摘要：人工智能到現(xiàn)在已經(jīng) 60 多年，幾起幾落，它的興衰也是圍繞著 “AI是不是可以落地” 進(jìn)行的。
楊強(qiáng)，香港科技大學(xué)計算機(jī)和工程學(xué)系主任，國際人工智能聯(lián)合會IJCAI理事長，第四范式首席科學(xué)家
楊強(qiáng)：一個AI，兩種模式
楊強(qiáng)：今天的題目很應(yīng)景，叫 “落地的人工智能”。這個題目是拿來跟大家探討的，因?yàn)檫@是一個大題目。人工智能到現(xiàn)在已經(jīng) 60 多年，幾起幾落，它的興衰也是圍繞著 “AI是不是可以落地” 進(jìn)行的。
今天的講座，第一部分是人工智能概述。
人工智能分為四個發(fā)展階段。初級階段是感知環(huán)境(Perception)，我們知道單層的神經(jīng)網(wǎng)絡(luò)也叫 perceptron(感知器)，是 60 年代就出現(xiàn)的可以簡單學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。這是 AI 必要的一步，因?yàn)橐懈兄悄埽拍苁占罅繑?shù)據(jù)，這一階段需要傳感器、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)。
第二個階段是機(jī)器學(xué)習(xí)(machine learning)階段。能從數(shù)據(jù)里面學(xué)習(xí)。第三個階段是自動推理(reasoning)，需要搜索、邏輯、博弈論等技術(shù)。最后也是最高階段是抽象遷移(abstraction)，需要有新的理論和系統(tǒng)。
一個AI，兩種模式
說到人工智能落地，第一個問題就是什么叫“落地”，誰來規(guī)范什么時候AI可以算作“落地了”? 這個標(biāo)準(zhǔn)是首先要建立的。在任何科學(xué)與工程領(lǐng)域，都要首先建立測試“成功”的準(zhǔn)則，否則就會事倍功半。要知道，智能的測試是非常難以做到公正的，也經(jīng)歷了很多的考驗(yàn)，比如著名的“聰明的漢斯”，是對一匹叫做“漢斯”的馬的智能測試，因?yàn)橐婚_始沒有注意到高維的特征空間，而得到了錯誤的結(jié)論。圖靈測試是一種更合理的測試，但也不是唯一的測試。
我認(rèn)為深度學(xué)習(xí)的成功主要來自兩個方面：第一，層次之間的演化是一種非線性的轉(zhuǎn)化，這種轉(zhuǎn)化如果進(jìn)行多次，就有可能產(chǎn)生高維空間的 pattern。第二，所有這些加起來，這個網(wǎng)絡(luò)本身成為一個特征產(chǎn)生器，產(chǎn)生一個高維的空間，在這個空間里，世界上的任何東西(圖像、語音等)都會有統(tǒng)一的表達(dá)，并且你可以計算它們的距離。
高維度的、統(tǒng)一的特征表達(dá)，這就是人工智能想達(dá)到的目標(biāo)。所有的推理、類比、抽象等，都可以在這個空間里得到。但這個空間是通過在數(shù)據(jù)中學(xué)習(xí)獲得的，這個手段在現(xiàn)階段是通過大數(shù)據(jù)，但大數(shù)據(jù)不是唯一的手段。
AI為什么要有不斷創(chuàng)新的能力?
AI 領(lǐng)域每年有上千甚至上萬的 paper，是不是說我們就可以躺在 open source 上面，不用創(chuàng)新了?不是的，我們很有必要不斷地創(chuàng)新。
一個例子是 GAN，它的一個作用是可以 “魚目混珠”，生成器可以創(chuàng)造出一些虛假的圖片。在金融界就發(fā)現(xiàn)有這樣的人，他們對深度學(xué)習(xí)了如指掌，并且可以用AI深度學(xué)習(xí)的這些手段去欺詐金融的安全系統(tǒng)，因此我們必須要有不斷提高的反擊的能力。
第二，有些新的學(xué)科，比如遷移學(xué)習(xí)，非常依賴對數(shù)據(jù)的模擬。GAN 在這個方向是非常有用的工具。
創(chuàng)新的能力也可以體現(xiàn)在跨界的AI應(yīng)用上。一個例子是斯坦福大學(xué)的一個工作，他們的任務(wù)是幫助聯(lián)合國通過衛(wèi)星圖像，讓機(jī)器自動地給非洲大陸打標(biāo)簽，這些標(biāo)簽指代地區(qū)的“貧困程度。” 但是我們看到一個衛(wèi)星圖像，由于標(biāo)簽的缺乏，我們對圖像上對應(yīng)的貧困程度是一無所知的。傳統(tǒng)的做法是派人到本地做經(jīng)濟(jì)調(diào)查，然后把數(shù)據(jù)收集起來。這樣的做法既危險，又耗時，不準(zhǔn)確，數(shù)據(jù)也非常少。
有沒有辦法自動地做這件事呢?他們想到了遷移學(xué)習(xí)，而且是多步的遷移學(xué)習(xí)。第一步是拿 ImageNet 這種圖像來學(xué)一個切割模型，第二步是比對白天和晚上的衛(wèi)星圖像，以此獲得一個初步的經(jīng)濟(jì)模型。因?yàn)橐话阏J(rèn)為晚上比較亮的地方是經(jīng)濟(jì)發(fā)展比較好的區(qū)域。由此得出一些 feature 對應(yīng)經(jīng)濟(jì)發(fā)達(dá)或不發(fā)達(dá)的地區(qū)。最后的結(jié)果，用 survey 的方法的準(zhǔn)確率是 75%，用遷移學(xué)習(xí)的方法準(zhǔn)確率是 71%。雖然沒有人工的那么好，但是非常省力。
我們現(xiàn)在已經(jīng)有了不少“遷移學(xué)習(xí)”在產(chǎn)業(yè)應(yīng)用中的實(shí)例。如果已經(jīng)有了大數(shù)據(jù)產(chǎn)生的模型，那么在一個新的領(lǐng)域，可以用小數(shù)據(jù)把大模型遷移過來找到這個領(lǐng)域的要點(diǎn)就是找出兩個領(lǐng)域的不變量。我們假設(shè)一個領(lǐng)域可以用上億維的特征來描述，那么我們要找兩個領(lǐng)域的特征空間共有的部分來做遷移。
AI落地
網(wǎng)約車識別
這里的一個例子是上海汽車的網(wǎng)約車識別
這個問題是：給定車輛的行駛軌跡，如何判斷車輛是否網(wǎng)約車?
我們的策略是引入外部數(shù)據(jù)來進(jìn)行遷移學(xué)習(xí)。外部數(shù)據(jù)有出租車、公交車的行車軌跡。分兩步：首先我們有兩個空間，左邊是出租車的空間，右邊是網(wǎng)約車的空間，我們的目的是把知識從左邊搬到右邊。但是很明顯兩邊的知識是有差異的，要把這些差異剔除，我們用了半監(jiān)督學(xué)習(xí) + 遷移學(xué)習(xí)。
這個例子告訴我們，AI 的落地首先要目標(biāo)清晰，清晰到可以把優(yōu)化函數(shù)用數(shù)學(xué)公式寫下來。
第二，需要去找到合適的數(shù)據(jù)。
第三，人才需要領(lǐng)域知識，同時也需要 AI 知識，這種跨界的人才才是 AI 真正需要的人才，否則談不上落地。
然后，我們也來舉一個反例。我們都知道，AI的頭幾個里程碑都是IBM創(chuàng)造的。但是在AI落地的過程中，IBM也遇到了難題。一個例子就是IBM WATSON在醫(yī)療領(lǐng)域的落地。
我們先來看一下IBM WATSON的流程。 首先，當(dāng)一個問題到來的時候，系統(tǒng)把輸入的問題和知識庫里的問題加以對比，再按照匹配的概率排序。 如果有匹配度高的問題，那就可以把對應(yīng)的答案作為輸出。
在這個流程中，需要知識庫的建立，和問題集的收集。當(dāng)然，這個流程中又很多依靠機(jī)器學(xué)習(xí)的階段，比如問題的特征抽取，特征空間的建立，匹配的相似度學(xué)習(xí)，等。但整個流程的建立還是要依靠專家來進(jìn)行的。
比如，知識庫的建立，知識的擴(kuò)展，以及問答系統(tǒng)在整個醫(yī)療系統(tǒng)中的定位等。恰恰因?yàn)檫@些需要人工的地方成為瓶頸，以至于最終用戶的定位錯誤，導(dǎo)致系統(tǒng)并沒有完成既定的任務(wù)。最后，IBM只能從美國一個很大的醫(yī)療機(jī)構(gòu)撤離，也導(dǎo)致了媒體大量的負(fù)面報道。
總結(jié)起來，這個例子說明，僅僅在一個游戲領(lǐng)域成功(問答的電視大賽)，并不表示在開放的實(shí)際場景(醫(yī)療)就可以取得成功。 首先，IBM Watson的目標(biāo)客戶群是醫(yī)生，還是病人? 系統(tǒng)的角色是助手還是替代? 有沒有既懂醫(yī)療又懂AI的專家在團(tuán)隊中? 系統(tǒng)有沒有做到前端和知識庫的維護(hù)的閉環(huán)?這些有關(guān)落地的問題，都有待回答。
總結(jié)：
第一，人工智能是走了很長的路，但是除了深度學(xué)習(xí)以外，還有很多的領(lǐng)域有待發(fā)掘。所以千萬不要以為深度學(xué)習(xí)就是人工智能。
第二，人工智能在企業(yè)的落地是一門大學(xué)問，而且是一門藝術(shù)性的學(xué)問，因?yàn)檫€沒有到科學(xué)的程度。所以一個問題是，AI 是產(chǎn)品，還是技術(shù)，還是解決方案?第二個問題是，AI 如果在一個領(lǐng)域落地成功，需要哪些基本條件?
最后，我覺得非常有趣的一個點(diǎn)，是 AI 出現(xiàn)了以后、會出現(xiàn)一個新的、以機(jī)器智能為主體的產(chǎn)業(yè)和社會。那么這個新的商業(yè)社會也可能會部分地顛覆我們已有的商學(xué)院的知識。現(xiàn)有的商學(xué)院的知識主要是針對人的管理和人的決策。那么 AI 對應(yīng)的是機(jī)器的管理和機(jī)器的決策，這個學(xué)問現(xiàn)在還是空白。
京公網(wǎng)安備 11010502049343號