【編者按】香港科技大學教授，CCF專業會員楊強通過AlphaGo對 人工智能 的社會影響，深入分析了人工智能技術在深度學習、遷移學習、自然語言的表示學習與機器閱讀、人機對話系統、深度、強化遷移學習和人工智能的可靠性模型幾個方向可能會有大的突破。他提出了人工智能成功的五大必要條件，多角度地解讀了AI的商業風口及有可能爆發的商業場景。并展望未來人工智能社會，認為人工智能給人類帶來的變革是非常深遠的。

本文發于“《中國計算機學會通訊》”，作者楊強；經億歐編輯，供行業人士參考。

---

AlphaGo為我們帶來了什么

2016年3月，AlphaGo橫空出世對戰圍棋九段棋手李世石，這對人工智能的社會影響非常大。 AlphaGo到底為我們帶來了什么？

在AlphaGo的搜索中，谷歌DeepMind團隊引入了一個新概念—— 用深度學習和強化學習的結合來做兩種任務的判別，即來判別現在所在的棋盤是好是壞，同時來預測未來有利的走向。 由此可以看出AlphaGo的算法和未來商業模式的關聯，即通過對 大數據 的分析，讓我們對“現在狀態”有了一個清晰的理解。這個狀態可以是棋盤，可以是足球運動中兩隊交鋒的狀態，也可以是當前營銷的一個狀態。

圍棋中的一步，可以理解成對未來走向的預判，在商業活動中，是營銷活動中的下一步。商業行為中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，都需要大數據的支持。圍棋是一個封閉式的游戲，沒有外界因素的干擾，為了得到更多的數據，AlphaGo引入了自我博弈。所謂自我博弈就是自己玩游戲，你會不斷得到反饋，然后來更新策略。經過無數次這樣的比賽，最后會得到一個好的策略，最終輸出是一個行為的策略。所以 AlphaGo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據。

從AlphaGo到人工智能的應用流程

如果沿著下圍棋的步驟走，就會面臨一些問題： 人工智能算法的目標是什么？有沒有數據？數據在哪里？問題的邊界是否清晰？什么叫合理的走法？什么叫犯規的走法？特征在哪里？如何得到這些特征？是否可以得到一個持續的反饋？ 這樣的流程是AlphaGo設計團隊所走過的路。不妨把這些步驟記下來，變成一個工作流，看看其他領域是否可以重復AlphaGo的成功。

比如，如果用AlphaGo治療癌癥，該如何治療呢？一般方法是用放射線殺死癌細胞，而每一個癌癥患者需要的劑量、角度、頻次可能都不一樣，如果把所有信息和經過一段時間的治療結果都記錄下來，就有了數據、特征和問題持續的反饋，并且有了非常清晰的目標，即在副作用最小的情況下殺死癌細胞。并且這個工作流是可以重復的。

人工智能前30年的歷史積累也很有用

我們對人工智能的理解不應該片面地認為就是機器學習。 人工智能前30年的發展歷史是從20世紀50年代中期到80年代中期。這30年間，人工智能在干什么呢？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號空間的推理和搜索。筆者認為，人工規則型的知識表達在人工智能的應用中是必不可少的，因為在眾多領域中會碰到冷啟動問題，以及如何規范一個領域的邊界問題。邏輯推理、邏輯知識表達以及在符號空間搜索的人工智能分支，在今后幾年會和統計學習相結合，并有較大發展。這種發展也會涉及技術和商業兩個層面。

人工智能的技術風口在哪兒？

大家普遍關心的一個問題是， 人工智能技術在哪些方向可能會有大的突破。

深度學習

深度學習會繼續發展。 這里的發展不僅包括層次的增加，還包括深度學習的可解釋性以及對深度學習所獲得的結論的自我因果表達。例如，如何把非結構化數據作為原始數據，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數據，尤其對于自然語言里面的知識學習，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。這些結構都是需要由人來設計的。如何讓邏輯推理和深度學習一起工作，來增加深度學習的可解釋性也是需要研究的問題。比如，建立一個貝葉斯模型需要設計者具有豐富的經驗，到現在為止，基本上都是由人來設計的。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，那么，學習、解釋和推理就可以統一起來了。

遷移學習

遷移學習是筆者和戴文淵一直在做的工作。給定一個深度學習網絡，比如一個encoder網絡和一個decoder網絡，觀察它學習和遷移的過程，作為新的數據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。這就好比一個學生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不斷地學習新的領域，每換一個領域就為A提供一個新的數據樣本，A利用這些新的樣本就能學會在領域之間做遷移。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

表示學習是當數據和任務沒有直接相關時也可以學，一個重要的例子叫做 自學習（ self-taught learning ），即我們通過很多監督的數據和圖像，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。這時非結構化數據就相當有用了。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。再比如，給定一個文章中的實體和一個未知變量的關系，用戶可以問你這個未知變量是什么。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，這種關注可以通過觀眾的學習來表達。其結果就好像我們讀了一本書，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

有一個領域已經 發展到了臨界點，就是人機對話系統領域。 在這個領域，某些相對垂直的方面已經獲得了足夠多的數據，比如客服和汽車（車內的人車對話）方面；還有一種是特定場景的特定任務，比如Amazon Echo，你可以和它講話，可以說“你給我放首歌吧”或者“你播放一下新聞”，Amazon Echo里面有多個麥克風形成的陣列，圍成一圈，這個陣列可以探測到人是否在和它說話，比如我把臉轉過去和別人說話的時候，它就不會有反應，并且大規模地降低噪音。

利用了硬件的優勢，在家庭這個場景中，這種“喚醒功能”是非常準確的。它的另外一個功能是當你的雙手無法控制手機的時候，可以用語音來控制，案例場景是客廳和廚房，在美國Amazon Echo特別受家庭主婦的歡迎。雖然它現在只有一問一答的形式，但有了準確的喚醒功能以后，給人的印象就好像它可以進行多輪問答的復雜對話。所以，當有了人工智能應用的特定場景，如果收集了足夠多足夠好的數據，是可以訓練出強大的對話系統來的。

深度、強化遷移學習

在未來，我們把深度學習、強化學習和遷移學習相結合，可以實現幾個突破——反饋可以延遲，通用的模型可以個性化，可以解決冷啟動的問題等。這樣一個 復合模型叫做深度、強化遷移學習模型。

人工智能的可靠性模型

人工智能系統的魯棒性，或“AI as Reliable Services，”是AAAI前主席托馬斯（ 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。人工智能不像商用軟件，能讓人放心地使用，保證錯誤率不會高于很小的比例。相反，人工智能在犯錯的時候可能會錯得非常厲害，所以用平均值來代表一個準確率是不恰當的，應該更多地考慮它的置信區間。換言之， “小白”用戶用一些人工智能模塊搭建一個系統，這個系統就應該能被搭建出來，而且它的效果應該在一個固定的范圍以內，所以人工智能應該像軟件工程一樣做出來。

AI的商業風口在哪？

人工智能成功的五大必要條件是高質量的大數據、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、持續的外部反饋。 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。下面，我們就看看有哪些可能爆發的商業場景。

智能客服

人機交互的智能客服會產生很多外界公開的數據以及內部的數據、知識庫等。這些數據都可以用來制造 機器人 ，尤其是可以用過去的數據來做訓練。這個數據量在垂直領域逐漸增加。現在的對話系統也已逐漸成為深度學習和強化學習的焦點。在客服需求量大，而服務內容垂直的應用領域，對話系統會發揮巨大作用。

新聞領域

新聞領域也是人工智能的另一個商業風口。此領域有很多編輯、解說、自動校對、作家等，數據量足夠大，而且外界反饋也越來越多。對于一篇文章，可以用機器學習來自動提取摘要。工作的外部反饋來自哪里呢？實際上我們寫的那些論文就是一個外部反饋，因為每篇論文都有摘要。如果一篇論文被錄用了，就說明這篇論文的摘要寫得不錯，所以外部反饋是可以實現的。

這里分享一個有趣的實驗，是香港科技大學的學生做的“自動寫小說”項目。主要有兩個步驟，一步是讓它讀很多書，一步是訓練出一個模型。這個模型再變成一個生成式的模型，就能用來寫小說了。比如，我們提供《射雕英雄傳》和《笑傲江湖》兩部小說，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

提起機器人的倉儲應用， 亞馬遜 （ Amazon ）為我們帶了一個好頭，它所有的倉儲都是由機器人KIVA來完成的。即使用了機器人，亞馬遜的倉儲應用中也有人工的成分，即工人被雇用來做物件的抓取。這是因為， 機器人的抓取在現階段要做好還非常難。 如果把人和機器的優點結合起來，就可以解決倉儲和供應鏈中的一個大問題。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，但它現在還不是自動的，而是通過遠程控制的，控制的精密度非常高。如果醫療機器人能夠收集到足量的數據，是可以達到自動的效果的，以后給病人開刀可能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別強烈，現在的數據量還不是特別多，因為這一領域面向的群體畢竟是少數人，未來也許會有數據。

人工智能+有機食品

筆者在香港曾訪問過一個有機食品工廠。工廠實驗室里的每一棵菜周邊的所有環境全都被記錄下來，比如濕度、溫度、光照，然后收集這樣的數據訓練一個機器學習模型，最后用這個模型來種植蔬菜。這樣可以控制蔬菜的口感和口味，脆的還是甜的，都可以通過模型學習出來。

Fintech智能投顧

金融 領域里的任務都是非常清楚的，而且每個任務的數據都有足跡，數據的維度是多維的，有外界的，也有內部的，非結構數據也比較多，例如文本和報告。數據形成了孤島，鏈條非常長，并且鏈條里面都有銜接。

在金融領域，美國有一個比較時髦的概念叫“投研、投顧和投資”。投研是研究整個市場的基本面，就好像做輿情分析一樣，但輿情只是其中的一部分；投顧是在銀行給客戶做理財分析，做理財的配置，這些工作可以由機器人完成；投資是機器人本身作為一個客戶，可以去投資。

多年后的人工智能社會

筆者認為， 未來應該是幾個人運作一個公司，每個人都能率領成千上萬個機器人，這些機器人做不同的且擅長的事情。 現在在一個傳統行業里，往往是20%的人在做80%的工作，那么這20%的人就是未來運營公司的人，剩下的80%的人所做的工作將交由機器來完成。 一個公司的自動化、智能化程度，代表了這個公司在商業上的反應速度和競爭力。

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，而是使整個社會在真正地、徹底地改變。機器和人將成為一個共同的“軍隊”，不斷地攻克堡壘，推動人類向更好的方向發展。

---

重磅福利！【 2017中國互聯網+新商業峰會 】， 6月15-16日兩天3000人次，攜程創始人梁建章，嘉御基金創始人、前阿里巴巴CEO衛哲，分眾傳媒創始人江南春等嘉賓已確認出席，期待你的參與， 限量鉅惠 票 等你拿！