導語(yǔ):南京大學(xué)計算機系教授、歐洲科學(xué)院外籍院士周志華回顧了人工智能的發(fā)展以及機器學(xué)習興起的由來(lái)，并對列舉了目前大數據時(shí)代的機器學(xué)習的技術(shù)局限和"學(xué)件"的解決思路。
9月12日上午，南京金秋洽談會(huì )"2017中國人工智能峰會(huì )(CAIS 2017)"在南京國際博覽會(huì )議中心盛大開(kāi)幕。本次峰會(huì )以"創(chuàng )新、變革、突破"為主題，并設兩大主題論壇，共吸引了30余位人工智能領(lǐng)域著(zhù)名的科學(xué)家、企業(yè)領(lǐng)袖親臨現場(chǎng)，1500余名專(zhuān)業(yè)觀(guān)眾報名參會(huì )，雷鋒網(wǎng)作為受邀媒體參加了本次峰會(huì )并進(jìn)行了報道。
在大會(huì )上，南京大學(xué)計算機系教授、歐洲科學(xué)院外籍院士周志華回顧了人工智能的發(fā)展以及機器學(xué)習興起的由來(lái)，并介紹了"學(xué)件"的思路。周志華教授稱(chēng)，經(jīng)過(guò)人工智能發(fā)展的第一個(gè)階段即上世紀六十年代，機器所具有的推理能力就已經(jīng)達到了人類(lèi)的巔峰水平，之后人工智能相繼進(jìn)入知識工程和機器學(xué)習階段。在大數據時(shí)代，機器學(xué)習得到了長(cháng)足的發(fā)展，直接導致了今天的人工智能熱潮。但技術(shù)上仍存在諸多局限，為此，周志華教授提出了"學(xué)件"(Learnware)的概念，期望經(jīng)過(guò)10到15年的探索以后進(jìn)入一個(gè)新局面。
周志華教授在現場(chǎng)還列舉了一組數據，在今年的IJCAI大會(huì )上，中國本土相關(guān)研究論文數錄用數量首次超過(guò)了美國，占到了差不多全世界三分之一，其中北京占約30%，江蘇省占14%，居全國前兩位。周志華教授認為，江蘇有國內前列的人工智能研究實(shí)力，同時(shí)有國內前列的人工智能產(chǎn)業(yè)基礎。"在國內的各個(gè)省份里面，同時(shí)具有這兩個(gè)條件的地方并不是很多。"
我本人是從事人工智能方面研究的。經(jīng)常有人問(wèn)，"比人類(lèi)更聰明的人工智能什么時(shí)候能夠出現?"，這樣的問(wèn)題對我們來(lái)說(shuō)非常難回答，這是為什么呢?因為談到人工智能，其實(shí)可以說(shuō)有兩種完全不同的觀(guān)點(diǎn)，或者說(shuō)差別非常大的觀(guān)點(diǎn)。
第一種我們把它叫做"強人工智能"。目的是希望研制出和人一樣聰明、甚至比人更聰明的機器;另外一種是"弱人工智能"，主要目的是覺(jué)得我們人做事的時(shí)候很聰明，那么能不能向人借鑒一下，讓機器做事的時(shí)候更聰明。實(shí)際上在人工智能科學(xué)界，大家探索的主要是在第二個(gè)方面。
有一個(gè)或許更容易理解的類(lèi)比:一百多年前，人們看到天上鳥(niǎo)在飛，然后大家就想那我們能不能做一個(gè)東西飛起來(lái)。后來(lái)經(jīng)過(guò)空氣動(dòng)力學(xué)研究，現在我們有了很好的飛機。但是如果現在問(wèn):這個(gè)飛機到底有沒(méi)有比鳥(niǎo)飛得更好?這個(gè)問(wèn)題可能就很難說(shuō)了，因為飛機雖然飛得比鳥(niǎo)更遠更高，但是未必有鳥(niǎo)飛得靈活。但不管怎么樣，我們原來(lái)的目的已經(jīng)達到了，我們已經(jīng)有能夠幫我們飛起來(lái)的工具。
人工智能做的事情和這件事情非常的相似，就是我們看到有很多智能行為，希望借鑒這些東西做出一些工具，能夠幫助我們做更強大的事情，實(shí)際上這就是我們真正在研究人工智能的時(shí)候所主要考慮的內容。所以人工智能研究的主要目的并不是"人造智能"，而是"intelligence-inspired computing"，智能啟發(fā)的計算。
人工智能的三個(gè)發(fā)展階段
搞人工智能的人到底在做什么呢?今天我們一般說(shuō)人工智能作為一門(mén)學(xué)科誕生在1956年，那時(shí)候計算機的能力還非常弱，但已經(jīng)有很多的學(xué)者在想，那么這樣計算能力發(fā)展下去，我們是不是可以做一些更復雜的事情，那么這些事情到底是什么呢?在那年夏天在達特茅斯學(xué)院開(kāi)了這么一個(gè)會(huì )議，在這個(gè)會(huì )議上后來(lái)被稱(chēng)為人工智能之父的約翰·麥卡錫，為這個(gè)學(xué)科就起了一個(gè)名字叫做人工智能。
經(jīng)過(guò)了60多年歷史，如果從主流研究?jì)热輥?lái)看，人工智能的發(fā)展大概經(jīng)歷這么三個(gè)階段:
第一個(gè)階段大概是在50年代中期到60年代，這個(gè)階段主要是在做邏輯推理。這是為什么呢?大概因為我們理工科的都對數學(xué)家有一種自然的崇拜，覺(jué)得數學(xué)家非常聰明，能夠證明一些非常復雜的定理，那這個(gè)背后的能力就是邏輯推理能力。所以在那個(gè)時(shí)候大家就想，如果我們能夠把邏輯推理能力賦予計算機系統，那么這個(gè)機器做事情就會(huì )聰明起來(lái)，所以那個(gè)時(shí)候有很多很重要的研究結果，例如圖靈獎得主西蒙和紐厄爾研制出來(lái)的"邏輯理論家"程序就是一個(gè)典型代表。
那么這樣的研究成果達到了什么樣的水平呢?在上個(gè)世紀有兩位偉大的邏輯學(xué)家羅素和懷特海，他們寫(xiě)了一本書(shū)叫做《數學(xué)原理》，用邏輯把整個(gè)數學(xué)系統建構起來(lái)。為了證明這本書(shū)里面的定理，他們花了十年時(shí)間，而這個(gè)程序證明這所有的定理只用了不到兩個(gè)月的時(shí)間，而且其中有一條定理的證明比這兩位偉大的邏輯學(xué)家證明出來(lái)的還要巧妙，更加簡(jiǎn)短、更加容易讀懂。所以我們可以看到，在上個(gè)世紀60年代，機器所具有的推理能力就已經(jīng)達到了人類(lèi)的巔峰水平。
但那個(gè)時(shí)候機器做事情并沒(méi)有真的變得很聰明，所以大家慢慢地就意識到其實(shí)光有邏輯推理能力是不夠的，即便是數學(xué)家，為了證明數學(xué)定理除了要有邏輯推理能力，還要有數學(xué)知識。所以人工智能的研究很自然的就進(jìn)入了第二個(gè)階段，在這個(gè)階段大家就想的是我們能不能把知識總結出來(lái)教給計算機系統，所以這就進(jìn)入了我們所謂的一個(gè)"知識工程"時(shí)期，這里面的代表人物例如后來(lái)的圖靈獎得主，被稱(chēng)為知識工程之父的愛(ài)德華·費根鮑姆。在這個(gè)階段大家主要做的事情就是希望把人類(lèi)專(zhuān)家解決問(wèn)題的知識總結出來(lái)，比如說(shuō)，"如果看到巖石里面滲出紅色，那么這個(gè)里面很可能是鐵礦"，把這樣的知識總結出來(lái)，然后編程放到計算機系統里面，由此就產(chǎn)生出很多"專(zhuān)家系統"，確實(shí)解決了很多應用問(wèn)題。
但是后來(lái)慢慢的大家就發(fā)現，要把知識總結出來(lái)再交給系統非常的困難。一方面有時(shí)候我們人類(lèi)專(zhuān)家能夠解決一些問(wèn)題，但是這個(gè)知識是什么可能說(shuō)不清楚。有的人類(lèi)專(zhuān)家可能還不太愿意分享他的知識。然后大家就想那么這時(shí)候我們該怎么辦?因為我們的人的知識其實(shí)主要是靠學(xué)來(lái)的，所以先驅們很自然地就想到那么我們能不能讓機器自動(dòng)的去學(xué)知識，所以從20世紀90年代開(kāi)始，人工智能的主流研究就進(jìn)入到第三個(gè)階段，這個(gè)階段一直持續到今天，就是我們的機器學(xué)習階段。
大數據時(shí)代的機器學(xué)習
所以我們可以看到機器學(xué)習最早誕生出來(lái)，它是為了解決知識獲取這么一個(gè)瓶頸而出現的。機器學(xué)習的經(jīng)典定義是"利用經(jīng)驗改善系統自身的能力"。不論什么樣的經(jīng)驗，一旦放在計算機系統中，它必然是以數據的形式存在的，所以機器學(xué)習要研究怎么去利用經(jīng)驗，他就必須要對數據進(jìn)行分析，所以這個(gè)領(lǐng)域發(fā)展到今天，實(shí)際上主要研究的是怎么樣利用計算機來(lái)對數據進(jìn)行分析的理論和方法。
我們可以看到，其實(shí)機器學(xué)習走上歷史舞臺是因為要解決知識獲取的瓶頸，但恰恰在20世紀末，我們人類(lèi)發(fā)現自己淹沒(méi)在一個(gè)數據的海洋里面，我們需要對數據分析，我們需要這樣的技術(shù)，而機器學(xué)習恰恰在這個(gè)時(shí)候走上舞臺了，所以給我們提供了這個(gè)機會(huì )，我們對他的需求就迫切的高漲。
今天我們都說(shuō)是在"大數據時(shí)代"，但其實(shí)光有大數據并不意味著(zhù)得到了價(jià)值。大數據就好比是一個(gè)礦山，我們擁有了礦山，如果要得到里面的價(jià)值，必須要有很強大的數據分析技術(shù)，而這個(gè)數據分析技術(shù)是什么呢?今天我們主要就是要靠機器學(xué)習。所以在大數據時(shí)代要讓數據發(fā)揮作用，就離不開(kāi)機器學(xué)習技術(shù)。所以可以看到，機器學(xué)習已經(jīng)可以說(shuō)是無(wú)處不在了，不管是互聯(lián)網(wǎng)搜索還是人臉識別，還是汽車(chē)自動(dòng)駕駛，還是火星機器人包括美國總統大選甚至軍隊的戰場(chǎng)數據情況分析，任何地方只要你有數據只要你希望用計算機來(lái)幫助你做數據的分析，你就可能使用機器學(xué)習技術(shù)?？梢哉f(shuō)今天我們在這里有這個(gè)論壇，是因為人工智能現在很熱，而人工智能有這個(gè)熱潮，其實(shí)恰恰就是因為機器學(xué)習，尤其是里面的深度學(xué)習技術(shù)在過(guò)去十來(lái)年里面取得了巨大的發(fā)展，在大數據時(shí)代發(fā)揮了巨大的作用。
我們現在有很多的問(wèn)題，有很多的企業(yè)是基于深度學(xué)習技術(shù)來(lái)做的，它可以解決很多問(wèn)題，但是大家要注意到深度學(xué)習、機器學(xué)習、人工智能這三者之間的關(guān)系:深度學(xué)習是機器學(xué)習的一個(gè)分支，而機器學(xué)習又是人工智能的核心領(lǐng)域，但它并非人工智能技術(shù)的全部。深度學(xué)習雖然取得了巨大成功，但并不能夠包打天下，還有很多其他的機器學(xué)習技術(shù)在很多方面在發(fā)揮作用。
機器學(xué)習的技術(shù)局限與下一步發(fā)展
關(guān)于機器學(xué)習下一步發(fā)展的看法，下面談?wù)勎覀€(gè)人的一些粗淺的思考，這些看法很可能是錯的，僅供大家批評參考。
我們今天談到機器學(xué)習的時(shí)候，很多對機器學(xué)習熟悉的人會(huì )想到什么呢?可能有些人想到的是算法，有些人想到的是數據。我們可以說(shuō)，今天的機器學(xué)習就是以"算法加數據"這么一種形態(tài)存在的。在這種形態(tài)下，我們的技術(shù)上存在哪些技術(shù)局限?我來(lái)列舉一些。
數據需求大
首先，我們可能需要大量的訓練樣本。大家可能說(shuō)今天我們是大數據時(shí)代，那么大量的訓練樣本這件事情可能已經(jīng)不再是問(wèn)題，其實(shí)這里面有幾個(gè)典型的情況能夠告訴我們，這其實(shí)還是一個(gè)很大的問(wèn)題。
首先在有些應用里邊，可能我們的樣本總量很少，比如說(shuō)我們在做油田定位的時(shí)候，那這個(gè)數據必須通過(guò)人工誘發(fā)地震才能獲得，所以你要獲得這樣的數據成本是非常高的，不可能有大量的數據去用;
第二種情況是數據可能很多，但是我們真正關(guān)心的很少，比如說(shuō)我們在做銀行的這種欺詐檢測的時(shí)候，每天一個(gè)銀行的信用卡交易數據可能有幾百萬(wàn)上千萬(wàn)，但是其中真正的信用卡欺詐的數據可能很少;
還有一種情況，我們數據的總量很多，但是我們已經(jīng)標注了結果的東西很少，比如說(shuō)我們要做軟件的缺陷檢測，我們有大量的程序代碼，但是程序代碼里面真正把缺陷標記出來(lái)的，這樣的數據是非常少的;
環(huán)境適應弱
第二，我們今天訓練好了一個(gè)機器學(xué)習模型，之后環(huán)境如果稍微發(fā)生變化，就可能導致這個(gè)模型失效，至少是大幅度降低它的性能。比如說(shuō)在我們一個(gè)傳感器的世界里面，我們放出去一百個(gè)傳感器，一個(gè)月之后有60個(gè)傳感器失效了，這時(shí)候我新部署60個(gè)傳感器，那你說(shuō)我還是一百個(gè)，那我原來(lái)的模型能不能用呢?很抱歉，這時(shí)候模型的性能會(huì )大幅度衰減，因為你很難把新的傳感器放到原來(lái)的位置，它發(fā)出來(lái)的信號質(zhì)量和強度和原來(lái)也會(huì )有很大的變化，這時(shí)候我們的模型可能就已經(jīng)很難適應了，所以這又是一個(gè)很重要的問(wèn)題。
可解釋性差
第三個(gè)問(wèn)題很多人都知道，今天的機器學(xué)習系統絕大多數都是黑箱，我們能做出預測，甚至是非常精確的預測，但是我們很難解釋為什么做出這樣的預測，這就會(huì )導致這樣的系統在一些高風(fēng)險應用里面很難使用，比如說(shuō)我們要做地震預報，我們說(shuō)明天要地震，請大家撤離。領(lǐng)導肯定會(huì )問(wèn)那你憑什么做出這樣的決策?如果這個(gè)模型是黑箱，他只能告訴你，我就告訴你肯定是這樣，具體什么理由我也不知道，如果是這樣的話(huà)，誰(shuí)也不知道是不是瞎蒙的，那這件事情肯定不太容易采納這個(gè)建議。
性能差異大
這其實(shí)還有很多別的問(wèn)題，比如說(shuō)今天我們在使用機器學(xué)習技術(shù)的時(shí)候，即使對同樣的數據，普通用戶(hù)所能得到的結果和專(zhuān)家所能得到的結果，這中間的差別可能非常的大，怎么樣使用這個(gè)數據怎么樣使用這個(gè)模型，大家的知識和經(jīng)驗的差別會(huì )導致結果模型巨大的差異。
數據分享難
此外還有一個(gè)問(wèn)題可能提到的人比較少，我舉一個(gè)例子，比如說(shuō)我們現在有大醫院，他有很多的病例數據，如果我們現在要做智慧醫療，那他基于這些數據可能做出非常好的診斷系統。而我們的社區醫院的病例數據可能比較少，直接基于它的數據很難做出這樣好的模型，現在社區醫院說(shuō)你這個(gè)大醫院能不能幫幫我?大醫院說(shuō)我很愿意幫你，但是這件事情就算它愿意幫這個(gè)忙，可能也很難幫得上，因為一旦它要分享他的病例數據，馬上就會(huì )涉及到數據隱私、數據所有權、數據保護等等的問(wèn)題，所以這里面有一個(gè)數據分享的墻。
學(xué)件
還有很多其他問(wèn)題。對于幾個(gè)每個(gè)方面，今天我們都有研究者在做相關(guān)的探索，但是如果把所有這些方面割裂的一個(gè)一個(gè)的去解決，可能就很難擺脫頭疼醫頭、腳疼醫腳這樣的一種現狀。所以我們就想，有沒(méi)有可能在一個(gè)整體性的框架之下全面的去考慮這些問(wèn)題。最近我們提出了一個(gè)想法，我們它叫做學(xué)件(Learnware)。這是個(gè)什么樣的想法呢?很多人可能在自己的機器學(xué)習的應用中已經(jīng)建立了很好的模型，他們也很愿意把這些模型分享出去。那假設我們有一個(gè)市場(chǎng)讓大家來(lái)分享這些模型，以后一個(gè)新用戶(hù)想要做他自己的機器學(xué)習應用時(shí)，就不用自己從頭去建模型，而是可以先到"學(xué)件"市場(chǎng)上找一找有沒(méi)有合適的，可以拿來(lái)用做基礎。
比如說(shuō)，用戶(hù)要找一把切肉刀，那他肯定不會(huì )自己從采礦打鐵開(kāi)始重新造一把刀，而是先看看市場(chǎng)上有沒(méi)有這樣的刀，如果有合適的更好，即便沒(méi)有合適的，比如說(shuō)找到一把西瓜刀，那他就可以拿回去然后用自己的數據重新"打磨"一下，可能這就成為很適用的工具了。所以，這個(gè)想法的關(guān)鍵是希望能夠部分重用他人的結果，而不必"從頭開(kāi)始"。
為了達到這個(gè)目的，我們設想的學(xué)件是由兩部分組成，一部分是模型(Model)，另一部分是用于描述這個(gè)模型的規約(Specification)。模型需要有滿(mǎn)足三個(gè)重要的要求:可重用性、可演進(jìn)性、可了解性，規約要能夠給模型提供足夠的描述。這些在技術(shù)上現在大概都有一些初步的想法和探索，今天就不展開(kāi)了。如果學(xué)件真能成為現實(shí)的話(huà)，可能我們剛才提到的這些問(wèn)題都可以得到全面的解決。我們期望也許經(jīng)過(guò)10到15年的探索以后，也許我們機器學(xué)習可以從"算法加數據"這種形態(tài)過(guò)渡到未來(lái)的這么一種學(xué)件的形態(tài)。
最后，因為我今天是代表江蘇省人工智能學(xué)會(huì )，用兩分鐘談?wù)勎覀兘K省的人工智能事業(yè)。我們可以做兩個(gè)判斷，江蘇省有國內前列的人工智能研究實(shí)力，還有國內前列的人工智能產(chǎn)業(yè)基礎。在國內的各個(gè)省市里面，同時(shí)具備這兩個(gè)條件的地方并不多。
下面給大家看幾個(gè)數據，是關(guān)于人工智能研究力方面的一點(diǎn)反映。在2017年的國際人工智能領(lǐng)域的頂級會(huì )議IJCAI上，我們中國本土單位的錄用論文數首次超過(guò)了美國，這個(gè)里面各個(gè)省區的分布，北京大概占30%。江蘇省14%，居第一和第二位。我們再看看過(guò)去這幾年發(fā)展增長(cháng)的速度，中國計算機學(xué)會(huì )人工智能大會(huì )在2013年的時(shí)候，北京錄用論文是江蘇省的兩倍多，2017年江蘇是北京的兩倍，這在一定程度上反映出過(guò)去這么幾年的時(shí)間里面，江蘇的人工智能基礎人才發(fā)展可能有一個(gè)快速的增長(cháng)。江蘇省人工智能學(xué)會(huì )8月28號在省科協(xié)指導下成立，得到了省科技廳、經(jīng)信委、民政廳等很多單位以及高?？蒲性核推髽I(yè)的支持，也反映出各方面對人工智能事業(yè)的發(fā)展非常重視。
在人工智能時(shí)代什么東西最貴?什么最缺?答案大家都很清楚，那就是人工智能人才?？梢哉f(shuō)，有多好的"智能人工"，才可能有多好的"人工智能"。江蘇省在這方面有很好的基礎，所以我相信江蘇的人工智能事業(yè)前途應該一片光明。謝謝大家。
繼互聯(lián)網(wǎng)引發(fā)第三次工業(yè)革命之后，以大數據驅動(dòng)的人工智能技術(shù)正在推動(dòng)第四次工業(yè)革命。以下為楊強教授對于人工智能與大數據的一些答問(wèn)與思考：
一問(wèn)：人工智能與大數據融合是如何興起的？
楊強：人工智能與大數據崛起于21世紀初，當時(shí)新興的搜索引擎Google和百度把人工智能驅動(dòng)的推薦系統用在廣告上，結果發(fā)現效果非常好，遠遠超過(guò)預期，而且數據越多，效果越好。但當時(shí)沒(méi)有人意識到在其他領(lǐng)域也是如此。
真正的轉折點(diǎn)是ImageNet的興起。ImageNet是世界上最大的圖像識別數據庫，其設計初衷是用予視覺(jué)對象識別研究。該數據庫由美國斯坦福大學(xué)和普林斯頓大學(xué)的計算機科學(xué)家建立，被公認為是深度學(xué)習革命的開(kāi)始。ImageNet大量的圖像數據把錯識率降低了10%。由此表明，深度學(xué)習和大數據的融合可以幫助掌握極其復雜的計算。
二問(wèn)：您如何定義深度學(xué)習與大數據的關(guān)系？
楊強：如果人工智能系統設計得好，產(chǎn)品就會(huì )更加便于使用、更加精準，因此也更加有用，這樣就會(huì )帶來(lái)更多用戶(hù)。隨著(zhù)用戶(hù)量的增加，數據也會(huì )隨之增加，這反過(guò)來(lái)又會(huì )改進(jìn)人工智能系統。二者是一種互相強化的關(guān)系。
大數據和人工智能可以融合成為一種新的人工智能，稱(chēng)作「數據智能」。
三問(wèn)：您能定義一下什么是大數據思維嗎？公司如何才能適應這種思維方式，需要做出哪些改變？
楊強：大數據思維，第一點(diǎn)就是有意識地去收集數據。也就是在開(kāi)展業(yè)務(wù)之前，先要想好如何收集數據。
第二，數據收集和核心算法密切相關(guān)。要從算法當中了解自己缺少什么，然后有的放矢地去收集數據，包括收集不同來(lái)源的數據等。
第三，要形成一個(gè)閉環(huán)。軟件系統提供的服務(wù)要能刺激來(lái)源產(chǎn)生更多的數據，而這些數據又能夠回到系統當中，從而形成閉環(huán)。這就使系統能夠實(shí)現持續的自我改進(jìn)和自我完善。閉環(huán)需要采用特殊設計，它與以往商業(yè)所用的設計大不相同。
圖：《反思·二》（Reflection #2），巴西藝術(shù)家拉克爾·科根（Raquel Kogan）的裝置藝術(shù)作品，計算機生成的數字投射在漆黑的房間，使觀(guān)眾成為了作品的重要組成部分。
四問(wèn)：您能否進(jìn)一步說(shuō)明什么是人工智能與大數據的閉環(huán)設計？
楊強：首先要考慮的是數據提供方，比如用戶(hù)。所有的用戶(hù)行為都要以數據的形式記錄下來(lái)。其次是服務(wù)提供方，比如像中國的移動(dòng)錢(qián)包微信支付和中國電商網(wǎng)站淘寶。根據數據生成智能反饋，目的是了解用戶(hù)的需求。用戶(hù)將反饋數據提供給服務(wù)方，服務(wù)方又將服務(wù)數據提供給用戶(hù)，這樣就形成了閉環(huán)。
要想迅速發(fā)展，第一，閉環(huán)要足夠短，最好不要有人的參與，因為有了人的參與，閉環(huán)就無(wú)法徹底實(shí)現自動(dòng)化。第二，要經(jīng)常更新環(huán)路，最好一天進(jìn)行多次更新，因為這樣才能確保系統不斷得到更新。第三，必須持續進(jìn)行更新，這樣才能促使用戶(hù)不斷提供反饋。所以，這個(gè)過(guò)程總結下來(lái)就是三個(gè)字：短、頻、快。
「人工智能的第二階段將重塑人類(lèi)社會(huì )，賦予其新的形式?！?/span>
五問(wèn)：在您看來(lái)，這個(gè)閉環(huán)實(shí)際形成需要多長(cháng)時(shí)間？
楊強：我認為，人工智能發(fā)展會(huì )分為兩個(gè)階段。第一個(gè)階段是所有行業(yè)都會(huì )去嘗試使用人工智能。例如，安保服務(wù)會(huì )用人臉識別技術(shù)，銀行部門(mén)會(huì )用人工智能技術(shù)進(jìn)行風(fēng)控，等等。這些都是為現有產(chǎn)業(yè)服務(wù)的獨特技術(shù)和解決方案。
第二階段將會(huì )出現以人工智能為核心的全新產(chǎn)業(yè)。例如，將人工智能作為核心技術(shù)的銀行，它在投資、服務(wù)、信貸等方面可以完全采用人工智能，只有在進(jìn)行微調時(shí)才需要職員。此外，銀行也有可能建立全新類(lèi)型的客服系統。
我認為，第二階段才是人工智能真正帶給人類(lèi)社會(huì )的未來(lái)形式。就像互聯(lián)網(wǎng)剛剛興起的時(shí)候，在第一階段，傳統書(shū)店做了一個(gè)網(wǎng)頁(yè)，就認為自己是網(wǎng)上書(shū)店了，但事實(shí)并非如此。到了第二階段，亞馬遜之類(lèi)的網(wǎng)站出現了，它們與傳統書(shū)店完全不同。
六問(wèn)：大數據和人工智能的結合也可能給信息流通和社會(huì )公平帶來(lái)威脅。如何保障大規模的數據正常流動(dòng)，而又不侵害個(gè)人隱私呢？
楊強：利用大數據和人工智能技術(shù)創(chuàng )造出的產(chǎn)品，會(huì )帶來(lái)極佳的新商業(yè)模式。但其大規模應用的前提是要確保用戶(hù)隱私。這里有三點(diǎn)考慮：
首先，我們要有一套法律和社會(huì )規則來(lái)保護數據的所有權，明確數據在何處可用、在何處不可用。我認為，用戶(hù)數據應當分門(mén)別類(lèi)。比方說(shuō)，紅區數據不能動(dòng)，黃區數據只讓某些人接觸，綠區數據則人人可用。當然，目前對數據的劃分還莫衷一是。另外，也沒(méi)有法律明確闡述責任人的定義，以及違反這些法律會(huì )受何處罰。
其次是從技術(shù)方面保護數據隱私。比如，第四范式公司（一家總部設在北京的人工智能技術(shù)服務(wù)提供商）目前正在研究用“遷移學(xué)習”來(lái)保護隱私，這是一個(gè)比較新的領(lǐng)域。它可以協(xié)助不同企業(yè)彼此交換數據，比如說(shuō)，A做了一個(gè)模型，然后把這個(gè)模型遷移到B場(chǎng)景，數據不是在A(yíng)和B之間直接交換，而是被載入了模型之中。這樣就可以更好地保護用戶(hù)隱私。
第三，我們需要深入研究用戶(hù)隱私和數據定價(jià)。比如說(shuō)，用戶(hù)通過(guò)人工智能推薦系統在網(wǎng)上點(diǎn)擊了一個(gè)廣告，這個(gè)推薦系統是不是也應該從中得到一些好處呢？如果搜索引擎有收入，是不是應該分給用戶(hù)一些？這些問(wèn)題都值得探討。
未來(lái)幾年，人人都會(huì )認識到人工智能“落地”的重要性，我們需要更多地關(guān)注人工智能如何“落地”，以找到適合應用人工智能的領(lǐng)域。目前來(lái)看，金融、互聯(lián)網(wǎng)和無(wú)人車(chē)都是比較適合人工智能“落地”的領(lǐng)域。
七問(wèn)：從全球角度來(lái)看，大數據和人工智能相結合會(huì )對發(fā)展中國家產(chǎn)生什么影響？
楊強：我認為大數據與人工智能技術(shù)可以使一些新興國家趕上、甚至超過(guò)傳統發(fā)達國家。因為在未來(lái)，經(jīng)濟競爭不僅僅是比拼金融和經(jīng)濟的規模，更重要的是比拼數據的規模，比拼擁抱數據經(jīng)濟的速度。比如說(shuō)，中國互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的迅速發(fā)展，使我們得以收集大量數據。這也將加速中國人工智能產(chǎn)業(yè)的發(fā)展，世界格局可能會(huì )因此而改變。
另一方面，一個(gè)國家如果已經(jīng)擁有良好的基礎設備和高質(zhì)量的教育，就可以利用人工智能提高生產(chǎn)效率，就像當年的工業(yè)革命一樣，蒸汽機的使用讓一些國家得到了快速發(fā)展。
圖：《地下實(shí)驗室之歌》（Songs of Angura）是一個(gè)互動(dòng)展覽項目，旨在介紹關(guān)于收集、處理和使用地點(diǎn)和人類(lèi)行為數據的專(zhuān)門(mén)研究領(lǐng)域。
作者介紹：
楊強（中國）：人工智能和數據挖掘領(lǐng)域的國際領(lǐng)軍人物，國際人工智能聯(lián)合會(huì )（IJCAI）首位華人主席、國際人工智能協(xié)會(huì )（AAAI）院士、香港科技大學(xué)計算機科學(xué)及工程學(xué)系主任、第四范式聯(lián)合創(chuàng )始人兼首席科學(xué)家。
王超（中國）：網(wǎng)易新聞智能工作室記者兼主管，負責報道人工智能領(lǐng)域的重大事件。
聯(lián)系客服
