首席科学家杨强教授：人工智能的下一个技术风口与商业风口

人工智能不仅仅是一场比赛、一个应用，而是整个社会真正地彻底地在改变。

作为华人界首个国际人工智能协会AAAI Fellow、至今为止唯一的AAAI 华人执委，以及IEEE Fellow、AAAS Fellow、IAPR Fellow，杨强教授在专注学术研究的同时，也更关注如何让人工智能技术落地转化为生产力的问题。

作为第四范式首席科学家、范式大学的导师，杨强教授近日在第四范式公司内部进行了一场主题为“人工智能的下一个三年”的培训，深入浅出地分享了自己在人工智能产业推广上的经验，并预判了人工智能即将爆发的技术风口与商业风口。此前，杨强教授与第四范式曾提出人工智能的五个必要条件，为人工智能行业提供了权威的准入标准。

以下内容根据杨强教授主题演讲编写，略微有所删减。

一、AlphaGo为我们带来了什么

大家记得在2016年3月，AlphaGo横空出世对战李世乭，这对于人工智能的社会影响非常大。这里，我们问一下：AlphaGo到底为我们带来了什么？

在AlphaGo的搜索中，Deepmind团队引入了一个新概念——即用深度学习和强化学习的结合来做两种任务的判别，即来判别现在所在的棋盘是好是坏，同时来预测未来有利的走向。讲到这里大家应该能看出AlphaGo的算法和未来商业模式的关联，即：通过对大数据的分析，让我们对“现在状态”有了一个靠谱的理解；这个状态可以是棋盘、可以是足球运动中两队交锋的状态，也可以是当前营销的一个状态。同时，下围棋中的一步，可以理解成对未来走向的预判，在商业活动中，这可以是营销活动中的下一步。这里很重要的一点，是区分我们商业行为中的两个任务，即对现实的判断和对商业未来走向的预估。这两个任务同样重要，也同样都需要大数据的支持。 因为围棋是一个封闭式的游戏（即没有外界因素的干扰），为了得到更多的数据，AlphaGo也引入了自我博弈。所谓自我博弈就是自己玩游戏，你会得到不断的反馈，然后来更新自己的策略，经过无数次这样的比赛，最后会得到一个好的策略，你的最终输出是一个行为的策略。所以AlphaGo 也告诉我们，在一个封闭场景中，可以用自我博弈的模拟方法得到更多的数据。

从AlphaGo到人工智能的应用流程

我们如果沿着下围棋的步骤走，就要面对这些问题：你的人工智能算法的目标是什么？有没有数据？数据在哪里？问题的边界是否清晰？什么叫合理的走法、什么叫犯规的走法？你的特征在哪里？又如何得到这些特征？是否可以得到一个持续的反馈？这样的一个流程是AlphaGo设计团队所走过的路。不妨把这些步骤记下来，变成一个workflow，看看其他的领域是不是可以重复AlphaGo的成功。 比如，如果用AlphaGo治疗癌症，如何治疗呢？治疗癌症一般是用放射性来杀掉癌细胞，而每一个癌症患者需要的剂量、角度、频次可能都不一样，如果能把所有的这些信息都记录下来，再记录治疗结果，因为结果不是马上就知道的，而是经过一段时间才知道，这样就有了数据、有了特征、有了问题持续的反馈，并且有了非常清楚的目标，即在副作用最小的情况下杀死癌细胞。并且这个workflow是可以重复的。

AI的发展历史还有前30年，这些年的积累也很有用

刚刚我们说了AlphaGo的一路历程，但我们对人工智能的理解不应该片面地认为人工智能就是机器学习。人工智能的发展历史还有前30年，前30年是从50年代中一直发展到80年代中。这30年AI是在干什么呢？是在做人工输入的规则型的知识表达研究，以及基于这些规则的符号空间的推理和搜索。我认为，这个人工规则型的知识表达在AI的应用当中也是必不可少的，因为在众多领域当中还会碰到冷启动的问题，以及如何规范一个领域的边界的问题。这就是说，逻辑推理，逻辑知识表达，以及在符号空间的搜索的人工智能这个分支，在今后几年会和统计学习相结合，会大有发展。 这种发展会也涉及技术和商业两个层面。

二、AI的技术风口在哪？

我们大家会关心的一个问题， 是人工智能的技术在哪些方向可能会有大的突破。

深度学习

首先，是深度学习会继续发展。这里的发展不仅是在层次的增加，还包括深度学习的可解释性、以及对深度学习所获的的结论的自我因果表达。例如，如何把非结构化的数据作为原始数据，训练出一个统计模型，再把这个模型变成某种知识的表达——这是一种表示学习。这种技术对于非结构化数据，尤其对于自然语言里面的知识学习，是很有帮助的。另外，深度学习模型的结构设计是深度学习的一个难点。这些结构在今天都是非常需要由人来设计的。还有一个研究问题是如何让逻辑推理和深度学习一起工作，这样也可以增加深度学习的可解释性。比如，建立一个贝叶斯模型需要有很多的设计者的经验，到现在为止，基本上是由人来设定的。如果我们能从深度学习的学习过程中衍生出一个贝叶斯模型，那么，学习、解释和推理就可以统一起来了。

迁移学习

迁移学习也是我和戴文渊（第四范式创始人、首席执行官）一直在做的工作。给定一个深度学习的网络，比如一个encoder网络和一个decoder网络，我们可以看它学习和迁移的过程，作为新的数据来训练另外一个可解释的模型，也可以作为一个新的迁移学习算法的输出。即一个学生A在观察另外一个学生B学习，A的目的是学习B的学习方法，B就不断地在学新的领域，每换一个领域就为A提供一个新的数据样本，A利用这些新的样本就能学会在领域之间做迁移。所以这种过程叫做观察网络。有了这种一边学习、一边学习学习方法的算法，就可以在机器学习的过程中，学会迁移的方法。

自然语言的表示学习与机器阅读

表示学习是当数据和任务没有直接相关时也可以学，一个重要的例子叫做self-taught learning，即我们通过很多supervise的数据、图像，可以学出一种最好的表达。用这个表达加上任务，就可以很快地学会这种知识表示。这时非结构化的数据就相当有用了。比如，给出一段话让机器去阅读，机器学习可以自动地发现一些值得关注的点。比如，给定一个文章中的实体和一个未知变量有这样的关系，然后用户可以问你这个未知变量是什么。能够达到这样的效果是因为深度模型已经具有了一种关注（Attention），这种关注是可以通过观众的学习来表达。其结果就好像我们一目了然地看了一本书，我们会把关键词和它们的关系抓取出来。这实际上是利用类似人的一种直觉来进行学习。

人机对话系统

应该说有一个领域已经发展到了临界点，就是人机对话系统领域。现在在这个领域，某些相对垂直的方面已经收取了足够多的数据，一个是客服，一个是汽车（车内的人车对话）；还有一种是特定场景的特定任务，像Amazon Echo，你可以跟它讲话，可以说“你给我放个歌吧”或者“你播一下新闻”，Amazon Echo里面是围了一圈的8个麦克风，这个阵列可以探测到人是否在和它说话，比如我和别人说话的时候，脸转过去，它就不会有反应。这种唤醒功能是非常准确的。它的另外一个功能是当你的双手没办法去控制手机的时候，可以用语音来控制，案例场景是客厅和厨房，在美国Amazon Echo特别受家庭主妇的欢迎，所以像这种特定的场景，如果收集了足够的数据，是可以训练出这样强大的对话系统来的。

强化迁移学习

我们可以想象，未来深度学习、强化学习和迁移学习的结合，可以实现以下几个突破——反馈可以延迟、可以个性化，把一个通用模型施加到任何个体上面，这样一个复合模型可以叫做强化迁移学习模型。

人工智能的可靠性模型

AI as Reliable Services是AAAI 前主席Thomas Dietterich在AAAI 2016上给出的一个主题，人工智能只能作为一些例证证明能够做哪些事情，比如下棋，无人驾驶，但很多时候它还是不可靠的。它不像现在的一个商用软件一样，能让你放心地去使用，以保证它的错误率肯定不会超过很小的比例。相反，AI 在犯错的时候可能错得非常厉害，所以用平均值来代表一个准确率是不恰当的，相反，应该更多地要考虑它的置信区间。换言之，小白用户拿一些人工智能的模块来搭一个系统，这个系统就应该能被搭出来，而且它的效果应该是在一个固定的范围以内的，所以人工智能应该像软件工程一样做出来。

第四范式核心产品“先知平台”一直就在往这个方向发展，先知把人工智能的模块工程化、并在一定程度上保证了可靠性，从而让普通用户用来搭建自己的人工智能系统。

三、AI的商业风口在哪？

上面我们考虑了人工智能的技术发展。下面我们看看商业领域。我们刚才列举了AI 成功的5大必要条件：高质量的大数据、清晰的问题定义和领域边界、懂人工智能且擅长应用和算法的跨界人才、足够的计算资源、持续的外部反馈。满足这五个条件的领域，才有可能在未来出现人工智能的爆发。

智能客服

人机交互的智能客服，产生了很多外界公开的数据以及内部的数据、知识库等，都可以用来制造机器人。尤其是可以用客服过去的数据来做训练，这个数据量现在在垂直领域是逐渐在增加的。现在的对话系统也已经逐渐成为深度学习和强化学习的焦点。

新闻领域

另外一个比较看好的领域是新闻领域，新闻的分发和自动写作。有很多编辑、解说、自动校对、作家等，其实是数据量足够多的，有这么多的文本，而且外界反馈也越来越多了。给一篇文章，可以用机器学习来做自动摘要。 这样一个工作的外部反馈来自哪里呢？实际上我们写的那些paper就是一个外部反馈，因为每篇paper都有摘要，如果一篇paper被收了，就说明摘要写的还不错，所以外部反馈还是可以实现的。

这里分享一个有趣的实验，是香港科大同学做的“自动写小说”项目。主要有两个步骤，一步是让它读很多书，一步是这样训练出一个模型，这个模型再让它变成一个生成式的模型，这样就能用来写小说了。举个例子，我们提供《射雕英雄传》和《笑傲江湖》，把这两个结合起来，就可以写一部新的小说了。

特定任务的智能机器人

例如Amazon 的KIVA机器人，大家可能知道Amazon一个很大的优势就是所有的仓储都是由机器人来完成的，但是它也有工人，被雇来用手做抓取，因为现在机器人的抓取是非常难的，那么人和机器的优点就结合起来了。此外，医疗机器人也是非常专业的一个领域，它可以给人开刀缝线，但它不是自动的，而是通过远程控制的，但控制的精密度非常高，如果它收集到足够量的数据，是可以达到自动的效果的，以后我们可能开刀就由机器人来代劳了。

在医护领域，无障碍辅助的应用领域痛点特别强烈，现在数据量可能还不是特别多，因为毕竟这一群体还是少数人，但是痛点很强，所以未来也许会有数据。

AI+有机食品

我们在香港曾去访问过一个有机食品工厂，这个实验室里的每一株菜，周边的所有环境全都记录起来，比如湿度、温度、光照，然后就可以收集这样的数据训练一个机器学习的模型，最后用这个模型来做蔬菜。所以得来的蔬菜滋味可以控制，要脆感还是要甜的，都可以通过模型学习出来。

FINTECH智能投顾

最后来说一说金融，其实金融是一个非常好的领域，第四范式在金融领域也积累了很多成功案例。金融领域里的任务都是非常清楚的，而且每个任务的数据都有痕迹、有数据足迹，数据的维度也是多维度的数据，有外界的、也有内界的，非结构数据比较多，例如文本和报告。数据也是形成了孤岛，链条也非常长，并且链条里面都有衔接。

在金融领域现在美国比较时髦的一个概念叫投研、投顾和投资。投研是说研究整个市场的基本面，就好像我们研究舆情分析一样，但舆情只是其中的一部分；投顾是说在美国的银行给很多客户做理财分析，然后做理财的配置，这些工作可以由机器人来做；投资是说机器人自己就是一个客户，它可以去投资。

四、多年后的AI社会

最后说一下我认为多年后的AI社会是怎么样的。我觉得未来应该是几个人在运行一个公司，每一个人都能率领成千上万个机器人，这些机器人在做不同的事情，也是它被训练得很擅长的事情。我们现在在一个传统行业里，往往是20%的人在做80%的工作，那么这20%的人就是未来的运营公司的人，剩下80%的人所做的工作将交由机器来完成。一个公司的自动化，智能化程度，也代表了这个公司在商业上的反应速度和竞争力。

人工智能给人类带来的变革是非常深远的，人工智能不仅仅是一场比赛、一个应用，而是整个社会真正地彻底地在改变。机器和人将成为一个共同的“军队”不断地攻克堡垒，推动人类进程向更好的方向发展。

【编者按】本文转自机器之心微信公众号。

最后，记得关注微信公众号：镁客网（im2maker），更多干货在等你！