第四範式楊強：AI的6大商業風口，未來每個人能率領上萬個機器人

作為華人界首個國際人工智慧協會AAAI Fellow、至今為止唯一的AAAI華人執委，以及IEEE Fellow、AAAS Fellow、IAPR Fellow，楊強教授在專註學術研究的同時，也更關注如何讓人工智慧技術落地轉化為生產力的問題。

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內部進行了一場主題為「人工智慧的下一個三年」的培訓，深入淺出地分享了自己在人工智慧產業推廣上的經驗，並預判了人工智慧即將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慧的五個必要條件，為人工智慧行業提供了權威的准入標準。

以下內容根據楊強教授主題演講編寫，略微有所刪減。

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，這對於人工智慧的社會影響非常大。這裡，我們問一下：AlphaGo到底為我們帶來了什麼？

在AlphaGo的搜索中，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。講到這裡大家應該能看出AlphaGo的演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」有了一個靠譜的理解；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。

同時，下圍棋中的一步，可以理解成對未來走向的預判，在商業活動中，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，也同樣都需要大數據的支持。因為圍棋是一個封閉式的遊戲（即沒有外界因素的干擾），為了得到更多的數據，AlphaGo也引入了自我博弈。所謂自我博弈就是自己玩遊戲，你會得到不斷的反饋，然後來更新自己的策略，經過無數次這樣的比賽，最後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據。

從AlphaGo到人工智慧的應用流程

我們如果沿著下圍棋的步驟走，就要面對這些問題：你的人工智慧演算法的目標是什麼？有沒有數據？數據在哪裡？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？你的特徵在哪裡？又如何得到這些特徵？是否可以得到一個持續的反饋？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信息都記錄下來，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，這樣就有了數據、有了特徵、有了問題持續的反饋，並且有了非常清楚的目標，即在副作用最小的情況下殺死癌細胞。並且這個workflow是可以重複的。

AI的發展歷史還有前30年，這些年的積累也很有用

剛剛我們說了AlphaGo的一路歷程，但我們對人工智慧的理解不應該片面地認為人工智慧就是機器學習。人工智慧的發展歷史還有前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，以及基於這些規則的符號空間的推理和搜索。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，因為在眾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，以及在符號空間的搜索的人工智慧這個分支，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，是人工智慧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。這種技術對於非結構化數據，尤其對於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路，比如一個encoder網路和一個decoder網路，我們可以看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演算法的輸出。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。所以這種過程叫做觀察網路。有了這種一邊學習、一邊學習學習方法的演算法，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self-taught learning，即我們通過很多supervise的數據、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。比如，給定一個文章中的實體和一個未知變數有這樣的關係，然後用戶可以問你這個未知變數是什麼。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眾的學習（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係抓取出來。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數據，一個是客服，一個是汽車（車內的人車對話）；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，比如我和別人說話的時候，臉轉過去，它就不會有反應。這種喚醒功能是非常準確的。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據，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，可以實現以下幾個突破——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，這樣一個複合模型可以叫做強化遷移學習模型。

人工智慧的可靠性模型

AI as Reliable Services是AAAI前主席Thomas Dietterich在AAAI2016上給出的一個主題，人工智慧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，所以用平均值來代表一個準確率是不恰當的，相反，應該更多地要考慮它的置信區間。換言之，小白用戶拿一些人工智慧的模塊來搭一個系統，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內的，所以人工智慧應該像軟體工程一樣做出來。

第四範式核心產品「先知平台」一直就在往這個方向發展，先知把人工智慧的模塊工程化、並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慧系統。

三、AI的商業風口在哪？

上面我們考慮了人工智慧的技術發展。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：高質量的大數據、清晰的問題定義和領域邊界、懂人工智慧且擅長應用和演算法的跨界人才、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慧的爆發。

智能客服

人機交互的智能客服，產生了很多外界公開的數據以及內部的數據、知識庫等，都可以用來製造機器人。尤其是可以用客服過去的數據來做訓練，這個數據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，其實是數據量足夠多的，有這麼多的文本，而且外界反饋也越來越多了。給一篇文章，可以用機器學習來做自動摘要。這樣一個工作的外部反饋來自哪裡呢？實際上我們寫的那些paper就是一個外部反饋，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，所以外部反饋還是可以實現的。

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《射鵰英雄傳》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，但是它也有工人，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據，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彆強烈，現在數據量可能還不是特別多，因為畢竟這一群體還是少數人，但是痛點很強，所以未來也許會有數據。

AI+有機食品

我們在香港曾去訪問過一個有機食品工廠，這個實驗室里的每一株菜，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數據訓練一個機器學習的模型，最後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，而且每個任務的數據都有痕迹、有數據足跡，數據的維度也是多維度的數據，有外界的、也有內界的，非結構數據比較多，例如文本和報告。數據也是形成了孤島，鏈條也非常長，並且鏈條裡面都有銜接。

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，然後做理財的配置，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行一個公司，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里，往往是20%的人在做80%的工作，那麼這20%的人就是未來的運營公司的人，剩下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，也代表了這個公司在商業上的反應速度和競爭力。

人工智慧給人類帶來的變革是非常深遠的，人工智慧不僅僅是一場比賽、一個應用，而是整個社會真正地徹底地在改變。機器和人將成為一個共同的「軍隊」不斷地攻克堡壘，推動人類進程向更好的方向發展。