Hadoop之父，Cloudera首席架構(gòu)師Doug Cutting先生

問：作為Hadoop創(chuàng)始人，請(qǐng)您回顧一下Hadoop歷史和初衷？

Doug Cutting：創(chuàng)建Hadoop的時(shí)候，當(dāng)時(shí)我正在做一個(gè)項(xiàng)目，這個(gè)項(xiàng)目的代號(hào)叫Nutch。當(dāng)時(shí)希望能夠基于開源去創(chuàng)建出一種網(wǎng)絡(luò)搜索的引擎，實(shí)現(xiàn)一種具有可擴(kuò)展性、可收縮性的數(shù)據(jù)技術(shù)。

同期我看到了來自于Google的幾篇論文，我覺得他們的想法和我們的想法是完全一致的，所以我們把Google的想法放到了Nutch項(xiàng)目當(dāng)中來實(shí)施了。當(dāng)時(shí)我個(gè)人有這樣的一個(gè)需要，就是要做好手上的項(xiàng)目，當(dāng)時(shí)我確實(shí)是沒有預(yù)想到一旦創(chuàng)建出來這個(gè)技術(shù)以后，它具有如此之廣的用途，沒有預(yù)見到它在制造、銀行、電信等很多行業(yè)的價(jià)值。它讓我感覺到非常驚喜。

問：如今Hadoop的進(jìn)展，有沒有和最初設(shè)想不太一樣的地方？

Doug Cutting：當(dāng)初也沒有一個(gè)關(guān)于Hadoop將來如何發(fā)展的計(jì)劃，Hadoop發(fā)展的演進(jìn)范圍、規(guī)模大大超出了我當(dāng)初的預(yù)想。而且最讓我驚喜的就是圍繞著Hadoop以及基于Hadoop所有的項(xiàng)目和技術(shù)，并不是基于某一個(gè)單獨(dú)的技術(shù)。而是基于多種技術(shù)組成的系列家族，整個(gè)技術(shù)系列是在不斷發(fā)展和演進(jìn)之中，也就是說圍繞著Hadoop現(xiàn)在已經(jīng)形成了非常強(qiáng)大的生態(tài)系統(tǒng)，Hadoop整體生態(tài)系統(tǒng)的演進(jìn)和發(fā)展并不受制于其中的任何一種組成的技術(shù)。

問： Hadoop常常和大數(shù)據(jù)聯(lián)系在一起，和人工智能也有關(guān)聯(lián)嗎？

Doug Cutting ：我覺得Hadoop和AI之間是非常適合、非常匹配的一項(xiàng)技術(shù)，因?yàn)锳I本身就是一種大數(shù)據(jù)的應(yīng)用。

特別對(duì)于AI系統(tǒng)進(jìn)行訓(xùn)練的時(shí)候，使用的數(shù)據(jù)越多，AI系統(tǒng)就越先進(jìn)。上周Google發(fā)表了一篇文章，主要講的是基于AI的圖像識(shí)別，也就是說，在用數(shù)以十億計(jì)的圖像識(shí)別的深度智能系統(tǒng)培訓(xùn)基礎(chǔ)之上，圖像越多，識(shí)別能力就越強(qiáng)。因此，從這個(gè)意義上來說，AI就是一種大數(shù)據(jù)應(yīng)用。

問：如何看待Hadoop和開源軟件之間的演變關(guān)系？

Doug Cutting： Hadoop作為一項(xiàng)基礎(chǔ)仍然是在發(fā)揮著關(guān)鍵作用，與此同時(shí)spark對(duì)于像IoT和AI的應(yīng)用，也在起到越來越重要的作用。

除此之外，我們也會(huì)看到新的技術(shù)會(huì)涌現(xiàn)出來，這樣能夠使得開源的整個(gè)生態(tài)系統(tǒng)進(jìn)一步得到發(fā)展和改進(jìn)。這對(duì)于整個(gè)開源的生態(tài)系統(tǒng)來說是一件好事，比方說如果有了更好的存儲(chǔ)技術(shù)或者是更好的分析技術(shù)，毫無疑問Cloudera會(huì)采用這些技術(shù)。因?yàn)樵陂_源的世界當(dāng)中，競(jìng)爭(zhēng)的邏輯是不一樣的，沒有哪個(gè)公司是擁有開源的技術(shù)。每當(dāng)開源的技術(shù)有了新的發(fā)明或進(jìn)展，開源群體的每一分子都會(huì)受益于其中。比方說如果在有一些領(lǐng)域會(huì)出現(xiàn)新的技術(shù)，在某些方面會(huì)優(yōu)于Hadoop，那Cloudera也會(huì)毫無疑問去采納這樣的技術(shù)放到我們的解決方案當(dāng)中去交付給客戶，例如kudu，它是一個(gè)非常強(qiáng)大的存儲(chǔ)引擎，它既具備了像Hbase的隨機(jī)訪問能力，同時(shí)又具有HDFS快速查詢能力，兩者兼而有之。再例如Kafka，它有很強(qiáng)的實(shí)時(shí)應(yīng)用支持能力和流處理能力，Cloudera已經(jīng)把這兩個(gè)技術(shù)采納到平臺(tái)當(dāng)中，更好地滿足需求。

另外我們也在構(gòu)建一些更多基于Spark機(jī)器學(xué)習(xí)的工具，與之相關(guān)的有一個(gè)項(xiàng)目叫Apache Spot，它幫助我們的客戶保護(hù)他們的網(wǎng)絡(luò)安全，免遭黑客的攻擊，這是我們?cè)贖adoop和Spark基礎(chǔ)之上的進(jìn)一步發(fā)展。

問：對(duì)于Hadoop分布式存儲(chǔ)來說，在處理速度、網(wǎng)絡(luò)延時(shí)和成本幾個(gè)要素之間如何取得比較好的平衡？

Doug Cutting：在很多案例當(dāng)中，我們看到處理器很多但也能夠做到低延遲，關(guān)鍵在于對(duì)于要處理的問、處理任務(wù)怎樣劃分，比如通過Hbase或通過很多交互式的系統(tǒng)像Solr 搜索，在節(jié)點(diǎn)越多的情況下反而能降低延遲，這是因?yàn)槿蝿?wù)處理有很好的并行性?？梢哉f現(xiàn)在大部分情況下，節(jié)點(diǎn)的數(shù)量或處理器的數(shù)量和延遲之間的平衡是不難找到的。

接下來就要講成本，成本確實(shí)是一個(gè)考慮因素，首先我們的軟件是開源的，而且我們所有解決方案能夠使用普通的商用硬件，所以和上一代相比成本有大幅度降低。而且我們認(rèn)為今天這種低成本的架構(gòu)是可以去運(yùn)行很多其他的應(yīng)用，只不過有很多其他的應(yīng)用暫時(shí)還沒有用上低成本的架構(gòu)，還有進(jìn)一步降低成本的潛力。

問：Cloudera在Hadoop、Spark領(lǐng)域競(jìng)爭(zhēng)的優(yōu)勢(shì)是什么？

Doug Cutting ：首先IBM、微軟等幾家ISV對(duì)于Hadoop也是大力支持的，比方說微軟是Cloudera的合作伙伴，Oracle是Cloudera的分銷商。而且我們看到在大數(shù)據(jù)領(lǐng)域，采用最多的還是開源的系統(tǒng)。

盡管在亞馬遜、微軟和谷歌的云平臺(tái)之上會(huì)有一些用戶，他們的大數(shù)據(jù)應(yīng)用使用的是專有的商用軟件服務(wù)。但是我認(rèn)為假以時(shí)日，這些客戶會(huì)再次認(rèn)識(shí)到在云中使用開源的大數(shù)據(jù)解決方案，具備成本更低、質(zhì)量更高的優(yōu)勢(shì)，因?yàn)槭褂瞄_源的解決方案使客戶可以在不同的云環(huán)境之間自由遷移。將來如果有這樣的必要性，可以選擇把這個(gè)軟件本地安裝來使用。

迄今為止，這些在大數(shù)據(jù)領(lǐng)域的商業(yè)或者專有軟件對(duì)Cloudera來說，我認(rèn)為并不構(gòu)成威脅。

問：如何看待Hadoop和云計(jì)算的關(guān)系？

Doug Cutting：云計(jì)算或云模式使得客戶在使用Hadoop的方式上具有了更大的靈活性，比方說他們可以在云環(huán)境中來使用Hadoop。如果他們把Hadoop用本地安裝運(yùn)行的形式來使用的話，他們往往是建一個(gè)單個(gè)很大的集群來支持各種不同的應(yīng)用，并且擁有一個(gè)統(tǒng)一的數(shù)據(jù)拷貝。如果在云環(huán)境當(dāng)中來運(yùn)行Hadoop，他們的數(shù)據(jù)會(huì)在亞馬遜存儲(chǔ)之類的系統(tǒng)當(dāng)中，云環(huán)境供應(yīng)商已經(jīng)幫助他們管理了數(shù)據(jù)的拷貝。

在云環(huán)境當(dāng)中使用Hadoop，客戶可以針對(duì)不同的應(yīng)用創(chuàng)建應(yīng)用不同的集群，而這樣的集群開關(guān)或者是規(guī)模的伸縮，都可以按需進(jìn)行，這樣對(duì)于客戶來說，可以實(shí)現(xiàn)更好控制和靈活性。

我們從整個(gè)IT長遠(yuǎn)的發(fā)展趨勢(shì)來看，過去IT在一個(gè)企業(yè)當(dāng)中往往是集中在一個(gè)部門的手中，但是現(xiàn)在我們看到很多的企業(yè)的數(shù)據(jù)和數(shù)字技術(shù)，是在整個(gè)企業(yè)當(dāng)中得到了擴(kuò)散和廣泛使用，并不是所有IT的事項(xiàng)像過去一樣要找IT部門解決，各個(gè)非IT的部門具有越來越大的能力，在IT方面進(jìn)行自我管理、自我服務(wù)，也有越來越多的工具能夠幫助他們做到這一點(diǎn)。而云計(jì)算是促進(jìn)和推動(dòng)了這一趨勢(shì)的發(fā)展，由于有云計(jì)算使得一個(gè)公司當(dāng)中非IT部門，例如運(yùn)營、制造、市場(chǎng)營銷部門都能夠自行采購一些服務(wù)并且加以運(yùn)行，他們的控制能力和靈活性都大大增加了。

云計(jì)算本身也是促進(jìn)了IT和數(shù)據(jù)的分散化、自助化，而不是像過去那種集中化的模式。

問：有數(shù)據(jù)專家現(xiàn)在趨向于把Hadoop當(dāng)作數(shù)據(jù)倉庫架構(gòu)的補(bǔ)充，請(qǐng)問您是怎么理解的？對(duì)于有一些數(shù)據(jù)量極小的應(yīng)用， Hadoop會(huì)是殺雞用牛刀嗎？

Doug Cutting：我們是可以把整個(gè)數(shù)據(jù)倉庫都建立在Hadoop之上的。五年前我們和Ralph Kimball博士，他是數(shù)據(jù)倉庫架構(gòu)主要的創(chuàng)建人，一起搞清楚了，也是證實(shí)了可以完全基于Hadoop來建立數(shù)據(jù)倉庫。而且也有很多用戶確實(shí)是把他們的數(shù)據(jù)倉庫完全建立在Hadoop的基礎(chǔ)之上。

當(dāng)然就建立數(shù)據(jù)倉庫的技術(shù)而言，有其他的一些技術(shù)或者是工具，和Hadoop相比，這些存在的年頭更長，可能已經(jīng)有了數(shù)十年的歷史。而事實(shí)上對(duì)于這些時(shí)間更加長久的技術(shù)，Hadoop并沒有能夠具備其中所有的功能、所有的性能。但即使如此，很多用戶選擇把他們的數(shù)據(jù)倉庫構(gòu)建在Hadoop的架構(gòu)之上，他們是為了能夠?qū)崿F(xiàn)更加優(yōu)越的可擴(kuò)展性、更高的性價(jià)比，以及更好的靈活性。

就第二個(gè)問而言，是不是殺雞用牛刀，這主要看用戶完成任務(wù)當(dāng)中需要使用什么樣的工具。有的時(shí)候也許在規(guī)模上、在擴(kuò)展性上是超出了需求，但是仍然能夠帶來靈活性的優(yōu)勢(shì)。比方說使用基于Spark的機(jī)器學(xué)習(xí)的工具。在這些情況下，用戶仍然發(fā)現(xiàn)Hadoop的平臺(tái)對(duì)于完成他們的任務(wù)非常有用，雖然他的規(guī)?？赡苁沁^大的。當(dāng)然我們講的也很清楚，我們并不認(rèn)為Hadoop是一種通用的工具能夠解決所有的問。

在實(shí)際應(yīng)用中，即使是規(guī)模很小的集群，比方說5個(gè)節(jié)點(diǎn)的集群，客戶也發(fā)現(xiàn)使用Hadoop與其他技術(shù)選項(xiàng)相比能夠產(chǎn)生更好的產(chǎn)出，帶來更多的價(jià)值與競(jìng)爭(zhēng)。

問：對(duì)于大數(shù)據(jù)應(yīng)用發(fā)展的速度，您感覺滿意嗎？

Doug Cutting：整個(gè)大數(shù)據(jù)的發(fā)展是在非常早期的階段，而且大數(shù)據(jù)是保持著穩(wěn)步持續(xù)地增長。我們看到很多公司在自己的大數(shù)據(jù)項(xiàng)目上都取得了成功，雖然目前這些大數(shù)據(jù)的項(xiàng)目規(guī)模還比較小，就大數(shù)據(jù)解決方案而言，我們的大數(shù)據(jù)解決方案客戶的也是也是在穩(wěn)步增長，他們用于大數(shù)據(jù)解決方案集群的規(guī)模也是在穩(wěn)步增長。至少自從Cloudera誕生以來，我們看到整個(gè)的數(shù)據(jù)的應(yīng)用是處在穩(wěn)步增長的曲線之中，而并沒有出現(xiàn)停滯不前或者是失去動(dòng)力的情況。

大數(shù)據(jù)已經(jīng)很成功應(yīng)用在很多領(lǐng)域，像金融反欺詐應(yīng)用，在醫(yī)療領(lǐng)域，大數(shù)據(jù)也已經(jīng)有了很多成功案例，比方說美國有一家公司Cerner開發(fā)了一套大數(shù)據(jù)系統(tǒng)，主要是來判斷患者有可能發(fā)生敗血癥的情況。目前通過Cerner已經(jīng)對(duì)幾百名有產(chǎn)生敗血癥風(fēng)險(xiǎn)的患者先期采取措施進(jìn)行了治療，預(yù)防了敗血癥的發(fā)生，這就是一個(gè)非常成功的案例。

在癌癥治療方面，大數(shù)據(jù)的應(yīng)用也在取得很多的進(jìn)展，比方說主要是在基因組學(xué)的研究方面，在取得治療癌癥方面的進(jìn)展。舉一個(gè)例子，加州大學(xué)的舊金山分校，他們做的大數(shù)據(jù)項(xiàng)目就是通過基因組的分析來找到癌細(xì)胞、腫瘤細(xì)胞突變的原因，并且來匹配相應(yīng)的療法。他們用這樣的基于大數(shù)據(jù)的解決方案，已經(jīng)開始對(duì)一些患者治療。雖然接受這種治療方法的患者人數(shù)不是太多，因?yàn)槟壳斑@種治療方法的價(jià)格還是非常昂貴，但是價(jià)格是在逐漸下降當(dāng)中的。即使用大數(shù)據(jù)的解決方案治療癌癥，我們也是在取得很大的進(jìn)步。

只是治療癌癥是一個(gè)很大的難題，我們可能還要花幾十年的時(shí)間。但是我確信未來癌癥的治療肯定是要基于大數(shù)據(jù)系統(tǒng)。

簡(jiǎn)而言之，大數(shù)據(jù)應(yīng)用的普及是一個(gè)長期的過程，應(yīng)該讓每一家公司、每一個(gè)組織機(jī)構(gòu)都能夠用正確的方式來用好數(shù)據(jù)，這需要花很長的時(shí)間。不像智能手機(jī)帶來的變化，把智能手機(jī)賣到人手一臺(tái)，這個(gè)事情就完成了。大數(shù)據(jù)的普及，也是需要組織結(jié)構(gòu)本身發(fā)生很大的變化，還需要很多的教育工作、人才的培養(yǎng)工作，但是這一切都是在穩(wěn)步推進(jìn)當(dāng)中。

問：您怎么看待中國大數(shù)據(jù)應(yīng)用狀況？針對(duì)開發(fā)者，Cloudera有哪些計(jì)劃？

Doug Cutting：從中國的角度來說，從大數(shù)據(jù)出現(xiàn)一直到今天，中國一直是在大量使用、采用和參與推進(jìn)大數(shù)據(jù)的發(fā)展。而且在過去十年當(dāng)中，Hadoop在中國也是一直得到了大力推進(jìn)，取得了非常大的成功。我們可以看到中國市場(chǎng)和Hadoop之間有一個(gè)非常自然的契合和匹配，從數(shù)據(jù)的角度來說中國可能是世界上最大的單一市場(chǎng)，在中國擁有數(shù)據(jù)的數(shù)量和規(guī)模超過了世界上大部分其他的國家，這也就是為什么Hadoop在中國有著非常成功的發(fā)展。

中國Hadoop生態(tài)圈和其他國家相比有一個(gè)不同：就是在中國很多Hadoop用戶習(xí)慣使用Hadoop的開源版本，而不是購買專業(yè)公司支持和幫助。對(duì)此，需要花更多的時(shí)間對(duì)市場(chǎng)進(jìn)行教育和培育，也就是讓人們能夠了解到從更加長遠(yuǎn)的角度來說，在使用這些軟件的過程當(dāng)中如果能夠得到有關(guān)方面的支持和幫助，會(huì)有更好的結(jié)果。

就培訓(xùn)而言，Cloudera是一直在推動(dòng)各種培訓(xùn)的項(xiàng)目。對(duì)于一個(gè)零起步的開發(fā)者來說，學(xué)習(xí)Hadoop最好的方式不是通過教科書，而是要通過案例來學(xué)習(xí)，通過案例的需求在具體實(shí)施當(dāng)中、具體實(shí)踐當(dāng)中來學(xué)，這樣的學(xué)習(xí)效果是更好的。Cloudera有一個(gè)Cloudera學(xué)術(shù)計(jì)劃，清華大學(xué)就是首批合作伙伴，還有其他的大學(xué)加入。在這個(gè)計(jì)劃當(dāng)中，Cloudera是把大數(shù)據(jù)培訓(xùn)的技能、教材、內(nèi)容免費(fèi)提供給大學(xué)合作伙伴。另外在亞洲有一個(gè)BASE Initiative（大數(shù)據(jù)分析技能培訓(xùn)計(jì)劃）的教育項(xiàng)目，對(duì)潛在對(duì)象進(jìn)行大數(shù)據(jù)技能的教育培訓(xùn)，并且招聘其中的一些人到有大數(shù)據(jù)技能需求的公司來工作。

問：您如何看待知識(shí)圖譜？

Doug Cutting：在我看來知識(shí)圖譜、支持工程的方法沒有統(tǒng)計(jì)學(xué)方法那么成功。在八十年代，像知識(shí)工程就已經(jīng)非常流行了，在我還當(dāng)學(xué)生的時(shí)候知識(shí)工程就很流行。但是深度學(xué)習(xí)在當(dāng)今取得的成功，主要依靠的是統(tǒng)計(jì)學(xué)的方法，也就是基于巨量數(shù)據(jù)的各種模型的訓(xùn)練，而不是通過知識(shí)工程的方式，而且主要是在像圖像識(shí)別、語音識(shí)別以及分類任務(wù)的完成之上取得了很大的進(jìn)展。

當(dāng)然我也不是說像知識(shí)圖譜、知識(shí)工程的方式在人工智能當(dāng)中永遠(yuǎn)不會(huì)成功，只是在目前的現(xiàn)狀當(dāng)中不如統(tǒng)計(jì)學(xué)的方法更加有效。對(duì)于深度學(xué)習(xí)進(jìn)一步發(fā)展的挑戰(zhàn)，我認(rèn)為最大的一個(gè)挑戰(zhàn)就是深度學(xué)習(xí)的有用性、適用性、廣度到底有多大。目前在一些認(rèn)識(shí)、識(shí)別任務(wù)的完成當(dāng)中，深度學(xué)習(xí)非常有效，比方說在大量的噪音或者是干擾的因素當(dāng)中進(jìn)行清晰的識(shí)別、分類、標(biāo)簽，做得非常好。但是有很多其他的任務(wù)，這樣的任務(wù)當(dāng)中對(duì)形勢(shì)進(jìn)行分析，并且做出決策，并不是完全依靠剛才說到的這種能力。

雖然目前人們對(duì)于深度學(xué)習(xí)能夠完成很多其他的任務(wù)是非常樂觀的，但是我希望這樣的樂觀不會(huì)是一種過度的樂觀。

songjy