Zi 字媒體

由計算機學會（CCF）主辦、雷鋒網與香港中文大學（深圳）全程承辦的 AI 盛會 --「全球人工智慧與機器人峰會」（CCF-GAIR），將於 7.7-7.9 日在深圳召開。CCF-GAIR 為國內外學術、業界專家提供一個廣闊交流的平台，既在宏觀上把握全球人工智慧趨勢脈搏，也深入探討人工智慧在每一個垂直領域的應用實踐細節。在去年的 CCF-GAIR 上，香港科技大學計算機系主任楊強教授親臨大會現場，並做了題為《人工智慧成功的幾個必要條件》的主題演講。而 CCF-GAIR 2017 再次榮幸地邀請到了楊強教授擔任本屆大會的程序委員會主席，並將在 7 月 7 日「人工智慧前沿專場」的「AI 學術前沿」Session 擔任主持人。時隔一年，楊強教授在人工智慧領域又有了哪些全新的思考？為此，楊強教授近期與雷鋒網 AI 科技評論進行了交流。回憶起去年的 CCF-GAIR 大會，楊強教授表示印象最深的一點在於與會者人數很多，且交流的熱情非常高漲。據組委會統計，CCF-GAIR 2016 共邀請了 8 位頂尖學術院士、25 家前沿創新企業、100 位技術創新領袖參與，並吸引超過 1200 位行業精英到現場交流，是一場融合了產業界與學術界的盛會。「工業界可能更加關心落地的需求，而學術界會更關注展望與前景方面的內容。」楊強教授認為，工業界與學術界能擁有這樣一個平台進行觀點的碰撞，實際上是挺有意義的一件事情。作為 IEEE、AAAI Fellow、人工智慧和數據挖掘專家，楊強教授在去年大會的演講令人印象深刻，他提及人工智慧成功必要條件包括清晰的商業模式，高質量的大數據，清晰的問題定義和領域邊界，擅長應用和演算法、懂人工智慧的跨界人才，以及計算能力等五個條件。此外，他也強調了遷移學習在未來的重要性。遷移學習，顧名思義是將深度學習與強化學習疊加的一個結果，演算法模型能夠將已有的一個模型遷移到一個新的領域。值得玩味的一點在於，目前學界的一大研究趨勢是「小數據」，即通過更少的數據訓練模型，這也與楊強教授所提倡的「遷移學習」特性相符。但楊強教授同樣也強調了大數據在商業化的重要作用，那麼二者是否代表著學界與產業界的兩種研究路徑？楊強教授在去年 CCF-GAIR 上表示，「大數據設計出來的模型用於小數據上，它的副產品就是個性化。這就是遷移學習的目的。」而在與雷鋒網 AI 科技評論交流時，楊強教授認為這二者並不相悖，而是一種研究的分工：「從學界落地到產業界需要經歷一個時間差，當前凡是成功的案例都依賴大數據，如 AlphaGo、智能推薦系統、圖像識別及無人車等；而目前小數據的應用場景尚不成熟，學術界現在也需要將重點放在小數據的探索上。」而在遷移學習領域，楊強教授表示目前人在知識遷移領域可以做得比較自然，研究者也一直在模仿人做知識遷移的工作。但現在，機器在知識遷移的規律上可能有著截然不同的邏輯，因此研究者也開始嘗試幾種不同的做法。第一種嘗試是將結構與內容進行剝離，前者的遷移相比起後者要容易一些。第二種則是通過深度學習來達到遷移的效果。以往深度學習在分層時，研究者可能只是籠統地覺得，不同的層可能具備不一樣的遷移能力，但目前研究者們開始關注遷移能力的定量化。第三種方法則是採用模擬的方法產生數據，這種方法以 GANs 為代表，通過設計一個模擬器產生數據，再用另一個判別器識別生成數據是否有效。「這樣一來可以生成很多新的數據來解決小數據的問題。」「機器學習一開始也有很多專家在背後進行演算法的設計，但最後的理想狀態，應該是系統自動進行學習。」楊強教授表示，目前也有一些實現的路徑。一方面是做出一個易用的機器學習服務平台，在上面積累不同領域的經驗與數據。楊強教授表示，團隊此前嘗試做過沒有源領域的遷移，即在眾多數據中找到一個最合適的大數據，並適配對應的遷移方法，為當前的小數據領域來服務。另一方面，研究者可以在統計學習的基礎上，讓統計知識向邏輯知識的路徑上更進一步。演算法的設計與性能的提升只是一部分，更重要的問題是商業化落地的可能性。楊強教授在去年 CCF-GAIR 大會上提及，金融領域是他最看好的 AI 應用方向。為什麼是金融領域？楊強教授告訴雷鋒網 AI 科技評論，主要有三個原因。首先是數據方面。因為金融因為有監管的要求，所有數據需要進行報備，反而使得經營的數據特別全。其次是金融領域的競爭比較直接，如果比競爭對手快一秒，或是正確率多 1%，可能市場份額就會發生根本性的改變。第三點在於金融領域的鏈條比較短，沒有實體經濟的「摩擦力」。「從得到反饋到系統更新的整個過程鏈條非常短，因此做端到端的機器學習相對容易些。」而回顧過去一年的變化，楊強教授也驚喜地發現，場景式的人工智慧已經找到了屬於自己的位置，並且開始發揮它的作用。以亞馬遜為代表，Echo 獲得了巨大的成功，已經成為智能家居的重要入口，能讓人在安靜的家庭環境下表達自己的意願。「去年大家可能還在宣揚通用型的人工智慧，此外 AI 威脅論也比較盛行。但我覺得到了今年，大家在這一方面開始認識得比較清楚了。因為有很多公司的產品現在開始碰壁，有好些普遍認為人工智慧積累比較深厚的公司，現在所拿出來的成果也比較有限。」一個典型的例子便是醫療領域。在楊強教授看來，醫學影像會成為人工智慧在醫療領域的第一個落地點，但如果涉及到診斷或健康保障方面，囿於數據的質量及結構化問題，以 IBM Watson 為代表的公司所面臨的困境也比想象的大。「相反，那些場景比較清晰的，像京東的物流與倉儲，或是微眾銀行的客戶需求，在人工智慧的滲透上就做得比較紮實。」在與雷鋒網 AI 科技評論交流的時候，楊強教授表示，目前國內的 AI 創業公司主要分為兩種，一種傾向於只關心技術，而另一種則有具體的場景和數據，這也是他個人更加看好的。「人工智慧目前要完全顛覆一個領域的可能性還是比較渺茫，比較成功的案例還是集中於漸進的模式。也就是說，人工智慧作為整個產業鏈條的一部分而存在，但並不會取代後者。因此，數據需要不斷循環更新，而場景則提供了數據更新的環境。」值得一提的是，與 CCF-GAIR 同期舉行的「AI 最佳僱主」頒獎典禮，正是組委會針對人工智慧與機器人前沿領域而評選的一份榜單，旨在探尋一批國內最具創新力量、最具價值的 AI 創業公司。相信這些入選榜單的企業都將會在具體應用場景中發揮它們最大的功用，助推人工智慧的發展。而作為今年 CCF-GAIR 2017 的程序委員會主席，楊強教授表示今年的人工智慧專場覆蓋得格外全面，包括醫療、金融、智能助手等多個領域都有涉及，且邀請了各領域產業界與學術界的領袖親臨現場，也讓他感到非常期待。如果您也對人工智慧感興趣，希望在短時間內了解各個領域最前沿的應用方向，歡迎和我們一同見證今年的 CCF-GAIR 大會！