作為華人界首個國際人工智能協會aaai fellow、至今為止唯一的aaai 華人執委，以及ieee fellow、aaas fellow、iapr fellow，楊強教授在專注學術研究的同時，也更關注如何讓人工智能技術落地轉化為生産力的問題。
作為第四範式首席科學家、範式大學的導師，楊強教授近日在第四範式公司内部進行了一場主題為“人工智能的下一個三年”的教育訓練，深入淺出地分享了自己在人工智能産業推廣上的經驗，并預判了人工智能即将爆發的技術風口與商業風口。此前，楊強教授與第四範式曾提出人工智能的五個必要條件，為人工智能行業提供了權威的準入标準。
以下内容根據楊強教授主題演講編寫，略微有所删減。
一、alphago為我們帶來了什麼
大家記得在2016年3月，alphago橫空出世對戰李世乭，這對于人工智能的社會影響非常大。這裡，我們問一下：alphago到底為我們帶來了什麼？
在alphago的搜尋中，deepmind團隊引入了一個新概念——即用深度學習和強化學習的結合來做兩種任務的判别，即來判别現在所在的棋盤是好是壞，同時來預測未來有利的走向。講到這裡大家應該能看出alphago的算法和未來商業模式的關聯，即：通過對大資料的分析，讓我們對“現在狀态”有了一個靠譜的了解；這個狀态可以是棋盤、可以是足球運動中兩隊交鋒的狀态，也可以是目前營銷的一個狀态。同時，下圍棋中的一步，可以了解成對未來走向的預判，在商業活動中，這可以是營銷活動中的下一步。這裡很重要的一點，是區分我們商業行為中的兩個任務，即對現實的判斷和對商業未來走向的預估。這兩個任務同樣重要，也同樣都需要大資料的支援。
因為圍棋是一個封閉式的遊戲（即沒有外界因素的幹擾），為了得到更多的資料，alphago也引入了自我博弈。所謂自我博弈就是自己玩遊戲，你會得到不斷的回報，然後來更新自己的政策，經過無數次這樣的比賽，最後會得到一個好的政策，你的最終輸出是一個行為的政策。是以alphago 也告訴我們，在一個封閉場景中，可以用自我博弈的模拟方法得到更多的資料。
從alphago到人工智能的應用流程
我們如果沿着下圍棋的步驟走，就要面對這些問題：你的人工智能算法的目标是什麼？有沒有資料？資料在哪裡？問題的邊界是否清晰？什麼叫合理的走法、什麼叫犯規的走法？你的特征在哪裡？又如何得到這些特征？是否可以得到一個持續的回報？這樣的一個流程是alphago設計團隊所走過的路。不妨把這些步驟記下來，變成一個workflow，看看其他的領域是不是可以重複alphago的成功。
比如，如果用alphago治療癌症，如何治療呢？治療癌症一般是用放射性來殺掉癌細胞，而每一個癌症患者需要的劑量、角度、頻次可能都不一樣，如果能把所有的這些資訊都記錄下來，再記錄治療結果，因為結果不是馬上就知道的，而是經過一段時間才知道，這樣就有了資料、有了特征、有了問題持續的回報，并且有了非常清楚的目标，即在副作用最小的情況下殺死癌細胞。并且這個workflow是可以重複的。
ai的發展曆史還有前30年，這些年的積累也很有用
剛剛我們說了alphago的一路曆程，但我們對人工智能的了解不應該片面地認為人工智能就是機器學習。人工智能的發展曆史還有前30年，前30年是從50年代中一直發展到80年代中。這30年ai是在幹什麼呢？是在做人工輸入的規則型的知識表達研究，以及基于這些規則的符号空間的推理和搜尋。我認為，這個人工規則型的知識表達在ai的應用當中也是必不可少的，因為在衆多領域當中還會碰到冷啟動的問題，以及如何規範一個領域的邊界的問題。這就是說，邏輯推理，邏輯知識表達，以及在符号空間的搜尋的人工智能這個分支，在今後幾年會和統計學習相結合，會大有發展。
這種發展會也涉及技術和商業兩個層面。
二、ai的技術風口在哪？
我們大家會關心的一個問題， 是人工智能的技術在哪些方向可能會有大的突破。
深度學習
首先，是深度學習會繼續發展。這裡的發展不僅是在層次的增加，還包括深度學習的可解釋性、以及對深度學習所獲的的結論的自我因果表達。例如，如何把非結構化的資料作為原始資料，訓練出一個統計模型，再把這個模型變成某種知識的表達——這是一種表示學習。這種技術對于非結構化資料，尤其對于自然語言裡面的知識學習，是很有幫助的。另外，深度學習模型的結構設計是深度學習的一個難點。這些結構在今天都是非常需要由人來設計的。還有一個研究問題是如何讓邏輯推理和深度學習一起工作，這樣也可以增加深度學習的可解釋性。比如，建立一個貝葉斯模型需要有很多的設計者的經驗，到現在為止，基本上是由人來設定的。如果我們能從深度學習的學習過程中衍生出一個貝葉斯模型，那麼，學習、解釋和推理就可以統一起來了。
遷移學習
遷移學習也是我和戴文淵（第四範式創始人、首席執行官）一直在做的工作。給定一個深度學習的網絡，比如一個encoder網絡和一個decoder網絡，我們可以看它學習和遷移的過程，作為新的資料來訓練另外一個可解釋的模型，也可以作為一個新的遷移學習算法的輸出。即一個學生a在觀察另外一個學生b學習，a的目的是學習b的學習方法，b就不斷地在學新的領域，每換一個領域就為a提供一個新的資料樣本，a利用這些新的樣本就能學會在領域之間做遷移。是以這種過程叫做觀察網絡。有了這種一邊學習、一邊學習學習方法的算法，就可以在機器學習的過程中，學會遷移的方法。
自然語言的表示學習與機器閱讀
表示學習是當資料和任務沒有直接相關時也可以學，一個重要的例子叫做self-taught
learning，即我們通過很多supervise的資料、圖像，可以學出一種最好的表達。用這個表達加上任務，就可以很快地學會這種知識表示。這時非結構化的資料就相當有用了。比如，給出一段話讓機器去閱讀，機器學習可以自動地發現一些值得關注的點。比如，給定一個文章中的實體和一個未知變量有這樣的關系，然後使用者可以問你這個未知變量是什麼。能夠達到這樣的效果是因為深度模型已經具有了一種關注，這種關注是可以通過觀衆的學習（attention）來表達。其結果就好像我們一目了然地看了一本書，我們會把關鍵詞和它們的關系抓取出來。這實際上是利用類似人的一種直覺來進行學習。
人機對話系統
應該說有一個領域已經發展到了臨界點，就是人機對話系統領域。現在在這個領域，某些相對垂直的方面已經收取了足夠多的資料，一個是客服，一個是汽車（車内的人車對話）；還有一種是特定場景的特定任務，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裡面是圍了一圈的8個麥克風，這個陣列可以探測到人是否在和它說話，比如我和别人說話的時候，臉轉過去，它就不會有反應。這種喚醒功能是非常準确的。它的另外一個功能是當你的雙手沒辦法去控制手機的時候，可以用語音來控制，案例場景是客廳和廚房，在美國amazon
echo特别受家庭主婦的歡迎，是以像這種特定的場景，如果收集了足夠的資料，是可以訓練出這樣強大的對話系統來的。
強化遷移學習
我們可以想象，未來深度學習、強化學習和遷移學習的結合，可以實作以下幾個突破——回報可以延遲、可以個性化，把一個通用模型施加到任何個體上面，這樣一個複合模型可以叫做強化遷移學習模型。
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，人工智能隻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。它不像現在的一個商用軟體一樣，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，是以用平均值來代表一個準确率是不恰當的，相反，應該更多地要考慮它的置信區間。換言之，小白使用者拿一些人工智能的子產品來搭一個系統，這個系統就應該能被搭出來，而且它的效果應該是在一個固定的範圍以内的，是以人工智能應該像軟體工程一樣做出來。
第四範式核心産品“先知平台”一直就在往這個方向發展，先知把人工智能的子產品工程化、并在一定程度上保證了可靠性，進而讓普通使用者用來搭建自己的人工智能系統。
三、ai的商業風口在哪？
上面我們考慮了人工智能的技術發展。下面我們看看商業領域。我們剛才列舉了ai
成功的5大必要條件：高品質的大資料、清晰的問題定義和領域邊界、懂人工智能且擅長應用和算法的跨界人才、足夠的計算資源、持續的外部回報。滿足這五個條件的領域，才有可能在未來出現人工智能的爆發。
智能客服
人機互動的智能客服，産生了很多外界公開的資料以及内部的資料、知識庫等，都可以用來制造機器人。尤其是可以用客服過去的資料來做訓練，這個資料量現在在垂直領域是逐漸在增加的。現在的對話系統也已經逐漸成為深度學習和強化學習的焦點。
新聞領域
另外一個比較看好的領域是新聞領域，新聞的分發和自動寫作。有很多編輯、解說、自動校對、作家等，其實是資料量足夠多的，有這麼多的文本，而且外界回報也越來越多了。給一篇文章，可以用機器學習來做自動摘要。
這樣一個工作的外部回報來自哪裡呢？實際上我們寫的那些paper就是一個外部回報，因為每篇paper都有摘要，如果一篇paper被收了，就說明摘要寫的還不錯，是以外部回報還是可以實作的。
這裡分享一個有趣的實驗，是香港科大同學做的“自動寫小說”項目。主要有兩個步驟，一步是讓它讀很多書，一步是這樣訓練出一個模型，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》，把這兩個結合起來，就可以寫一部新的小說了。
特定任務的智能機器人
例如amazon
的kiva機器人，大家可能知道amazon一個很大的優勢就是所有的倉儲都是由機器人來完成的，但是它也有勞工，被雇來用手做抓取，因為現在機器人的抓取是非常難的，那麼人和機器的優點就結合起來了。此外，醫療機器人也是非常專業的一個領域，它可以給人開刀縫線，但它不是自動的，而是通過遠端控制的，但控制的精密度非常高，如果它收集到足夠量的資料，是可以達到自動的效果的，以後我們可能開刀就由機器人來代勞了。
在醫護領域，無障礙輔助的應用領域痛點特别強烈，現在資料量可能還不是特别多，因為畢竟這一群體還是少數人，但是痛點很強，是以未來也許會有資料。
ai+有機食品
我們在香港曾去通路過一個有機食品工廠，這個實驗室裡的每一株菜，周邊的所有環境全都記錄起來，比如濕度、溫度、光照，然後就可以收集這樣的資料訓練一個機器學習的模型，最後用這個模型來做蔬菜。是以得來的蔬菜滋味可以控制，要脆感還是要甜的，都可以通過模型學習出來。
fintech智能投顧
最後來說一說金融，其實金融是一個非常好的領域，第四範式在金融領域也積累了很多成功案例。金融領域裡的任務都是非常清楚的，而且每個任務的資料都有痕迹、有資料足迹，資料的次元也是多元度的資料，有外界的、也有内界的，非結構資料比較多，例如文本和報告。資料也是形成了孤島，鍊條也非常長，并且鍊條裡面都有銜接。
在金融領域現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，但輿情隻是其中的一部分；投顧是說在美國的銀行給很多客戶做理财分析，然後做理财的配置，這些工作可以由機器人來做；投資是說機器人自己就是一個客戶，它可以去投資。
四、多年後的ai社會
最後說一下我認為多年後的ai社會是怎麼樣的。我覺得未來應該是幾個人在運作一個公司，每一個人都能率領成千上萬個機器人，這些機器人在做不同的事情，也是它被訓練得很擅長的事情。我們現在在一個傳統行業裡，往往是20%的人在做80%的工作，那麼這20%的人就是未來的營運公司的人，剩下80%的人所做的工作将交由機器來完成。一個公司的自動化，智能化程度，也代表了這個公司在商業上的反應速度和競争力。
人工智能給人類帶來的變革是非常深遠的，人工智能不僅僅是一場比賽、一個應用，而是整個社會真正地徹底地在改變。機器和人将成為一個共同的“軍隊”不斷地攻克堡壘，推動人類程序向更好的方向發展。]
本文作者：知情人士