楊強 / 第四范式首席科學家。人工智能領(lǐng)域?qū)W術(shù)界的領(lǐng)軍人物，華人界唯一的國際人工智能協(xié)會院士，人工智能前沿科技的領(lǐng)導(dǎo)者。華為諾亞方舟實驗室主任，香港科技大學計算機與工程系教授, IAPR Fellow, AAAS Fellow ，IEEE大數(shù)據(jù)期刊主編，ACM杰出科學家。兩次獲得國際數(shù)據(jù)挖掘領(lǐng)域最高級別競賽KDD Cup世界冠軍。發(fā)表論文400多篇，被引用超過20000次。

 楊強先生認為人工智能研究需要的五大條件：夠大的數(shù)據(jù)積累、清晰的問題邊界、外部反饋、龐大的計算資源以及頂級的數(shù)據(jù)科學家。而想要滿足這些條件可不是一件容易的事情，因此AI亟需降低門檻。這也是第四范式正在做的事情。他認為我們一方面可以發(fā)展低數(shù)據(jù)依賴性的遷移學習技術(shù)；另外，開發(fā)一個真正通用的人工智能平臺，減少對高端人才和巨大資金支持的需求，降低整體投資成本和風險。

 楊強說深度學習有一些局限這個觀點是成立的。它的局限來自于幾個方面，因為一個模型畢竟是一個現(xiàn)實的反映，等于是現(xiàn)實的鏡像，它能夠描述現(xiàn)實的能力越強就越準確。但是我們看到深度學習有一個限制，因為機器學習都是用變量來描述世界的，深度學習能handle的變量數(shù)是有限的，深度也是有限的，另外它對數(shù)據(jù)的需求量隨著模型的增大而增大，現(xiàn)實中有那么大、那么質(zhì)量高的數(shù)據(jù)的情況還不多。實際上一方面是數(shù)據(jù)量，一方面是數(shù)據(jù)里面的變量，深度學習來描述數(shù)據(jù)的復(fù)雜度還不夠復(fù)雜，所以這方面還是有局限性的。

但深度學習它是不是目前最好的機器學習的方法？ 楊強表示應(yīng)該說目前對某些問題是最好的，比方說人臉識別、語音識別，但是對其他的問題并不是最好的，比方說對于有延遲的反饋，比如機器人的行動。AlphaGo下圍棋也不是深度學期包打所有的，它還有強化學習的一部分，反饋是直到最后那一步才知道你的輸贏。還有很多其他的學習任務(wù)都不一定是深度學習才能來完成的。  

楊強表示現(xiàn)在他做的一項研究是把深度學習、強化學習和遷移學習結(jié)合起來，讓深度學習有目標。基于有目標的延遲反饋的機器學習在現(xiàn)有的深度學習中做的不是太好，比如 RNN 能夠解決序列到序列的學習（Sequence to Sequence Learning)，但它比較短視，沒有最終目標和最終反饋。這就會出現(xiàn)很多問題，比如說推薦系統(tǒng)就沒有辦法在對話中有效地，自然地使用。同時，在自然語言對話中，只會出現(xiàn)毫無目的的閑聊，使得用戶體驗會不太好。要改變這些問題，就一定要引入強化學習，這樣才可以進行推理并具有長期的目標。同時在這些算法之上再加一個遷移學習的算法層。這樣，可以把一個通用的學習模型「個性化」到每個人不同的需求和興趣上。這是目前所聚焦的研究領(lǐng)域。

智能客服

楊強表示，人機交互的智能客服，產(chǎn)生了很多外界公開的數(shù)據(jù)以及內(nèi)部的數(shù)據(jù)、知識庫等，都可以用來制造機器人。尤其是可以用客服過去的數(shù)據(jù)來做訓(xùn)練，這個數(shù)據(jù)量現(xiàn)在在垂直領(lǐng)域是逐漸在增加的。現(xiàn)在的對話系統(tǒng)也已經(jīng)逐漸成為深度學習和強化學習的焦點。

新聞領(lǐng)域

另外一個楊強認為比較看好的領(lǐng)域是新聞領(lǐng)域，新聞的分發(fā)和自動寫作。有很多編輯、解說、自動校對、作家等，其實是數(shù)據(jù)量足夠多的，有這么多的文本，而且外界反饋也越來越多了。他指出，給一篇文章，可以用機器學習來做自動摘要。 這樣一個工作的外部反饋來自哪里呢？實際上寫的那些paper就是一個外部反饋，因為每篇paper都有摘要，如果一篇paper被收了，就說明摘要寫的還不錯，所以外部反饋還是可以實現(xiàn)的。

特定任務(wù)的智能機器人

例如Amazon 的KIVA機器人，楊強說Amazon一個很大的優(yōu)勢就是所有的倉儲都是由機器人來完成的，但是它也有工人，被雇來用手做抓取，因為現(xiàn)在機器人的抓取是非常難的，那么人和機器的優(yōu)點就結(jié)合起來了。此外，醫(yī)療機器人也是非常專業(yè)的一個領(lǐng)域，它可以給人開刀縫線，但它不是自動的，而是通過遠程控制的，但控制的精密度非常高，如果它收集到足夠量的數(shù)據(jù)，是可以達到自動的效果的，以后可能開刀就由機器人來代勞了。楊強還指出在醫(yī)護領(lǐng)域，無障礙輔助的應(yīng)用領(lǐng)域痛點特別強烈，現(xiàn)在數(shù)據(jù)量可能還不是特別多，因為畢竟這一群體還是少數(shù)人，但是痛點很強，所以未來也許會有數(shù)據(jù)。

AI+有機食品

楊強講到，他在香港曾去訪問過一個有機食品工廠，這個實驗室里的每一株菜，周邊的所有環(huán)境全都記錄起來，比如濕度、溫度、光照，然后就可以收集這樣的數(shù)據(jù)訓(xùn)練一個機器學習的模型，最后用這個模型來做蔬菜。所以得來的蔬菜滋味可以控制，要脆感還是要甜的，都可以通過模型學習出來。

FINTECH智能投顧

楊強表示其實金融是一個非常好的領(lǐng)域，第四范式在金融領(lǐng)域也積累了很多成功案例。金融領(lǐng)域里的任務(wù)都是非常清楚的，而且每個任務(wù)的數(shù)據(jù)都有痕跡、有數(shù)據(jù)足跡，數(shù)據(jù)的維度也是多維度的數(shù)據(jù)，有外界的、也有內(nèi)界的，非結(jié)構(gòu)數(shù)據(jù)比較多，例如文本和報告。數(shù)據(jù)也是形成了孤島，鏈條也非常長，并且鏈條里面都有銜接。

談到目前國內(nèi)的人工智能發(fā)展情況，楊強表示國內(nèi)目前還是相當樂觀的，很多大學都在研究人工智能。但與國外相比，國內(nèi)的不足之處也比較明顯，國內(nèi)過多去做機器學習，而忽略了人工智能的其他領(lǐng)域，比如邏輯推理、智能規(guī)劃、機器學習的可解釋性和多智能體等前沿領(lǐng)域。

對人工智能科研人員的建議，楊強認為國內(nèi)的人工智能研究不能太跟風，要對自己的研究領(lǐng)域有信心、不斷創(chuàng)新，尤其是在大學的研究者，每個大學的教授應(yīng)該是獨樹一幟的，自己領(lǐng)先一個子領(lǐng)域，而不是跟著別人去做。其實在科研和工業(yè)界都是需要持續(xù)創(chuàng)新力的，不過對公司而言，還是要首先考慮生存，也不要以為人工智能可以包羅萬象。

關(guān)于未來的展望，楊強覺得未來應(yīng)該是幾個人在運行一個公司，每一個人都能率領(lǐng)成千上萬個機器人，這些機器人在做不同的事情，也是它被訓(xùn)練得很擅長的事情。他指出就當前的現(xiàn)狀來說，在一個傳統(tǒng)行業(yè)里，往往是20%的人在做80%的工作，那么這20%的人就是未來的運營公司的人，剩下80%的人所做的工作將交由機器來完成。一個公司的自動化，智能化程度，也代表了這個公司在商業(yè)上的反應(yīng)速度和競爭力。

楊強表示人工智能給人類帶來的變革是非常深遠的，人工智能不僅僅是一場比賽、一個應(yīng)用，而是整個社會真正地徹底地在改變。機器和人將成為一個共同的“軍隊”不斷地攻克堡壘，推動人類進程向更好的方向發(fā)展。