香港科技大學楊強：人工智慧膨脹的過程中，我們要保持清醒的頭腦

通聯數據 通聯數

據Datayes

－本文摘自楊強教授在【Fintech x AI 高端研習班】上的分享 -

關於AI的冷思考

「我講AlphaGo的時候本著兩個目的，第一是給大家科普，讓大家了解它的機制；第二是給大家潑冷水，告訴你們AlphaGo的成功其實非常難複製」

AlphaGo為我們帶來了什麼？

人工智慧的成功應用主要在以下方面，而非所有：

第一個是語音，語音已經有很多年的歷史了，但是引入深度學習以後，尤其近幾年有了突破性的發展；第二是圖像識別，比如人臉識別；第三是電商/推薦，像淘寶、京東這樣的電商/推薦；第四是博弈，最典型的就是AlphaGo；第五是更深層次的對抗網路，基於博弈的思想，這個的應用就很多了，其中最引人矚目的就是無人車。

人工智慧第一次受到關注是97年的深藍，當時是象棋領域戰勝了世界冠軍。象棋本來就是非常難的領域，我們展開一個棋盤，所有可能的布局總數大概是10的47次方，這是非常龐大的數字；但在用了IBM高性能計算以後有了顯著的發展。

所以這一次應該說是幾個事件的成功：第一個是高性能的計算，第二個運用了群體智能，讓很多二流的國際象棋專家對這些節點進行評估，最後把他們的分數加以總結來戰勝一個世界冠軍，一共用了兩百多個二流的人，它和今天的AlphaGo相比，最大的弱點就是沒有機器學習的能力。

五年前人工智慧領域出現了一個新名詞，叫做「深度學習」。我們知道深度學習首先在圖像上有比較直觀的解釋，我們輸入一個圖像，可以在圖像上採集一些樣本，這些樣本會為我們帶來一些特徵。這些特徵包括比較低級的一個個像素，像素上面所帶的信息、顏色、亮度，我們可以將這些特徵總結起來。

DeepMind是AlphaGo背後的團隊，將「深度學習」與「強化學習」結合起來，把圍棋的棋盤當作輸入，另一端輸出動作，需要往左還是往右，需要把棋子放在哪兒等等，就是需要一個深度學習網路實現這種對應，這些都是計算機可以自學的。

但是大家看出這個問題的弱點了嗎？

圍棋的情景和我們實際生活差距相當大，因為這是一個非常理想的世界，我們的規則非常清楚，邊界也非常清楚，輸贏會立馬反映在上面，動作簡單，一點不含糊。所以在這種封閉的領域、清楚的領域，優化目標可以寫下來的領域，AlphaGo的演算法是完全沒有問題的。

AlphaGo裡面有兩個函數我要特別提一下，一個叫做「策略網路」，所謂「策略網路」就是告訴你在這裡應該怎麼走。策略網路中的「S」就是我們所說的狀態，「A」是我們說的「Action」，「P」則是概率的意思，整體來說是「在這個狀態下對方大概會走哪一步」，讓你對對方有一個了解。我們如何進行訓練呢？拿了三千萬個比賽的棋盤來訓練，看如果從這個狀態出發，高手一般走哪一步，我們就可以學習下來。

其實無人車也是用這種方法，讓它先在封閉的環境里學駕駛，學會了再出去開。特斯拉的意外就是一個反例，在特斯拉這個例子中，機器給車前面照了個相，判斷前方是空的，系統就會反饋說前方的狀態是有利的，可以往前走；如果前面是一堵牆，打分就會較低，系統會判斷沒有利。特斯拉就是出了一個錯，系統判斷前面是空曠的，以為是白色的白雲，但實際上是白色的卡車，因此就撞上了，這就是因為訓練不足。

第二個值得一提的演算法，在AlphaGo去年的比賽里，因為計算能力有限，對每一個狀態，即每一個「S」的估計還不夠好，就加了一個新的演算法叫做蒙特卡羅演算法。 就是我在現有狀態下讓機器隨機走棋，最後是輸是贏給我一個反饋。

像這樣快速走棋了N次之後，可以拿這些樣本做一個抽樣，這樣就能很快告訴我這麼走對我是好還是壞。這個會迅速得出結果，但是會非常不準，因為畢竟是在無限當中進行有限的抽樣，所以去年AlphaGo還有一盤棋是輸給李世石的。

到了今年大家知道master是60局全勝，這個月23日在烏鎮和柯潔的比賽，我們做人工智慧的覺得人類就沒什麼戲了。為什麼呢？因為現在我們把這種隨機過程全部替代掉了，所有訓練都是通過強化學習來實現的，機器犯錯的概率就大大降低了，據說現在的AlphaGo給去年的自己讓四個子還能贏。

我們能從AlphaGo的成功中學到什麼？

人工智慧在AlphaGo上的應用顯然成功了，那麼像在教育領域、醫療領域是否能複製這種成功？我覺得是非常難的。

人工智慧的成功首先得有高質量的大數據。AlphaGo是學習了三千萬個棋盤，十多萬個棋局，這些都是當時訓練時使用的數據，那個時候還沒有跟李世石對弈的實時數據做訓練，因此前期收集的數據是非常關鍵的。

除此之外，如果前期用質量不太高的數據，比方說圍棋一段以下的數據來計算，那樣訓練出來的效果是非常差的，所以對數據質量要求非常高。

還需要有明確的問題，也就是我們的「A（Action）」，在圍棋中只有下棋、放子這樣的動作，沒有任何其它的東西，不像投資這麼複雜。

另外還要有很好的獲取特徵的方式。比如說棋盤，要有專家參與進來，把每一個棋子周邊的情況用所謂的「變數」表達出來，這些變數我們叫做特徵。能產生這些變數需要專家，就像AlphaGo團隊里的工程師基本都會下圍棋。

以上我講AlphaGo的時候本著兩個目的，第一個給大家科普，告訴大家它在做什麼，讓大家了解它的機制；第二是給大家潑冷水，告訴你們AlphaGo的成功實際上非常難複製。

有記者常咱們媒體人，說AlphaGo意味著什麼？我們這邊說意味著人類要沒有工作了，人類不需要存在了；再問AlphaGo的團隊這些成功意味著什麼？他們會答意味著計算機也會下圍棋了，所以他們是很低調的。

我覺得這個題目是值得大家總結的，尤其是現在人工智慧膨脹的過程中，大家一定要保持清醒的頭腦。

企業如何將「人工智慧」落地？

「我們知道吳恩達剛剛離開，很大的原因是拿不到數據資源、業務資源，這種人又有抱負，當然會選擇離開，那麼我們該如何管理這個事？」

我們要建立一個機器學習模型，首先得有一個目標。這裡面分成兩類，一類是商業目標，人工智慧雖然可以用這麼多的方面，流程自動化、客服等等，但一定要明確最終目標是什麼，是要倍增收益，把地盤擴大，還是要把最後的費用減少。

第二，知道要增加收益或減少費用后，你需要把它量化成數學公式，我們往往管這個叫做優化函數。比方說哪些任務可以用自動化帶來價值，完成這個自動化過程本身需要費用，這個費用是不是值得花？這是需要顧及的。

第二個是否要引入第三方外援？不是每個人都要從頭開始做AI，要想從最底層的數據、網路、工具、應用，雲全部完成，這個恐怕也只有BAT可以做，但我們沒必要每一個公司、每一個team都做這些事；還有一個人工智慧系統往往需要持續支撐，這個支撐往往很昂貴，我們是否能承擔的起，要評估自己的人力資源、資金、數據是不是夠用。

第三，諮詢業務方和數據擁有方。我在華為、騰訊都做過，知道很多大公司都有部門牆，部門之間幾乎是不溝通的，因此這個數據往往是以孤島的形式存在的。而今天的人工智慧，尤其深度學習、強化學習，這兩大工具都非常依賴於數據。即使我們購買了數據，如何清洗和整合數據又是第二個問題，數據結構化的過程是非常昂貴的，往往需要很多人工。

第四個就是AI團隊建設。如果我們有AI團隊，這個團隊和業務團隊是不能分開的，它一定要有明確的責任，要有一個技術介面人、管理人員、數據的責任人、系統整合的責任人，都要非常明確，要有一個完整的KPI。

我們拿百度舉例，我們知道吳恩達剛剛離開，很大的原因是拿不到數據資源、業務資源，這種人又有抱負，當然會選擇離開，那麼我們該如何管理這個事？我們要從一開始就明確這個團隊的目標是什麼，也就是KPI。

第五點，AI的項目需要各種各樣的規劃，和一般的軟體沒有區別，我覺得把AI和其他軟體工程區分開始錯誤的。

AI技術的風口在哪裡

深度學習

深度學習特別要命的一點，就是它的結構是一個黑箱。經過幾千萬個樣本訓練以後，完全沒有辦法解釋。什麼叫做「解釋」呢？一旦有錯我可以知道是哪裡出了錯，應該調整哪個地方，但我無從得知。

所以AlphaGo就出了這樣一件事，當時4：1輸給李世石關鍵一步，它想知道哪一個地方出了問題，因為這肯定是深度學習在估算棋盤時出了一個嚴重錯誤，但沒有辦法回溯，如果當時再比賽一次還會出現同樣的錯誤，因為沒有辦法糾正。

那麼什麼叫做「白箱」，什麼叫做「可解釋的模型」呢？因果關係的模型就是可解釋的，比如醫生知道給病人吃了這個葯后病人有多大機率會康復，這就是因果關係。因果關係的流派在人工智慧領域確實存在，叫做貝葉斯流派，但目前沒有特別靠譜的自動學習的演算法。

目前在很多領域，如果一個模型給出了結論，但不知道為什麼會給出這個結論，往往該領域是不會允許你使用這個模型的，因此「因果關係」非常重要。所以「深度學習」領域需要有更多種類、需要是可解釋的、可編程的。

第二個是我們所說的遷移學習。所謂「遷移學習」就是給出一個已經訓練好的領域模型，這個模型可能對應一個神經網路，那麼我們能不能從中抽象出比較高層的邏輯知識，如果有了這個知識，就可以比較容易地把高層知識邏輯遷移到新的領域。

比方說「輿情」，比方說我們在微博上可以看一些人的評論和留言，我們知道這些留言是正面還是負面的，對於新出的電影或者一個事件就有正面、負面的判斷。

我們如果在這個領域訓練出了模型，能不能遷移到一個新的領域，比如對圖書、股票、股價、公司也做這種預測？所以這種遷移是很有用的。遷移的目的就是我們不用做很多的標註、不用花費很多建模費用，就可以把已有模型遷移到新的領域。

還有一種學習叫做表示學習，在自然語言處理的領域也經歷了革命性的轉化。現在機器通過大量文本學習一個新的「表達」，可以判斷這個詞出現的場景、它和周邊的字是什麼關係——我們建立起一個字及其周邊常見字的「朋友圈」，通過學習來發現同義詞，而不是通過人來告訴機器。

這個表達學習的過程叫做「機器閱讀」，把每一個詞中字的「朋友圈」都表達出來，比如說賈寶玉和誰最好，機器模型可以自動回答，而且非常准。我們有了機器閱讀，就可以產生一個新的表達，比如說可以做一個《紅樓夢》的摘要。

然後我們說Echo學習系統的一問一答，現在可以做得很准，其一就是因為Echo有一個很強的硬體系統，可以被智能喚醒，知道這個是在對著它講話還是在對著別人；然後將軟硬體相結合，把軟體的優點發揮出來。

另一點就是Echo的使用場景非常清楚，它的目標是一個有限的垂直領域，而不是一上來就做一個通用的對話系統，這也是我們需要借鑒的。

我再說一下人工智慧未來的幾個方向，在基礎計算結構有兩方面，一方面是晶元的研究，像英偉達做的GPU，谷歌做的TPU，雖然不知道什麼時候商業化，但據說是非常牛的人工智慧晶元。另外一個，過去我們在網路的傳輸層還沒有特別適合深度學習的網路研究，現在有了，如果在網路層做優化就能把深度學習加速到四五倍這樣的水平，這將是網路傳輸層的革命。

最後做一個總結，深度學習可以做很多研究——強化學習可以和遷移學習相結合做很多個性化的任務完成對話，智能規劃等等。遷移學習可以幫助完成知識的高層表達、跨領域的知識，還有小數據的學習。還有如何能夠進行信息抽取，把自然語言這種非結構化數據表達出來，能夠進行自動問答、對話系統，包括摘要的自動建立，演算法加速，人工智慧的工程化。