加入大規模機器學習演算法，以及大規模降維演算法。另外，我在Google、史丹佛，以及其他地方從事的個人研究，讓我加深了對於Map-Reduce演算法的理解。所以我最近把這些知識融入到第二章中去了。

然後是，這本書為什麼是免費的。有幾個原因。其中最重要的原因就是，我和Anand都不需要通過出版這本書得到的那點版稅。劍橋大學出版社願意在有免費電子版的情況下出版此書，我們感到很高興，他們以這種方式出版也不是第一次了。他們的編輯David Tranah告訴我，他們也希望能通過書來賺錢，但是幾百年來，他們認識到，作為一家非盈利性的大學出版社，他們的首要任務是要傳播知識。

於是這也就引發了第二個原因：盈利性的出版社變得越來越貪婪，他們在美國把書價抬得極高，可以說比那些書應有的價值高出很多。所以，沒有人買書，或者買了看完了就要再賣掉，所以書的整體銷量比七八十年代的時候還要少。所以，與其通過盈利性出版社賺取一點小錢，作者們越來越有理由選擇讓自己的書免費，讓更多的人讀到它。舉例來說，《大資料》這本書每年會被下載25萬次左右。這比我所有出版過的紙版書都要多十倍以上。對於Anand和我的工作來說，沒有比這更令人欣慰的了。

其實對於這本書的免費，還有一個真實原因，那就是非法檔案分享系統已經完全不尊重我們的智慧財產權了，所以買我們書的人其實都是誠實的人，他們不願意和盜版同流合汙。而這些人的錢，我們是不願意拿的。

圖靈社群：Map-Reduce框架更主要用於離線處理，如果線上處理有什麼計算框架值得推薦？除了Map-Reduce計算框架外，還有什麼大規模資料探勘的框架值得關注？

我認為“線上處理”有兩個意思。第一個是事務處理。資料探勘總體來說不需要事務處理，所以“大資料”應用也不需要事務處理。第二個是特定查詢，你鍵入你想到的任 何查詢，然後在幾秒鐘後檢查結果，如果不滿意就重新鍵入查詢。大資料應用需要較長的執行時間，所以不太適合特定查詢。有一些新系統，在這方面超過了Map-Reduce，在真正的大資料面前只需要幾秒鐘就能給查詢以反饋。你可以看一看Dremel 系統 http://research.google.com/pubs/pub36632.html，這個系統據我理解，其實是模仿了一個開源系統，叫做Dream。

圖靈社群：很多讀者反映這本書中有很多例項應用，都是乾貨，Rajaraman博士對此貢獻不少吧？也有讀者反映這本書對於有實踐經驗的人來說更好理解，您對此有什麼建議？

Anand對整本書都有很大貢獻。他對特定的應用很感興趣，因為他曾經在Kosmix有創業背景，而Kosmix和這些應用都有關係，其中包括廣告和協同過濾等。我很同意的一點是，在這個學科以及任何電腦科學的學科裡，好的教育都應該包括實踐的內容。在我和Anand共同教授的課程中，我們要求學生自己組成小的團隊，一起應用所學的知識完成一個專案。這件事並沒有像我們所期望的那樣順利進展，因為學生們大部分時間都用在研讀學習材料上，來不及應用。Jure加入以後，我們把課程分成了兩個部分。在上學期，Jure教授課程，在下學期，我們選拔學生團隊來完成專案，這些專案是他們應用學到的知識而設計的。我、Anand, 以及Jure，我們每個人都會帶4支團隊。

圖靈社群：你有那麼多出色的學生，有些人和你共同寫書，有些人開創了Google。你最喜歡的學生是誰呢？在教他們的時候有什麼趣事嗎？

我可不能說我最喜歡哪個學生。我們都認為Sergey Brin是我的學生中最成功的一個。但是我真的沒有教給他什麼。Anand Rajaraman和 Venky Harinarayan以及Ashish Gupta（他們三個共同創立了Junglee，然後Anand和Venky又一起成立了Kosmix）也很成功。但是我幫到他們的也不多。有兩個學生在確定我的研究方向上幫助了我。Matt Hecht讓我開始了程式碼優化的研究，而Allan Van Gelder幫我進入了邏輯程式設計領域，這是資料庫研究的一大分支，資料記錄領域。但是我認為最好的學生，是那些如果我沒有橫加干預把他們送上一條嶄新的道路，他們就永遠都無法博士畢業的學生。很明顯，我可不能說具體是誰。

圖靈社群：你認為美國大學中存在一種黑客文化嗎？這樣的文化在學業上產生了什麼影響？

對於黑客有幾種解讀。第一種，是善於攻入其他人電腦系統，竊取資料的人。從這種意義上說，很少有學生參與這樣的活動。

另外一種意思是具有程式設計和科技知識的人。我們在史丹佛會經常會看見這樣的人，但是也不是特別多，軟體學院的最好的學生也有自己的興趣。史丹佛甚至不允許學生們只關注一門學科！要在史丹佛取得學士學位，你的學分只能有三分之一是來自於本專業的。這在美國學校中是比較普遍的現象。

但是史丹佛的文化中確實有與眾不同的成分，那就是大家都能開公司。甚至比應該鼓勵的數量還要多，也有很多不成功的例子。但是令人驚奇的是很多學生畢業之後都不想去已經存在的公司上班，他們都想開創自己的公司。這裡有幾門課專門講如何“創業”，這樣的文化確實在史丹佛校園裡薪火相傳。

圖靈社群：從一位教師的角度上看，你覺得你班上的中國學生怎麼樣？你對他們有什麼建議嗎？

你可能覺得這件事很有趣，那就是我教授的班級裡通常有一半學生是中國人。他們有很多都是在美國出生的碩士學生，但是也有很多是從中國，以及其他亞洲地區來的。我的建議不只送給他們，也送給所有的學生。

第一，相信你自己，而不是長輩；放眼望去，有多少偉大的計算機公司（微軟, Oracle, 蘋果, Google, Yahoo!, 亞馬遜, Facebook）是由年輕人創立的。第二，不要害怕失敗。如果你失敗的次數沒有成功的多的話，說明你想搞定的問題根本就不值得解決。

圖靈社群：我們計劃出版中文版的《電腦科學的基礎，C版》，我注意到您對這本書很是推崇，您覺得這本“老書”在今天的存在意義何在？

當這本“基礎”由Freeman出版公司出版的時候，賣的並不好，最後絕版了。阿霍和我一直認為用這種方式來展示電腦科學理論是最好的：把數學和程式設計看作是同一個硬幣的兩面。比方說，我們會解釋，其實歸納證明和遞迴程式是源於同一個概念。但是這本書的影響力在我們把它免費開放在網際網路上之前並不大。我認為這並不是個巧合。在美國的高校都很不情願讓學生買昂貴的教科書，儘管學生學費加上損失的機會成本（學生在學校的時間是沒法掙錢的）要100倍於教科書的價格。這樣的觀點很愚蠢，但是我責怪的是在美國把書價定得過高的出版商，這樣做損失了他們的市場。

圖靈社群：是誰設計了《大資料》的封面？後面有什麼故事嗎？

《大資料》和“龍書”的封面都是我的兒子Scott設計的。

圖靈社群您認為面向資料集的作業系統應該具備什麼特徵？

我沒看出來資料探勘在作業系統上也是個問題。也許選取合適的資料庫管理系統是個問題，比如說傳統的關係型系統和"no-SQL"相比較。我確實注意到SQL並沒有消失，人們正努力把它融入不同平臺上以管理大規模資料。

---

更多精彩，加入圖靈訪談微信！