人工智慧聯合會主席楊強：人工智慧如何落地？

12月8日消息，2018年網易經濟學家年會人工智慧論壇上，國際人工智慧聯合會理事會主席、國際人工智慧協會執委楊強進行了演講。

楊強表示，他經歷了兩次人工智慧的火熱。最早確定博士方向的時候，

大家都勸他選人工智慧，之後經歷人工智慧寒冬時他也堅持下來，之後，deep learning的出現使得人工智慧領域越來越多的激動人心的事情發生。

人工智慧到底怎樣才能落地，如何產生巨大的影響？楊強認為，人工智慧是一個賦能的引擎，

它本身並不自帶一個商業場景，所以在考慮人工智慧的落地時一定要給它配備一個好的商業場景，在楊強看來，好的商業場景就是它具有非常清楚的邊界條件，具有很強的資料的特性，並且這個資料當中有很大的、高頻的外界的回饋。另外，要有很強的計算資源在後面支持，還要有非常先進的演算法，把這些加起來我們會看到一個閉環。

楊強認為，AI的商業閉環應該具有幾個特點，

首先這個閉環當中最好不要有人的參與，就是自動化的。其次，是這個閉環要非常高頻地產生這樣的資料、這樣的回饋，最後是這樣一種反覆運算使得產生效能的功能是一定要快速地發生，而不能說在幾年時間段，一定要在幾個星期，甚至幾天這樣的一個時間段快速地發聲。人工智慧一定要經過一定的過程，比如我們首先要定義什麼是我們面臨的人工智慧問題，還特別重要的一個是我們投入人工智慧以後，能夠得到多好的回報，一定要從經濟的角度分析人工智慧的落地，進行一個比對。同時我們要有一個很短的時間，很快地找到資料，挑選和訓練模型，最後能夠來測試這個模型。

今後人工智慧哪些會是熱點？楊強認為，第一是Explainable AI可解釋的AI，過去的深度學習都是以黑箱的形式出現，可解釋就變得很重要，比如醫療、金融、政府的決策都需要透明的可解釋的AI。

第二是AI for all降低人工智慧的門檻，此外還有遷移學習，不需要建設的資料，機器學習的加速，最終使得AI成為一種服務。

楊強著重介紹了他在遷移學習所取得的成果。遷移學習，把已經有的模型遷移到新的領域。可以做到用小資料解決大問題保證個人隱私不外流。目前楊強設計的領域有機器閱讀，機器的輿情分析，跨領域多媒體的知識遷移，

個性化的對話系統等。

最後，楊強希望，大家能努力在工業角度把技術門檻降低，實現第四範式的口號：AI for Everyone。

以下是楊強演講原文，略經編輯。

楊強：大家好，非常榮幸作為第一位演講來和大家見面。就像剛才主持人所說的，人工智慧現在是一個非常火熱的名詞，但是人工智慧如何能夠落地於千家萬戶？這是我們每一個人現在特別關心的一個話題。

首先我們看一下人工智慧的歷程。像我這個年齡的人比在座的都年長，有幸經歷了兩次人工智慧的起伏，我記得第一次接觸人工智慧是1985年，就是我在決定要念博士方向的時候，那個時候我周邊的這些校友們都異口同聲地勸我一定要念人工智慧，因為這個是非常火的。在之後90年代經歷了一次炎冬，這個也是被我們留下來的這些人挺過去了。之後就有一次一次激動人心的事件發生，比方說Deep blue戰勝人類，比如說深度學習的出現，以至於後面大家都熟知的AlphaGo、AlphaZero等等。我們看一下在這些光彩耀人的這些事件之後我們可能更關心的是人工智慧如何能夠真正地落地，能夠在我們生活和工作當中起到它應該起到的作用。我們也努力地分析人工智慧到底怎麼樣才能落地，什麼條件，什麼必備條件使得人工智慧能夠真正地產生巨大的影響。我們看的一個方向是這樣的，就是人工智慧是一個賦能的引擎，它本身並不自帶一個商業場景，但是我們一定要給它配備一個好的商業場景，什麼叫好的商業場景呢？就是它具有非常清楚的邊界條件，具有很強的資料的特性，具有大資料，並且這個資料當中有很大的、高頻的外界的回饋。另外，要有很強的計算資源在後面支持，還要有非常先進的演算法，把這些加起來我們會看到一個閉環，首先這個閉環當中最好不要有人的參與，就是自動化的。其次，是這個閉環要非常高頻地產生這樣的資料、這樣的回饋，最後是這樣一種反覆運算使得產生效能的功能是一定要快速地發生，而不能說在幾年時間段，一定要在幾個星期，甚至幾天這樣的一個時間段快速地發聲。人工智慧一定要經過一定的過程，比如我們首先要定義什麼是我們面臨的人工智慧問題，還特別重要的一個是我們投入人工智慧以後，能夠得到多好的回報，一定要從經濟的角度分析人工智慧的落地，進行一個比對。同時我們要有一個很短的時間，很快地找到資料，挑選和訓練模型，最後能夠來測試這個模型。所以這樣的一個流程是每一個人工智慧的應用所必不可少的。

那麼，有了這樣的一個思路，我們也可以放眼看一下，我們現在有了這樣的成績，今後在人工智慧哪些會是熱點？如果大家去過這些比較高端的學術會議，會發現有一個新的名詞叫“Explainable AI”（可解釋的人工智慧），現在是非常地火爆。為什麼會出現這樣的詞呢？因為可能過去一些爆點，像深度學習都是以一種黑箱的形式出現，我們並不知道它如何工作的，所以如果能夠解釋人工智慧的引擎現在就變成一個非常急迫的任務，比如在關鍵的落地場景、決策、醫療、教育、包括政府的經濟的決策，都需要這種“白箱”，這種透明，能夠和人們解釋後面的原因、因果。還有就是人工智慧能不能夠把門檻降低，像第四範式就在努力地做這樣的一個先知平臺，使得普通人也可以用人工智慧的產品在上面搭建應用。還有一個就是非結構化資料，這個資料往往是以自然語言的形式出現，可能以其他的信號形式出現，這裡面因為有大量的人工需要清理資料的需求，所以它的進步相對於其他人工智慧領域相對較慢，但是它的應用面卻更加地廣泛。還有就是如何讓人工智慧的訓練過程能夠變得更加敏捷，就是如何能夠Speedup machine learning的流程。最後是人工智慧能不能給大家提供服務，就像我們打開自來水一樣，我們能夠自動地得到這種服務，這樣使得社會分工更加清晰，使得不懂得AI的人能夠得到AI的好處。能夠做到這一點，就是AI能不能為所有的人服務，我們一定要研究這方面的技術，有一個技術是我和我的學生一直以來在研究的叫作遷移學習，遷移學習就是說如何能夠把已經有的一個非常靠譜的模型和經驗能夠遷移到一個類似的領域，使得在新的領域不用花那麼大的資源就可以獲得一個很好的模型，遷移學習為什麼有用呢？第一是它可以應對小資料，就是說在一個類似的領域，我們可以只依靠這個領域的小資料和前一個領域的大資料一起來建立一個新的模型，在小資料新的場景。第二個是它可以解決很多隱私方面的問題。假設我們要把資料移轉到一個個人的終端，這個終端如果有能力把一個通用的模型給適配到一個個性化的模型，它也可以很快地建立一個很靠譜的個性化模型，在手機上有新聞推薦等等之類的，都可以使用到這一點，在做的過程當中我們可以保證個人的隱私不外流。這個在企業服務上就非常地重要，如果一個企業建立了一個模型，為另外一個企業服務，另外那個企業不必要，不需要把數據傳到前一個企業去，它在本地就可以進行模型的遷移，這種就可以使得AI as a service可以實現。

我們實驗室做的工作，比如通過讓機器理解人的知識，能夠讓機器進行輿情分析，在一個領域做好一個輿情分析的模型以後能夠把它遷移到相關的領域，同時可以做跨領域的多媒體的，比方說文字到圖像的知識遷移。還有對話系統，假如說我們有一個通用型的對話系統，我們可以遷移到個性化的每個人的手機上，可以進行對話，可以推薦，為個人進行服務。

總結：第四範式的口號“AI For Everyone”一樣。這一點怎麼得到呢？真正得到這一點需要我們大家不僅需要在學習上、在工業上要努力地把AI的門檻降低，如果真正能做到這一點，就像一個新的大資料和模型驅動的經濟演進，這個就是我要講的，謝謝大家。

像我這個年齡的人比在座的都年長，有幸經歷了兩次人工智慧的起伏，我記得第一次接觸人工智慧是1985年，就是我在決定要念博士方向的時候，那個時候我周邊的這些校友們都異口同聲地勸我一定要念人工智慧，因為這個是非常火的。在之後90年代經歷了一次炎冬，這個也是被我們留下來的這些人挺過去了。之後就有一次一次激動人心的事件發生，比方說Deep blue戰勝人類，比如說深度學習的出現，以至於後面大家都熟知的AlphaGo、AlphaZero等等。我們看一下在這些光彩耀人的這些事件之後我們可能更關心的是人工智慧如何能夠真正地落地，能夠在我們生活和工作當中起到它應該起到的作用。我們也努力地分析人工智慧到底怎麼樣才能落地，什麼條件，什麼必備條件使得人工智慧能夠真正地產生巨大的影響。我們看的一個方向是這樣的，就是人工智慧是一個賦能的引擎，它本身並不自帶一個商業場景，但是我們一定要給它配備一個好的商業場景，什麼叫好的商業場景呢？就是它具有非常清楚的邊界條件，具有很強的資料的特性，具有大資料，並且這個資料當中有很大的、高頻的外界的回饋。另外，要有很強的計算資源在後面支持，還要有非常先進的演算法，把這些加起來我們會看到一個閉環，首先這個閉環當中最好不要有人的參與，就是自動化的。其次，是這個閉環要非常高頻地產生這樣的資料、這樣的回饋，最後是這樣一種反覆運算使得產生效能的功能是一定要快速地發生，而不能說在幾年時間段，一定要在幾個星期，甚至幾天這樣的一個時間段快速地發聲。人工智慧一定要經過一定的過程，比如我們首先要定義什麼是我們面臨的人工智慧問題，還特別重要的一個是我們投入人工智慧以後，能夠得到多好的回報，一定要從經濟的角度分析人工智慧的落地，進行一個比對。同時我們要有一個很短的時間，很快地找到資料，挑選和訓練模型，最後能夠來測試這個模型。所以這樣的一個流程是每一個人工智慧的應用所必不可少的。

那麼，有了這樣的一個思路，我們也可以放眼看一下，我們現在有了這樣的成績，今後在人工智慧哪些會是熱點？如果大家去過這些比較高端的學術會議，會發現有一個新的名詞叫“Explainable AI”（可解釋的人工智慧），現在是非常地火爆。為什麼會出現這樣的詞呢？因為可能過去一些爆點，像深度學習都是以一種黑箱的形式出現，我們並不知道它如何工作的，所以如果能夠解釋人工智慧的引擎現在就變成一個非常急迫的任務，比如在關鍵的落地場景、決策、醫療、教育、包括政府的經濟的決策，都需要這種“白箱”，這種透明，能夠和人們解釋後面的原因、因果。還有就是人工智慧能不能夠把門檻降低，像第四範式就在努力地做這樣的一個先知平臺，使得普通人也可以用人工智慧的產品在上面搭建應用。還有一個就是非結構化資料，這個資料往往是以自然語言的形式出現，可能以其他的信號形式出現，這裡面因為有大量的人工需要清理資料的需求，所以它的進步相對於其他人工智慧領域相對較慢，但是它的應用面卻更加地廣泛。還有就是如何讓人工智慧的訓練過程能夠變得更加敏捷，就是如何能夠Speedup machine learning的流程。最後是人工智慧能不能給大家提供服務，就像我們打開自來水一樣，我們能夠自動地得到這種服務，這樣使得社會分工更加清晰，使得不懂得AI的人能夠得到AI的好處。能夠做到這一點，就是AI能不能為所有的人服務，我們一定要研究這方面的技術，有一個技術是我和我的學生一直以來在研究的叫作遷移學習，遷移學習就是說如何能夠把已經有的一個非常靠譜的模型和經驗能夠遷移到一個類似的領域，使得在新的領域不用花那麼大的資源就可以獲得一個很好的模型，遷移學習為什麼有用呢？第一是它可以應對小資料，就是說在一個類似的領域，我們可以只依靠這個領域的小資料和前一個領域的大資料一起來建立一個新的模型，在小資料新的場景。第二個是它可以解決很多隱私方面的問題。假設我們要把資料移轉到一個個人的終端，這個終端如果有能力把一個通用的模型給適配到一個個性化的模型，它也可以很快地建立一個很靠譜的個性化模型，在手機上有新聞推薦等等之類的，都可以使用到這一點，在做的過程當中我們可以保證個人的隱私不外流。這個在企業服務上就非常地重要，如果一個企業建立了一個模型，為另外一個企業服務，另外那個企業不必要，不需要把數據傳到前一個企業去，它在本地就可以進行模型的遷移，這種就可以使得AI as a service可以實現。

我們實驗室做的工作，比如通過讓機器理解人的知識，能夠讓機器進行輿情分析，在一個領域做好一個輿情分析的模型以後能夠把它遷移到相關的領域，同時可以做跨領域的多媒體的，比方說文字到圖像的知識遷移。還有對話系統，假如說我們有一個通用型的對話系統，我們可以遷移到個性化的每個人的手機上，可以進行對話，可以推薦，為個人進行服務。

總結：第四範式的口號“AI For Everyone”一樣。這一點怎麼得到呢？真正得到這一點需要我們大家不僅需要在學習上、在工業上要努力地把AI的門檻降低，如果真正能做到這一點，就像一個新的大資料和模型驅動的經濟演進，這個就是我要講的，謝謝大家。