第四范式首席科學(xué)家楊強(qiáng)教授：人工智能的下一個技術(shù)風(fēng)口與商業(yè)風(fēng)口

雷鋒網(wǎng)：本文首發(fā)于公眾號“第四范式”，雷鋒網(wǎng)獲授權(quán)轉(zhuǎn)載。

作為華人界首個國際人工智能協(xié)會AAAI Fellow、至今為止唯一的AAAI 華人執(zhí)委，以及IEEE Fellow、AAAS Fellow、IAPR Fellow，楊強(qiáng)教授在專注學(xué)術(shù)研究的同時，也更關(guān)注如何讓人工智能技術(shù)落地轉(zhuǎn)化為生產(chǎn)力的問題。

作為第四范式首席科學(xué)家、范式大學(xué)的導(dǎo)師，楊強(qiáng)教授近日在第四范式公司內(nèi)部進(jìn)行了一場主題為“人工智能的下一個三年”的培訓(xùn)，深入淺出地分享了自己在人工智能產(chǎn)業(yè)推廣上的經(jīng)驗(yàn)，并預(yù)判了人工智能即將爆發(fā)的技術(shù)風(fēng)口與商業(yè)風(fēng)口。此前，楊強(qiáng)教授與第四范式曾提出人工智能的五個必要條件，為人工智能行業(yè)提供了權(quán)威的準(zhǔn)入標(biāo)準(zhǔn)。

以下內(nèi)容根據(jù)楊強(qiáng)教授主題演講編寫，略微有所刪減。

一、AlphaGo為我們帶來了什么

大家記得在2016年3月，AlphaGo橫空出世對戰(zhàn)李世乭，這對于人工智能的社會影響非常大。這里，我們問一下：AlphaGo到底為我們帶來了什么？

在AlphaGo的搜索中，Deepmind團(tuán)隊(duì)引入了一個新概念——即用深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合來做兩種任務(wù)的判別，即來判別現(xiàn)在所在的棋盤是好是壞，同時來預(yù)測未來有利的走向。講到這里大家應(yīng)該能看出AlphaGo的算法和未來商業(yè)模式的關(guān)聯(lián)，即：通過對大數(shù)據(jù)的分析，讓我們對“現(xiàn)在狀態(tài)”有了一個靠譜的理解；這個狀態(tài)可以是棋盤、可以是足球運(yùn)動中兩隊(duì)交鋒的狀態(tài)，也可以是當(dāng)前營銷的一個狀態(tài)。同時，下圍棋中的一步，可以理解成對未來走向的預(yù)判，在商業(yè)活動中，這可以是營銷活動中的下一步。這里很重要的一點(diǎn)，是區(qū)分我們商業(yè)行為中的兩個任務(wù)，即對現(xiàn)實(shí)的判斷和對商業(yè)未來走向的預(yù)估。這兩個任務(wù)同樣重要，也同樣都需要大數(shù)據(jù)的支持。 因?yàn)閲迨且粋€封閉式的游戲（即沒有外界因素的干擾），為了得到更多的數(shù)據(jù)，AlphaGo也引入了自我博弈。所謂自我博弈就是自己玩游戲，你會得到不斷的反饋，然后來更新自己的策略，經(jīng)過無數(shù)次這樣的比賽，最后會得到一個好的策略，你的最終輸出是一個行為的策略。所以AlphaGo 也告訴我們，在一個封閉場景中，可以用自我博弈的模擬方法得到更多的數(shù)據(jù)。

從AlphaGo到人工智能的應(yīng)用流程

我們?nèi)绻刂聡宓牟襟E走，就要面對這些問題：你的人工智能算法的目標(biāo)是什么？有沒有數(shù)據(jù)？數(shù)據(jù)在哪里？問題的邊界是否清晰？什么叫合理的走法、什么叫犯規(guī)的走法？你的特征在哪里？又如何得到這些特征？是否可以得到一個持續(xù)的反饋？這樣的一個流程是AlphaGo設(shè)計(jì)團(tuán)隊(duì)所走過的路。不妨把這些步驟記下來，變成一個workflow，看看其他的領(lǐng)域是不是可以重復(fù)AlphaGo的成功。 比如，如果用AlphaGo治療癌癥，如何治療呢？治療癌癥一般是用放射性來殺掉癌細(xì)胞，而每一個癌癥患者需要的劑量、角度、頻次可能都不一樣，如果能把所有的這些信息都記錄下來，再記錄治療結(jié)果，因?yàn)榻Y(jié)果不是馬上就知道的，而是經(jīng)過一段時間才知道，這樣就有了數(shù)據(jù)、有了特征、有了問題持續(xù)的反饋，并且有了非常清楚的目標(biāo)，即在副作用最小的情況下殺死癌細(xì)胞。并且這個workflow是可以重復(fù)的。

AI的發(fā)展歷史還有前30年，這些年的積累也很有用

剛剛我們說了AlphaGo的一路歷程，但我們對人工智能的理解不應(yīng)該片面地認(rèn)為人工智能就是機(jī)器學(xué)習(xí)。人工智能的發(fā)展歷史還有前30年，前30年是從50年代中一直發(fā)展到80年代中。這30年AI是在干什么呢？是在做人工輸入的規(guī)則型的知識表達(dá)研究，以及基于這些規(guī)則的符號空間的推理和搜索。我認(rèn)為，這個人工規(guī)則型的知識表達(dá)在AI的應(yīng)用當(dāng)中也是必不可少的，因?yàn)樵诒姸囝I(lǐng)域當(dāng)中還會碰到冷啟動的問題，以及如何規(guī)范一個領(lǐng)域的邊界的問題。這就是說，邏輯推理，邏輯知識表達(dá)，以及在符號空間的搜索的人工智能這個分支，在今后幾年會和統(tǒng)計(jì)學(xué)習(xí)相結(jié)合，會大有發(fā)展。 這種發(fā)展會也涉及技術(shù)和商業(yè)兩個層面。

二、AI的技術(shù)風(fēng)口在哪？

我們大家會關(guān)心的一個問題， 是人工智能的技術(shù)在哪些方向可能會有大的突破。

深度學(xué)習(xí)

首先，是深度學(xué)習(xí)會繼續(xù)發(fā)展。這里的發(fā)展不僅是在層次的增加，還包括深度學(xué)習(xí)的可解釋性、以及對深度學(xué)習(xí)所獲的的結(jié)論的自我因果表達(dá)。例如，如何把非結(jié)構(gòu)化的數(shù)據(jù)作為原始數(shù)據(jù)，訓(xùn)練出一個統(tǒng)計(jì)模型，再把這個模型變成某種知識的表達(dá)——這是一種表示學(xué)習(xí)。這種技術(shù)對于非結(jié)構(gòu)化數(shù)據(jù)，尤其對于自然語言里面的知識學(xué)習(xí)，是很有幫助的。另外，深度學(xué)習(xí)模型的結(jié)構(gòu)設(shè)計(jì)是深度學(xué)習(xí)的一個難點(diǎn)。這些結(jié)構(gòu)在今天都是非常需要由人來設(shè)計(jì)的。還有一個研究問題是如何讓邏輯推理和深度學(xué)習(xí)一起工作，這樣也可以增加深度學(xué)習(xí)的可解釋性。比如，建立一個貝葉斯模型需要有很多的設(shè)計(jì)者的經(jīng)驗(yàn)，到現(xiàn)在為止，基本上是由人來設(shè)定的。如果我們能從深度學(xué)習(xí)的學(xué)習(xí)過程中衍生出一個貝葉斯模型，那么，學(xué)習(xí)、解釋和推理就可以統(tǒng)一起來了。

遷移學(xué)習(xí)

遷移學(xué)習(xí)也是我和戴文淵（第四范式創(chuàng)始人、首席執(zhí)行官）一直在做的工作。給定一個深度學(xué)習(xí)的網(wǎng)絡(luò)，比如一個encoder網(wǎng)絡(luò)和一個decoder網(wǎng)絡(luò)，我們可以看它學(xué)習(xí)和遷移的過程，作為新的數(shù)據(jù)來訓(xùn)練另外一個可解釋的模型，也可以作為一個新的遷移學(xué)習(xí)算法的輸出。即一個學(xué)生A在觀察另外一個學(xué)生B學(xué)習(xí)，A的目的是學(xué)習(xí)B的學(xué)習(xí)方法，B就不斷地在學(xué)新的領(lǐng)域，每換一個領(lǐng)域就為A提供一個新的數(shù)據(jù)樣本，A利用這些新的樣本就能學(xué)會在領(lǐng)域之間做遷移。所以這種過程叫做觀察網(wǎng)絡(luò)。有了這種一邊學(xué)習(xí)、一邊學(xué)習(xí)學(xué)習(xí)方法的算法，就可以在機(jī)器學(xué)習(xí)的過程中，學(xué)會遷移的方法。

自然語言的表示學(xué)習(xí)與機(jī)器閱讀

表示學(xué)習(xí)是當(dāng)數(shù)據(jù)和任務(wù)沒有直接相關(guān)時也可以學(xué)，一個重要的例子叫做self-taught learning，即我們通過很多supervise的數(shù)據(jù)、圖像，可以學(xué)出一種最好的表達(dá)。用這個表達(dá)加上任務(wù)，就可以很快地學(xué)會這種知識表示。這時非結(jié)構(gòu)化的數(shù)據(jù)就相當(dāng)有用了。比如，給出一段話讓機(jī)器去閱讀，機(jī)器學(xué)習(xí)可以自動地發(fā)現(xiàn)一些值得關(guān)注的點(diǎn)。比如，給定一個文章中的實(shí)體和一個未知變量有這樣的關(guān)系，然后用戶可以問你這個未知變量是什么。能夠達(dá)到這樣的效果是因?yàn)樯疃饶Ｐ鸵呀?jīng)具有了一種關(guān)注，這種關(guān)注是可以通過觀眾的學(xué)習(xí)（Attention）來表達(dá)。其結(jié)果就好像我們一目了然地看了一本書，我們會把關(guān)鍵詞和它們的關(guān)系抓取出來。這實(shí)際上是利用類似人的一種直覺來進(jìn)行學(xué)習(xí)。

人機(jī)對話系統(tǒng)

應(yīng)該說有一個領(lǐng)域已經(jīng)發(fā)展到了臨界點(diǎn)，就是人機(jī)對話系統(tǒng)領(lǐng)域。現(xiàn)在在這個領(lǐng)域，某些相對垂直的方面已經(jīng)收取了足夠多的數(shù)據(jù)，一個是客服，一個是汽車（車內(nèi)的人車對話）；還有一種是特定場景的特定任務(wù)，像Amazon Echo，你可以跟它講話，可以說“你給我放個歌吧”或者“你播一下新聞”，Amazon Echo里面是圍了一圈的8個麥克風(fēng)，這個陣列可以探測到人是否在和它說話，比如我和別人說話的時候，臉轉(zhuǎn)過去，它就不會有反應(yīng)。這種喚醒功能是非常準(zhǔn)確的。它的另外一個功能是當(dāng)你的雙手沒辦法去控制手機(jī)的時候，可以用語音來控制，案例場景是客廳和廚房，在美國Amazon Echo特別受家庭主婦的歡迎，所以像這種特定的場景，如果收集了足夠的數(shù)據(jù)，是可以訓(xùn)練出這樣強(qiáng)大的對話系統(tǒng)來的。

強(qiáng)化遷移學(xué)習(xí)

我們可以想象，未來深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)的結(jié)合，可以實(shí)現(xiàn)以下幾個突破——反饋可以延遲、可以個性化，把一個通用模型施加到任何個體上面，這樣一個復(fù)合模型可以叫做強(qiáng)化遷移學(xué)習(xí)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上給出的一個主題，人工智能只能作為一些例證證明能夠做哪些事情，比如下棋，無人駕駛，但很多時候它還是不可靠的。它不像現(xiàn)在的一個商用軟件一樣，能讓你放心地去使用，以保證它的錯誤率肯定不會超過很小的比例。相反，AI 在犯錯的時候可能錯得非常厲害，所以用平均值來代表一個準(zhǔn)確率是不恰當(dāng)?shù)?，相反，?yīng)該更多地要考慮它的置信區(qū)間。換言之，小白用戶拿一些人工智能的模塊來搭一個系統(tǒng)，這個系統(tǒng)就應(yīng)該能被搭出來，而且它的效果應(yīng)該是在一個固定的范圍以內(nèi)的，所以人工智能應(yīng)該像軟件工程一樣做出來。

第四范式核心產(chǎn)品“先知平臺”一直就在往這個方向發(fā)展，先知把人工智能的模塊工程化、并在一定程度上保證了可靠性，從而讓普通用戶用來搭建自己的人工智能系統(tǒng)。

三、AI的商業(yè)風(fēng)口在哪？

上面我們考慮了人工智能的技術(shù)發(fā)展。下面我們看看商業(yè)領(lǐng)域。我們剛才列舉了AI 成功的5大必要條件：高質(zhì)量的大數(shù)據(jù)、清晰的問題定義和領(lǐng)域邊界、懂人工智能且擅長應(yīng)用和算法的跨界人才、足夠的計(jì)算資源、持續(xù)的外部反饋。滿足這五個條件的領(lǐng)域，才有可能在未來出現(xiàn)人工智能的爆發(fā)。

智能客服

人機(jī)交互的智能客服，產(chǎn)生了很多外界公開的數(shù)據(jù)以及內(nèi)部的數(shù)據(jù)、知識庫等，都可以用來制造機(jī)器人。尤其是可以用客服過去的數(shù)據(jù)來做訓(xùn)練，這個數(shù)據(jù)量現(xiàn)在在垂直領(lǐng)域是逐漸在增加的?，F(xiàn)在的對話系統(tǒng)也已經(jīng)逐漸成為深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的焦點(diǎn)。

新聞領(lǐng)域

另外一個比較看好的領(lǐng)域是新聞領(lǐng)域，新聞的分發(fā)和自動寫作。有很多編輯、解說、自動校對、作家等，其實(shí)是數(shù)據(jù)量足夠多的，有這么多的文本，而且外界反饋也越來越多了。給一篇文章，可以用機(jī)器學(xué)習(xí)來做自動摘要。 這樣一個工作的外部反饋來自哪里呢？實(shí)際上我們寫的那些paper就是一個外部反饋，因?yàn)槊科猵aper都有摘要，如果一篇paper被收了，就說明摘要寫的還不錯，所以外部反饋還是可以實(shí)現(xiàn)的。

這里分享一個有趣的實(shí)驗(yàn)，是香港科大同學(xué)做的“自動寫小說”項(xiàng)目。主要有兩個步驟，一步是讓它讀很多書，一步是這樣訓(xùn)練出一個模型，這個模型再讓它變成一個生成式的模型，這樣就能用來寫小說了。舉個例子，我們提供《射雕英雄傳》和《笑傲江湖》，把這兩個結(jié)合起來，就可以寫一部新的小說了。

特定任務(wù)的智能機(jī)器人

例如Amazon 的KIVA機(jī)器人，大家可能知道Amazon一個很大的優(yōu)勢就是所有的倉儲都是由機(jī)器人來完成的，但是它也有工人，被雇來用手做抓取，因?yàn)楝F(xiàn)在機(jī)器人的抓取是非常難的，那么人和機(jī)器的優(yōu)點(diǎn)就結(jié)合起來了。此外，醫(yī)療機(jī)器人也是非常專業(yè)的一個領(lǐng)域，它可以給人開刀縫線，但它不是自動的，而是通過遠(yuǎn)程控制的，但控制的精密度非常高，如果它收集到足夠量的數(shù)據(jù)，是可以達(dá)到自動的效果的，以后我們可能開刀就由機(jī)器人來代勞了。

在醫(yī)護(hù)領(lǐng)域，無障礙輔助的應(yīng)用領(lǐng)域痛點(diǎn)特別強(qiáng)烈，現(xiàn)在數(shù)據(jù)量可能還不是特別多，因?yàn)楫吘惯@一群體還是少數(shù)人，但是痛點(diǎn)很強(qiáng)，所以未來也許會有數(shù)據(jù)。

AI+有機(jī)食品

我們在香港曾去訪問過一個有機(jī)食品工廠，這個實(shí)驗(yàn)室里的每一株菜，周邊的所有環(huán)境全都記錄起來，比如濕度、溫度、光照，然后就可以收集這樣的數(shù)據(jù)訓(xùn)練一個機(jī)器學(xué)習(xí)的模型，最后用這個模型來做蔬菜。所以得來的蔬菜滋味可以控制，要脆感還是要甜的，都可以通過模型學(xué)習(xí)出來。

FINTECH智能投顧

最后來說一說金融，其實(shí)金融是一個非常好的領(lǐng)域，第四范式在金融領(lǐng)域也積累了很多成功案例。金融領(lǐng)域里的任務(wù)都是非常清楚的，而且每個任務(wù)的數(shù)據(jù)都有痕跡、有數(shù)據(jù)足跡，數(shù)據(jù)的維度也是多維度的數(shù)據(jù)，有外界的、也有內(nèi)界的，非結(jié)構(gòu)數(shù)據(jù)比較多，例如文本和報告。數(shù)據(jù)也是形成了孤島，鏈條也非常長，并且鏈條里面都有銜接。

在金融領(lǐng)域現(xiàn)在美國比較時髦的一個概念叫投研、投顧和投資。投研是說研究整個市場的基本面，就好像我們研究輿情分析一樣，但輿情只是其中的一部分；投顧是說在美國的銀行給很多客戶做理財分析，然后做理財?shù)呐渲茫@些工作可以由機(jī)器人來做；投資是說機(jī)器人自己就是一個客戶，它可以去投資。

四、多年后的AI社會

最后說一下我認(rèn)為多年后的AI社會是怎么樣的。我覺得未來應(yīng)該是幾個人在運(yùn)行一個公司，每一個人都能率領(lǐng)成千上萬個機(jī)器人，這些機(jī)器人在做不同的事情，也是它被訓(xùn)練得很擅長的事情。我們現(xiàn)在在一個傳統(tǒng)行業(yè)里，往往是20%的人在做80%的工作，那么這20%的人就是未來的運(yùn)營公司的人，剩下80%的人所做的工作將交由機(jī)器來完成。一個公司的自動化，智能化程度，也代表了這個公司在商業(yè)上的反應(yīng)速度和競爭力。

人工智能給人類帶來的變革是非常深遠(yuǎn)的，人工智能不僅僅是一場比賽、一個應(yīng)用，而是整個社會真正地徹底地在改變。機(jī)器和人將成為一個共同的“軍隊(duì)”不斷地攻克堡壘，推動人類進(jìn)程向更好的方向發(fā)展。