读《快手要上市了》，一起了解快手

印象中的快手，始终不够高大上，但是没想到背后这么多故事。

原文参考：https://mp.weixin.qq.com/s/S7eK2OwT4T0b4Ub4Zjqyxg

5000 名研发员工，24 万台服务器，22 个网络数据中心，半年研发投入 23 亿（截至 2020 年 6 月 30 日），研发中心遍布全球各地，下一代国际视频编码标准的主要贡献者之一，CEO 曾经写下 70 万行 C++ 代码，这是快手不为人知的另一面。

开篇道出了很多非技术人了解的一些数据，让我们知晓了快手原来是这么的庞大与优秀。

做视频的公司那么多，快手为什么能够脱颖而出？

技术为王

除去抓住趋势之外，技术极其重要，原文主要谈及这几种技术，诸如人工智能，音视频协议

制做短视频，作为一个制作用户的作者来说，更在意的是：用手机如何简单快读地创造出高质量的短视频。站在快手公司角度，快手需要用户可以在不同的手机上进行创造，快手在这里使用了 AI 技术，挑战是不同配置得手机都在本地实时计算和渲染，快手自研了 YCNN 深度推理学习引擎，解决了 AI 技术运行受限于用户设备计算量的问题。

对于 AI 技术来说，理解视频最难，诸如对人脸维度的解析、场景类的解析、音乐类的解析等等，这些都是从单个角度进行建模，但视频需要的是多模态的解析。快手的多媒体理解中开发的内容分析算法系统可以对平台海量数据进行实时多维分析及筛选，。

除去多模态之外，推荐算法也是重中之重，这关乎短视频的用户粘性，快手专门成了算法引擎部门，解决了这一问题，

快手自研了图神经网络（KGNN），提供了一套支持超大规模异构动态图推荐模型的标准工具。有以下显著优点：支持规模更大的图模型（比如几十亿节点全用户规模的图）；支持动态训练场景，分钟级百万样本的实时训练和图更新。

在大规模实时推荐训练平台领域，快手自研了 Kuiba，提供了一套自研流式深度学习模型的训练系统。

音视频方面：千元机，网速慢等问题会对视频的制作、传输有很大的困难，为了解决这些问题，快手音视频技术团队自研了私有传输协议 KTP (Kuaishou Transport Protocol) 和基于流式的直播多码率标准 LAS（Live Adaptive Streaming）。具体技术可以参考原文，

架构实践方面：快手的架构实践需要应对类似春晚这种数亿瞬时流量，怎么顶住？一步步实践，进行全链路压测，具体的做法是用混沌工程的理念做故障注入，核心思路是在包括单机、服务在内的所有服务器上随机注入不同级别的故障，去模拟部分机器高负载、高延迟导致服务器宕机或半死不活的状态，从而检测高可用设计是否行之有效。

基础设施的建设：人才的引进，研发的投入，研发中心的建立以及有稳定的网络基础设施，目前快手已有超过 24 万台服务器，分布在全国 22 个网络数据中心，做到了真正意义上的异地多活。

综上所述：为了追求极致的用户体验，快手利用前沿技术为用户带来消费与互动上的极致体验；利用多模态内容理解，对用户、内容及二者互动做深度理解，应用在内容安全、推荐、广告等环节；利用深度学习、强化学习、图表达学习实现个性化内容推荐，提高用户消费内容的体验和效率。此外，以研发人才、研发投入、数据中心等为代表的 IT 基础设施，成为快手业务快速发展的技术底座。

这样一厉害的公司，不仅仅是自研技术，还特别有情怀，将技术进行开源，赞叹与佩服之情油然而生。