人工智能的兩個研究分支：一個是科學(xué)，一個是應(yīng)用。
在人工智能科學(xué)領(lǐng)域，人們一直有個問題：機(jī)器有思維嗎？過去60年，計算機(jī)專家們一直努力在回答這個問題。而在人工智能應(yīng)用方面，研究人員探討的問題是它如何對人們產(chǎn)生作用和影響。
楊強(qiáng)提到，AI的成功有著5大必要條件：
清晰的商業(yè)模式
高質(zhì)量的大數(shù)據(jù)
清晰的問題定義和領(lǐng)域邊間
懂人工智能的跨界人才，擅長應(yīng)用和算法
計算能力
人工智能在機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方面已經(jīng)有著很高的成就。此外，另外一種技術(shù)正在開始應(yīng)用：強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)不僅僅能夠?qū)W習(xí)人的行為，還能夠更好的使用延遲反饋功能。而之后人們能否發(fā)明一種新的學(xué)習(xí)方法，能把大數(shù)據(jù)的模型在用于小數(shù)據(jù)身上，于是楊強(qiáng)提到了遷移學(xué)習(xí)。遷移學(xué)習(xí)是把深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)疊加在一起。
| 三層結(jié)構(gòu)算法系統(tǒng)
目前人機(jī)交互的對話系統(tǒng)包括閑聊類和功能類。而從技術(shù)上層面來講，這種對話系統(tǒng)分成兩種，第一種最早出現(xiàn)的是基于規(guī)則的系統(tǒng)，這些就像在符號領(lǐng)域，它的好處是很準(zhǔn)確。但存在的問題是很難擴(kuò)展，對數(shù)據(jù)不夠敏感。此外，它還不能應(yīng)付很多不同的意外事件，所以學(xué)界關(guān)注的是機(jī)器學(xué)習(xí)的算法。
而對于機(jī)器學(xué)習(xí)的算法，楊強(qiáng)認(rèn)為深度學(xué)習(xí)之后的最新算法模型是一個三明治式的三層結(jié)構(gòu)：第一層就是遞歸的深度學(xué)習(xí)，在這之上的第二層有一個強(qiáng)化學(xué)習(xí)的學(xué)習(xí)器，而第三層就是遷移學(xué)習(xí)，它能把一個已有的模型遷移到一個新的領(lǐng)域。
遞歸深度神經(jīng)網(wǎng)絡(luò)RNN（深度學(xué)習(xí)）
強(qiáng)化學(xué)習(xí)RL
遷移學(xué)習(xí)TL
能否把一個成熟的人機(jī)交互對話系統(tǒng)算法模型用在其他領(lǐng)域？楊強(qiáng)現(xiàn)場演一個把對話系統(tǒng)置入機(jī)器人反應(yīng)，之后他提到，他的學(xué)生曾把這個系統(tǒng)應(yīng)用在了金融領(lǐng)域，用于股市預(yù)測。當(dāng)人們一旦掌握某個領(lǐng)域，把它套用在其他領(lǐng)域就是遷移學(xué)習(xí)的作用。
| 個性化遷移
深度學(xué)習(xí)離不開大數(shù)據(jù)，強(qiáng)化學(xué)習(xí)重在反饋，但也離不開大數(shù)據(jù)，而大數(shù)據(jù)離不開大公司，當(dāng)其他公司沒有大數(shù)據(jù)時，它們該怎么辦？
楊強(qiáng)提出一點(diǎn)
大數(shù)據(jù)設(shè)計出來的模型用于小數(shù)據(jù)上，它的副產(chǎn)品就是個性化。這就是遷移學(xué)習(xí)的目的。
有了這套系統(tǒng)，如果換在其他領(lǐng)域就沒必要收集大量數(shù)據(jù)了，直接套用模型即可。類似人學(xué)會騎自行車后，就差不多學(xué)會了騎摩托車。
遷移學(xué)習(xí)分為兩種：樣本遷移，特征遷移。其在應(yīng)用場景中則如下：
基于模型的遷移：如圖像識別，訓(xùn)練萬張頂千萬張。相似度越大，遷移的概率大。
社交網(wǎng)絡(luò)之間的遷移：將千萬人的大數(shù)據(jù)模型遷移到某個人身上。
最后，楊強(qiáng)指出，人工智能有很多領(lǐng)域，到現(xiàn)在為止最成功的一個領(lǐng)域就是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)的一個基本概念就是從數(shù)據(jù)里面經(jīng)常重復(fù)的現(xiàn)象匯總學(xué)出規(guī)律，從而把現(xiàn)實(shí)中簡單重復(fù)煩瑣的工作給替代掉。
聯(lián)系客服
