上周，清華 AI 公開課迎來(lái)最后一講，本講主題是：落地的人工智能。講者楊強(qiáng)是香港科技大學(xué)講座教授，華人首個(gè)AAAI Fellow和IJCAI理事長(zhǎng)，第四范式公司聯(lián)合創(chuàng)始人。 楊強(qiáng)教授作為邀請(qǐng)講者，與清華大學(xué)海峽研究院大數(shù)據(jù) AI 中心專家委員雷鳴等共同探討了 AI 在當(dāng)前和未來(lái)將產(chǎn)生的影響和落地的場(chǎng)景。

在課程開始，雷鳴老師先概述了對(duì)產(chǎn)業(yè)有較大影響的技術(shù)，以及未來(lái)將發(fā)生的演變。

從技術(shù)角度看，未來(lái)對(duì)產(chǎn)業(yè)產(chǎn)生比較大影響的技術(shù)有：

基于視頻的信息理解和處理技術(shù)?，F(xiàn)在，基于靜態(tài)的圖片的處理技術(shù)，比如人臉識(shí)別、物體識(shí)別等，已經(jīng)達(dá)到了可用的水平。但是，在視頻分析和處理方面的研究才剛剛開始，還沒有非常有效、成熟的技術(shù)。

自然語(yǔ)言對(duì)話、理解和處理。尤其是半開放環(huán)境的對(duì)話，難度還很大。

強(qiáng)化學(xué)習(xí)。未來(lái)將在自動(dòng)駕駛、廣告等領(lǐng)域產(chǎn)生影響。

內(nèi)容生成相關(guān)技術(shù)。

小樣本學(xué)習(xí)和遷移學(xué)習(xí)。在樣本匱乏的情況下解決問題。

產(chǎn)業(yè)在未來(lái)可能發(fā)生的一些演變：

首先是自動(dòng)駕駛。以前我們還會(huì)討論自動(dòng)駕駛是不是有落地的可能，是不是太危險(xiǎn)、太科幻了。但現(xiàn)在來(lái)看，我們認(rèn)為自動(dòng)駕駛的落地只是時(shí)間的問題。今年很快，百度的小批量量產(chǎn)自動(dòng)駕駛汽車就會(huì)投入使用，真正實(shí)現(xiàn)商業(yè)化。

第二是智能醫(yī)療。智能醫(yī)療最近的發(fā)展很快，以醫(yī)學(xué)影像的發(fā)展為牽引，在一些特定領(lǐng)域的進(jìn)展很不錯(cuò)。FDA最近剛給出了AI診斷的第二個(gè)license。

智能教育。探討教育的難度比較大，因?yàn)榻逃皇且粋€(gè)客觀問題，是一個(gè)交互式的，高維度的問題。所以AI全面介入教育的“智能老師”難度很大，但是以個(gè)性化教育作為切入，在一些特定領(lǐng)域，比如作文評(píng)分、作業(yè)批改、個(gè)性化出題等，已經(jīng)在不斷改變教育的生態(tài)。

智能助理。去年開始進(jìn)入一種非常白熱化的競(jìng)爭(zhēng)階段，未來(lái)會(huì)進(jìn)一步的落地，通過(guò)迭代，會(huì)在更多垂直應(yīng)用上越做越好。

游戲及娛樂。個(gè)性化、娛樂內(nèi)容的生產(chǎn)。

智能制造。中國(guó)是制造大國(guó)，如果疊加智能制造，可以大幅度提高中國(guó)制造的水平和能力。中國(guó)在軟件方面發(fā)展較快，但硬件上的話，無(wú)論是芯片還是其他重要零部件制造，跟國(guó)際水平差距還很大。要承認(rèn)差距的客觀存在性，依靠中國(guó)巨大的市場(chǎng)，大力加大研發(fā)投入。不能僅靠國(guó)家，整個(gè)產(chǎn)業(yè)的企業(yè)和國(guó)家要一起把這部分發(fā)展起來(lái)。

智能農(nóng)業(yè)。中國(guó)是農(nóng)業(yè)大國(guó)，在智能農(nóng)業(yè)上已經(jīng)有一些發(fā)展。比如用無(wú)人機(jī)進(jìn)行病蟲害巡檢、定向農(nóng)藥噴灑、大棚的溫控，病蟲害檢測(cè)等，未來(lái)都有一些非常實(shí)際的應(yīng)用場(chǎng)景。

整體來(lái)看，AI在各個(gè)行業(yè)都有很多落地的場(chǎng)景，未來(lái)AI自身的發(fā)展結(jié)合落地的場(chǎng)景，應(yīng)該會(huì)產(chǎn)生很多創(chuàng)新。

楊強(qiáng)：一個(gè)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(gè)題目是拿來(lái)跟大家探討的，因?yàn)檫@是一個(gè)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(gè)發(fā)展階段。初級(jí)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(jiǎn)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(gè)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(gè)階段是自動(dòng)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(gè)AI，兩種模式

通用 vs 特殊：有很多人試圖解決通用 AI，但現(xiàn)在絕大部分工作還是在特殊的、任務(wù)驅(qū)動(dòng)的人工智能。

輔助 vs 自動(dòng)：比如計(jì)算機(jī)視覺是輔助型的，相當(dāng)于給機(jī)器戴上了眼鏡。無(wú)人車是自動(dòng)型的，因?yàn)樗恼麄€(gè)運(yùn)作是自動(dòng)的，也有自動(dòng)的學(xué)習(xí)能力，人類只是為它提供一些必要的資源。

交互 vs 核心：交互型的 AI 是為了跟人溝通，是閉環(huán)的。還有一種做法是把 AI 作為一個(gè)核心的系統(tǒng)，它的副產(chǎn)品是對(duì)人有用，但它可以完全按照自己的方式發(fā)展。AlphaGo 就是一個(gè)例子。

說(shuō)到人工智能落地，第一個(gè)問題就是什么叫“落地”，誰(shuí)來(lái)規(guī)范什么時(shí)候AI可以算作“落地了”？ 這個(gè)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(cè)試“成功”的準(zhǔn)則，否則就會(huì)事倍功半。要知道，智能的測(cè)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(duì)一匹叫做“漢斯”的馬的智能測(cè)試，因?yàn)橐婚_始沒有注意到高維的特征空間，而得到了錯(cuò)誤的結(jié)論。圖靈測(cè)試是一種更合理的測(cè)試，但也不是唯一的測(cè)試。

我認(rèn)為深度學(xué)習(xí)的成功主要來(lái)自兩個(gè)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(lái)，這個(gè)網(wǎng)絡(luò)本身成為一個(gè)特征產(chǎn)生器，產(chǎn)生一個(gè)高維的空間，在這個(gè)空間里，世界上的任何東西（圖像、語(yǔ)音等）都會(huì)有統(tǒng)一的表達(dá)，并且你可以計(jì)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(gè)空間里得到。但這個(gè)空間是通過(guò)在數(shù)據(jù)中學(xué)習(xí)獲得的，這個(gè)手段在現(xiàn)階段是通過(guò)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(wàn)的 paper，是不是說(shuō)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(gè)例子是 GAN，它的一個(gè)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(duì)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(duì)數(shù)據(jù)的模擬。GAN 在這個(gè)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(gè)例子是斯坦福大學(xué)的一個(gè)工作，他們的任務(wù)是幫助聯(lián)合國(guó)通過(guò)衛(wèi)星圖像，讓機(jī)器自動(dòng)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(gè)衛(wèi)星圖像，由于標(biāo)簽的缺乏，我們對(duì)圖像上對(duì)應(yīng)的貧困程度是一無(wú)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(lái)。這樣的做法既危險(xiǎn)，又耗時(shí)，不準(zhǔn)確，數(shù)據(jù)也非常少。

有沒有辦法自動(dòng)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(lái)學(xué)一個(gè)切割模型，第二步是比對(duì)白天和晚上的衛(wèi)星圖像，以此獲得一個(gè)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(duì)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(gè)新的領(lǐng)域，可以用小數(shù)據(jù)把大模型遷移過(guò)來(lái)找到這個(gè)領(lǐng)域的要點(diǎn)就是找出兩個(gè)領(lǐng)域的不變量。我們假設(shè)一個(gè)領(lǐng)域可以用上億維的特征來(lái)描述，那么我們要找兩個(gè)領(lǐng)域的特征空間共有的部分來(lái)做遷移。

AI落地

網(wǎng)約車識(shí)別

這里的一個(gè)例子是上海汽車的網(wǎng)約車識(shí)別

這個(gè)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(lái)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(gè)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(shí)從左邊搬到右邊。但是很明顯兩邊的知識(shí)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(gè)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(lái)。

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(shí)，同時(shí)也需要 AI 知識(shí)，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(lái)舉一個(gè)反例。我們都知道，AI的頭幾個(gè)里程碑都是IBM創(chuàng)造的。但是在AI落地的過(guò)程中，IBM也遇到了難題。一個(gè)例子就是IBM WATSON在醫(yī)療領(lǐng)域的落地。

我們先來(lái)看一下IBM WATSON的流程。 首先，當(dāng)一個(gè)問題到來(lái)的時(shí)候，系統(tǒng)把輸入的問題和知識(shí)庫(kù)里的問題加以對(duì)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(duì)應(yīng)的答案作為輸出。 在這個(gè)流程中，需要知識(shí)庫(kù)的建立，和問題集的收集。當(dāng)然，這個(gè)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(gè)流程的建立還是要依靠專家來(lái)進(jìn)行的。比如，知識(shí)庫(kù)的建立，知識(shí)的擴(kuò)展，以及問答系統(tǒng)在整個(gè)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(cuò)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(guó)一個(gè)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(bào)道。

總結(jié)起來(lái)，這個(gè)例子說(shuō)明，僅僅在一個(gè)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(chǎng)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(duì)中？ 系統(tǒng)有沒有做到前端和知識(shí)庫(kù)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(zhǎng)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(wàn)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(gè)問題是，AI 是產(chǎn)品，還是技術(shù)，還是解決方案？第二個(gè)問題是，AI 如果在一個(gè)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(gè)點(diǎn)，是 AI 出現(xiàn)了以后、會(huì)出現(xiàn)一個(gè)新的、以機(jī)器智能為主體的產(chǎn)業(yè)和社會(huì)。那么這個(gè)新的商業(yè)社會(huì)也可能會(huì)部分地顛覆我們已有的商學(xué)院的知識(shí)?，F(xiàn)有的商學(xué)院的知識(shí)主要是針對(duì)人的管理和人的決策。那么 AI 對(duì)應(yīng)的是機(jī)器的管理和機(jī)器的決策，這個(gè)學(xué)問現(xiàn)在還是空白。