<mark id="oztn4"></mark>
0
| 本文作者： 高婓 | 2016-10-06 23:33 | 專題：CCF-GAIR | 全球人工智能與機器人峰會 |
編者按：近兩年人工智能技術的研究與應用驟然增速，產業界，無論是身經百戰的科技巨頭，抑或是默默無聞的中小企業，都想要抓住這一難得的機遇，在業內嶄露頭角。但是，如何將人工智能與自身原始的商業模式相結合，實現產業創新，很多企業都還在“摸著石頭過河”，難免遇到迷茫期。
在2016 年GAIR大會上，楊強教授深入淺出地為大家分享了自己多年來的智慧與經驗總結——人工智能要取得成功應當具備的五個必要條件，這五個條件將成為推動人工智能長足發展的動力源泉。
楊強，香港科技大學計算機與工程系教授, IEEE Fellow，IAPR Fellow, AAAS Fellow 和ACM杰出科學家。，第四范式首席科學家、機器學習領域國際學術帶頭人，主要研究領域為機器學習、數據挖掘和自動規劃。到目前為止，楊教授在學術研究中碩果累累，在人工智能和數據挖掘方面，已發表了超過了200篇的學術文章，還組織籌辦了多個人工智能和數據挖掘的國際會議。
當下人工智能在圖像識別、語音識別和大規模的產品推薦方面取得了巨大的成功，那么人工智能的成功應用究竟取決于哪些條件？
為什么只在我們這個時代迎來了人工智能發展的高峰期？對于這兩個備受關注的問題，楊教授從人工智能的科學與應用兩個方面著手，娓娓道來。
人工智能技術的發展大體可以分為兩個方面：人工智能的科學與人工智能的應用。
從科學層面談及人工智能要回歸到該研究領域最根本的問題：機器能夠思維嗎？這個問題最早起源于人工智能之父圖靈，之后經過60多年的努力，計算機科學家及各行各業對人工智能感興趣的人士都競相研發計算能力更強的計算機，匯聚更多的數據，提出更高級的算法，致力于回答這個最基本、也是最重要的問題。
談到應用層面，除去人工智能已經為我們的生活帶來的便利，我們更關心它對人類未來生活將產生什么樣的影響。要將人工智能技術成功地應用于商業領域，既要站在科學前沿，也要具備一定的商業頭腦，兩者兼備才能在商業浪潮中立于不敗之地。
會上，楊教授言簡意賅為我們分享了決定人工智能成功的五個必要條件：
清晰的目標（商業模式）
高質量的大數據 （持續反饋）
清晰的問題定義和領域邊界
懂人工智能的跨界人才（擅長應用和算法）
計算能力
首先，要有 “清晰的目標”，即清晰的商業模式，這就好比游戲中明確規定何為贏，何為輸，延伸到人工智能在商業領域的應用，即要確定明確的運行模式和運行目的。
其次，高質量的大數據資源是人工智能成功的核心條件。楊教授特別強調，高質量的數據要求收集到的數據能夠具備持續性、反饋性，且反饋的方式與內容要與具體的算法相匹配。有人會覺得，在某個領域擁有了幾千萬個數據樣本便具備從事人工智能的條件了，楊教授認為，這種觀點是站不住腳的，原因如下：首先，已收集的數據樣本可能無法與某個特定的算法相匹配；其次，所用到的算法可能不具備可持續性；最后，得到的反饋方式與內容不一定與期望相符。
第三，清晰的問題定義和領域邊界。要求在應用人工智能技術時要對所遇到的問題有清晰的理解與定義，就像下棋一樣，在有限定的領域里完成特定的行為操作。
第四，人工智能成功的核心競爭力在于懂人工智能的跨界人才（擅長應用和算法），即我們需要一個既精通人工智能，又在商界游刃有余的人才。當然，很多人會質疑：我們到哪里去找這樣的人才？楊教授號召我們做生活中的有心人，善于關注身邊會學習的人，著重培養其跨領域才能，這樣的人才將具備把兩個看似不同的垂直領域聯系在一起的能力，在未來能夠做出突出的成就。
最后，楊教授提出，強大的計算能力是人工智能技術在各領域成功應用的硬實力。在計算能力方面，我們有云計算、并行計算、GPU，這都為人工智能的發展奠定了堅實的基礎。
此外，楊教授提到，人工智能已經在機器學習領域已經取得了突出的成就，特別是在深度學習方面，此外，還特別強調了強化學習與遷移學習的應用前景。
楊教授講到，強化學習的優點在于它不僅能夠學習人的行為，而且能夠更好地使用延遲反饋功能。以Google DeepMind采用的強化學習流程為例，我們可以將這個流程圖理解為一個計算機內部的表達形式，一個矢量，這個矢量與我們得到的反饋信息相結合，將有助于改進我們采用的策略。流程圖中的策略，簡單來講，就是我們平常的行為規劃，工作規劃，就好比游戲中的一個動作就對應一個策略，這個策略再返回來，產生一個新的界面，如此我們便能夠進行持續學習。在這個循環過程中，我們只有到最后才能夠獲得反饋，稱之為延遲的反饋。就好比我們投資一只股票，過了很長時間才知道收益如何。
但是，這個循環暴露出強化學習的一個局限性：人們永遠無法準確定義這個策略里的空間，我們稱之為“狀態空間”，即強化學習的結果具有不可預測性。說到這里，楊教授以Google DeepMind的第二個目標——端到端的深度學習為例。當該有的狀態預先在學習器內表達好后，就形成了一種從輸入端到輸出端的端到端的深度學習模型，經過幾百次的訓練學習后，機器將能夠學會如何更好地玩一個游戲。
以下各個圖對應不同游戲的學習效果。圖中橫軸表示隨著游戲輪數越來越多，機器的自學習效果不斷提升，直至達到上限。
遷移學習是深度學習與強化學習的結合體，能夠將適用于大數據的模型遷移到小數據上，實現個性化遷移，這樣一來能夠避免數據寡頭的出現。
楊教授提出一點：
大數據設計出來的模型用于小數據上，它的副產品就是個性化。這就是遷移學習的目的。
運用遷移學習把在一個數據領域已經建立的非常好的模型，應用到另一個領域，這樣既節省了資源，又能夠節省時間，效果又好。
楊教授談到，我們人很自然就具備這種舉一反三的遷移能力，比如我們學會騎自行車后，學騎摩托車就很簡單了；會打羽毛球，再學打網球也就沒那么難了。
在演講中，楊教授總結了遷移學習的四種實現方式，每一種方式都很直觀。
第一種為樣本遷移，就是在數據集（源領域）中找到與目標領域相似的數據，把這個數據放大多倍，與目標領域的數據進行匹配。樣本遷移的特點是：1）需要對不同例子加權；2）需要用數據進行訓練。
第二種為特征遷移，就是通過觀察源領域圖像與目標域圖像之間的共同特征，然后利用觀察所得的共同特征在不同層級的特征間進行自動遷移。
第三種為模型遷移，其原理時利用上千萬的圖象訓練一個圖象識別的系統，當我們遇到一個新的圖象領域，就不用再去找幾千萬個圖象來訓練了，可以原來的圖像識別系統遷移到新的領域，所以在新的領域只用幾萬張圖片同樣能夠獲取相同的效果。模型遷移的一個好處是我們可以區分，就是可以和深度學習結合起來，我們可以區分不同層次可遷移的度，相似度比較高的那些層次他們被遷移的可能性就大一些。
第四種為關系遷移，比如社會網絡，社交網絡之間的遷移。
遷移學習的最終目的就是實現AI for Everyone。比如我們利用一個由訓練三萬個的對話模式獲得的大對話模型可以遷移到個人的小型對話中，這種基于強化學習所獲取的個性化效果非常具有實用性，因為我們不用繁瑣地問用戶很多同樣的問題。此外，楊教授在會上曾提到一個愿景——利用遷移學習，即使是自身沒有條件獲得大量訓練數據的小公司也可以按照自己的需要應用大公司訓練出來的模型，從而普及AI的應用，從而克服數據“寡頭”現象。不論怎樣，遷移學習是一種極具潛力的解決方案，將在未來大顯身手。
此外，楊教授用一個人工智能技術應用的熱點——對話系統，清晰地闡明上述五個條件對人工智能技術發展所產生的推動性作用。
一般來講，市場上現有的對話系統可以分為兩類：閑聊類與功能類。
在上圖中，我們可以看到：60年代的Eliza與微軟的小冰屬于閑聊類對話系統，百度的小度與微軟的Cortana介乎閑聊類與功能類之間，Facebook的M與HKUST最新的Magic Mirror系統屬于功能類對話系統。楊教授講到，我們大家應該都有體驗，微軟小冰很幽默，但是也只能止于閑聊；功能類對話系統則給我們的生活帶來了很多便利，例如，我們打電話到酒店預定房間，在銀行辦理個人業務，不過，在一定程度上，目前的功能類對話系統依然存在一些不太便利的地方，例如，在使用過程中，我們要根據系統提醒依次按服務鍵，這可能導致用戶體驗下降。
從技術層面上進行分析，楊教授提到對話系統可以大致分為兩種：基于原則的系統與基于學習的系統。最早的對話系統是基于原則的，有很多專家來制定這些規則，其優點在于準確性高，但是卻難以擴展，與數據無關，對數據的靈敏度不高。此外，基于原則的對話系統的由于無法擴展，通常情況下不能應對不同的意外事件，所以現在大家關注較多的是基于機器學習算法研發的對話系統。
楊教授透露說，香港科技大學實驗室正在研究如何運用新技術來改進現有的對話系統。在大會上，楊教授向我們展示了一個三明治式的三層結構算法模型：
第一層是我們熟知的深度學習神經網絡——遞歸深度神經網絡（RNN）
第二層是一個策略學習器——強化學習（RL）
第三層是遷移學習（TL）
在演講中，楊教授特別強調了強化學習（RL）中最難的階段：人工智能機器人只能部分觀察周圍的世界，研究者用一個奇怪的名字來描述這種現象——基于部分觀察的馬爾可夫決策過程。遷移學習（TL），正如在前面講到的，能夠將一個已經做好的模型遷移應用到一個新的領域中。楊教授講到，希望利用這樣一個三層結構賦予對話系統以下功能，比如說閑聊、推薦、引導、提醒、學習，如果一個對話系統能夠具備這些功能，它就像一個真人一樣。
但是，如何達到這個目的呢？
根據楊教授的觀點，首先，對話系統應當具備基本的對話功能，即自然語言生成能力，這種能力主要依賴RNN來實現。
其次，我們需要一個策略，用這個策略引導對話的對象來完成一個特定的任務，即對話控制，主要通過RL實現。
最后，要實現個性化，滿足用戶不同的需求指令，主要依靠TL實現。
為此，楊教授給我們提供了一個實例，香港科技大學現在和一個O2O的公司合作，用真是的數據訓練這個對話系統，上圖中綠色代表用戶所提的問題，白色代表系統的回答，該系統的中文名字叫做“魔鏡系統”，就是童話故事白雪公主里面的魔鏡，當然這是一個好的魔鏡。“魔鏡系統”是個性化學習的一個實例。
在這個系統中，我們是把整個對話系統放置在一個機器人里面，讓機器人通過語音的方式與用戶對答，實際上，這個系統可以在手機上與人進行交流。楊教授的研究團隊將“魔鏡系統”與大家熟悉的一些對話系統作對比，下圖中，綠色代表用戶的問題，黃色是小冰的回答，可以看到相比之下，小冰的回答多富有調侃性，準確度很低，而之前“魔鏡系統”的回答更容易滿足用戶的需求。此外，我們還可以看到siri（灰色）的回答很多都是“抱歉沒有找到匹配”，因為siri是基于搜索的對話系統。
楊教授表示，他們之所以對這種對話系統進行研究，歸根到底是對背后的系統感興趣，即我們在剛開始講到的——人工智能成功的五個必備條件。在對該對話系統背后的原理進行剖析，可以發現，其研究團隊具有很明確的目標，有很好的反饋，有不斷到來的數據，有跨界人才，此外，和O2O公司有聯絡。
談及清晰的問題定義與領域邊界這個必要條件，楊教授表示，我們不一定像在下圍棋一樣，要確定明確的邊界，在這里我們可以考慮說當我們現在的談話進行到這里時，到底離我們的目標還有多遠，這就好像在下棋里面一樣，我們對當前的盤面有一個估算，同時我們可以接著往下問不同的問題，就像我們下面要下的棋子一樣，所以對話系統的問題定義與領域邊界問題實質上與Alphago的思維很相像。
楊教授講到，同深度學習、強化學習及遷移學習一樣，這個三層結構算法模型也具有通用性。比如楊教授的學生就把這種模型應用到大家公認的很難的領域中——預測股市走勢。下圖所示為A股里面的某個股票，用過去十年的數據訓練該模型。首先，運用數據之間的連接，產生不同的狀態，讓各個狀態之間能夠互相遷移。其次，不同狀態之間將發生變化，我們運用用一個強化學習器模擬這種變化。最后。我們發現深度學習的隱含層里面會自動產生幾百個狀態，基本就能夠對這十年來的經濟狀況做出一個很完善的總結。所以，運用這種三層結構算法模型可以很好地對股市走勢作出預測，對此，我們也做了一些相關測試。
楊教授表示，這個例子只是在金融領域的一個小小的試驗。不過，一旦我們對一個領域有了透徹的了解，并掌握更多的高質量數據，就可以將人工智能技術遷移到這個領域來，在應用過程中對所遇到的問題作清晰的定義，最終能夠實現通用型人工智能的目的。
在演講接近尾聲時，楊教授對所講的內容做出總結：通過同大家分享谷歌DeepMind的應用實例，講解強化遷移學習和三層結構算法模型，及個性化學習，最終我們都要回歸到人工智能成功的五個必要條件——清晰的商業模式（明確的目標）、高質量的大數據、清晰的問題定義和領域邊界、懂人工智能的跨界人才及計算能力，這五個條件相互影響，缺一不可，是人工智能技術長足發展的動力機。
本文由雷鋒網獨家編寫，未經許可拒絕轉載！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
