在課程開始，雷鳴老師先概述了對産業有較大影響的技術，以及未來将發生的演變。
從技術角度看，未來對産業産生比較大影響的技術有：
小樣本學習和遷移學習。在樣本匮乏的情況下解決問題。
産業在未來可能發生的一些演變：
智能農業。中國是農業大國，在智能農業上已經有一些發展。比如用無人機進行病蟲害巡檢、定向農藥噴灑、大棚的溫控，病蟲害檢測等，未來都有一些非常實際的應用場景。
整體來看，AI在各個行業都有很多落地的場景，未來AI自身的發展結合落地的場景，應該會産生很多創新。
楊強：一個AI，兩種模式
楊強：今天的題目很應景，叫 “落地的人工智能”。這個題目是拿來跟大家探讨的，因為這是一個大題目。人工智能到現在已經 60 多年，幾起幾落，它的興衰也是圍繞着 “AI是不是可以落地” 進行的。
今天的講座，第一部分是人工智能概述。
人工智能分為四個發展階段。初級階段是感覺環境（Perception），我們知道單層的神經網絡也叫 perceptron（感覺器），是 60 年代就出現的可以簡單學習的神經網絡。這是 AI 必要的一步，因為要有感覺智能，才能收集大量資料，這一階段需要傳感器、網際網路、物聯網等技術。
第二個階段是機器學習（machine learning）階段。能從資料裡面學習。第三個階段是自動推理（reasoning），需要搜尋、邏輯、博弈論等技術。最後也是最高階段是抽象遷移（abstraction），需要有新的理論和系統。
- 通用 vs 特殊：有很多人試圖解決通用 AI，但現在絕大部分工作還是在特殊的、任務驅動的人工智能。
- 輔助 vs 自動：比如計算機視覺是輔助型的，相當于給機器戴上了眼鏡。無人車是自動型的，因為它的整個運作是自動的，也有自動的學習能力，人類隻是為它提供一些必要的資源。
- 互動 vs 核心：互動型的 AI 是為了跟人溝通，是閉環的。還有一種做法是把 AI 作為一個核心的系統，它的副産品是對人有用，但它可以完全按照自己的方式發展。AlphaGo 就是一個例子。
說到人工智能落地，第一個問題就是什麼叫“落地”，誰來規範什麼時候AI可以算作“落地了”？ 這個标準是首先要建立的。在任何科學與工程領域，都要首先建立測試“成功”的準則，否則就會事倍功半。要知道，智能的測試是非常難以做到公正的，也經曆了很多的考驗，比如著名的“聰明的漢斯”，是對一匹叫做“漢斯”的馬的智能測試，因為一開始沒有注意到高維的特征空間，而得到了錯誤的結論。圖靈測試是一種更合理的測試，但也不是唯一的測試。
我認為深度學習的成功主要來自兩個方面：第一，層次之間的演化是一種非線性的轉化，這種轉化如果進行多次，就有可能産生高維空間的 pattern。第二，所有這些加起來，這個網絡本身成為一個特征産生器，産生一個高維的空間，在這個空間裡，世界上的任何東西（圖像、語音等）都會有統一的表達，并且你可以計算它們的距離。
高次元的、統一的特征表達，這就是人工智能想達到的目标。所有的推理、類比、抽象等，都可以在這個空間裡得到。但這個空間是通過在資料中學習獲得的，這個手段在現階段是通過大資料，但大資料不是唯一的手段。
AI為什麼要有不斷創新的能力？
AI 領域每年有上千甚至上萬的 paper，是不是說我們就可以躺在 open source 上面，不用創新了？不是的，我們很有必要不斷地創新。
一個例子是 GAN，它的一個作用是可以 “魚目混珠”，生成器可以創造出一些虛假的圖檔。在金融界就發現有這樣的人，他們對深度學習了如指掌，并且可以用AI深度學習的這些手段去欺詐金融的安全系統，是以我們必須要有不斷提高的反擊的能力。
第二，有些新的學科，比如遷移學習，非常依賴對資料的模拟。GAN 在這個方向是非常有用的工具。
創新的能力也可以展現在跨界的AI應用上。一個例子是斯坦福大學的一個工作，他們的任務是幫助聯合國通過衛星圖像，讓機器自動地給非洲大陸打标簽，這些标簽指代地區的“貧困程度。” 但是我們看到一個衛星圖像，由于标簽的缺乏，我們對圖像上對應的貧困程度是一無所知的。傳統的做法是派人到本地做經濟調查，然後把資料收集起來。這樣的做法既危險，又耗時，不準确，資料也非常少。
有沒有辦法自動地做這件事呢？他們想到了遷移學習，而且是多步的遷移學習。第一步是拿 ImageNet 這種圖像來學一個切割模型，第二步是比對白天和晚上的衛星圖像，以此獲得一個初步的經濟模型。因為一般認為晚上比較亮的地方是經濟發展比較好的區域。由此得出一些 feature 對應經濟發達或不發達的地區。最後的結果，用 survey 的方法的準确率是 75%，用遷移學習的方法準确率是 71%。雖然沒有人工的那麼好，但是非常省力。
我們現在已經有了不少“遷移學習”在産業應用中的執行個體。如果已經有了大資料産生的模型，那麼在一個新的領域，可以用小資料把大模型遷移過來找到這個領域的要點就是找出兩個領域的不變量。我們假設一個領域可以用上億維的特征來描述，那麼我們要找兩個領域的特征空間共有的部分來做遷移。
AI落地
網約車識别
這裡的一個例子是上海汽車的網約車識别
這個問題是：給定車輛的行駛軌迹，如何判斷車輛是否網約車？
我們的政策是引入外部資料來進行遷移學習。外部資料有計程車、公共汽車的行車軌迹。分兩步：首先我們有兩個空間，左邊是計程車的空間，右邊是網約車的空間，我們的目的是把知識從左邊搬到右邊。但是很明顯兩邊的知識是有差異的，要把這些差異剔除，我們用了半監督學習 + 遷移學習。
這個例子告訴我們，AI 的落地首先要目标清晰，清晰到可以把優化函數用數學公式寫下來。
第二，需要去找到合适的資料。
第三，人才需要領域知識，同時也需要 AI 知識，這種跨界的人才才是 AI 真正需要的人才，否則談不上落地。
然後，我們也來舉一個反例。我們都知道，AI的頭幾個裡程碑都是IBM創造的。但是在AI落地的過程中，IBM也遇到了難題。一個例子就是IBM WATSON在醫療領域的落地。
我們先來看一下IBM WATSON的流程。 首先，當一個問題到來的時候，系統把輸入的問題和知識庫裡的問題加以對比，再按照比對的機率排序。 如果有比對度高的問題，那就可以把對應的答案作為輸出。 在這個流程中，需要知識庫的建立，和問題集的收集。當然，這個流程中又很多依靠機器學習的階段，比如問題的特征抽取，特征空間的建立，比對的相似度學習，等。但整個流程的建立還是要依靠專家來進行的。比如，知識庫的建立，知識的擴充，以及問答系統在整個醫療系統中的定位等。恰恰因為這些需要人工的地方成為瓶頸，以至于最終使用者的定位錯誤，導緻系統并沒有完成既定的任務。最後，IBM隻能從美國一個很大的醫療機構撤離，也導緻了媒體大量的負面報道。
總結起來，這個例子說明，僅僅在一個遊戲領域成功（問答的電視大賽），并不表示在開放的實際場景（醫療）就可以取得成功。 首先，IBM Watson的目标客戶群是醫生，還是病人？ 系統的角色是助手還是替代？ 有沒有既懂醫療又懂AI的專家在團隊中？ 系統有沒有做到前端和知識庫的維護的閉環？這些有關落地的問題，都有待回答。
總結：
第一，人工智能是走了很長的路，但是除了深度學習以外，還有很多的領域有待發掘。是以千萬不要以為深度學習就是人工智能。
第二，人工智能在企業的落地是一門大學問，而且是一門藝術性的學問，因為還沒有到科學的程度。是以一個問題是，AI 是産品，還是技術，還是解決方案？第二個問題是，AI 如果在一個領域落地成功，需要哪些基本條件？
最後，我覺得非常有趣的一個點，是 AI 出現了以後、會出現一個新的、以機器智能為主體的産業和社會。那麼這個新的商業社會也可能會部分地颠覆我們已有的商學院的知識。現有的商學院的知識主要是針對人的管理和人的決策。那麼 AI 對應的是機器的管理和機器的決策，這個學問現在還是空白。
原文釋出時間為：2018-06-5
本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”。
原文連結：
【清華 AI 公開課】IJCAI理事長楊強：人工智能在企業的落地是一門大學問