haGo的意义企业如何落地人工智能AI技

【编者按】本文摘自杨强教授在“Fintech x AI 高端研习班”上的分享。杨强教授，系香港科技大学计算机系主任、国际人工智能学会首任华人Fellow，曾任华为诺亚方舟实验室创始主任。在此次研习班，他分享了AlphaGo的意义、企业如何落地人工智能、AI技术的风口等内容。

AlphaGo为我们带来了什么？

人工智能的成功应用主要在以下方面，而非所有：

第一个是语音，语音已经有很多年的历史了，但是引入深度学习以后，尤其近几年有了突破性的发展；第二是图像识别，比如人脸识别；第三是电商/推荐，像淘宝、京东这样的电商/推荐；第四是博弈，最典型的就是AlphaGo；第五是更深层次的对抗络，基于博弈的思想，这个的应用就很多了，其中最引人瞩目的就是无人车。

人工智能第一次受到关注是97年的深蓝，当时是象棋领域战胜了世界冠军。象棋本来就是非常难的领域，我们展开一个棋盘，所有可能的布局总数大概是10的47次方，这是非常庞大的数字；但在用了IBM高性能计算以后有了显著的发展。

所以这一次应该说是几个事件的成功：第一个是高性能的计算，第二个运用了群体智能，让很多二流的国际象棋专家对这些节点进行评估，最后把他们的分数加以总结来战胜一个世界冠军，一共用了两百多个二流的人，它和今天的AlphaGo相比，最大的弱点就是没有机器学习的能力。

五年前人工智能领域出现了一个新名词，叫做“深度学习”。我们知道深度学习首先在图像上有比较直观的解释，我们输入一个图像，可以在图像上采集一些样本，

这些样本会为我们带来一些特征。这些特征包括比较低级的一个个像素，像素上面所带的信息、颜色、亮度，我们可以将这些特征总结起来。

DeepMind是AlphaGo背后的团队，将“深度学习”与“强化学习”结合起来，把围棋的棋盘当作输入，另一端输出动作，需要往左还是往右，需要把棋子放在哪儿等等，就是需要一个深度学习络实现这种对应，这些都是计算机可以自学的。

但是大家看出这个问题的弱点了吗？围棋的情景和我们实际生活差距相当大，因为这是一个非常理想的世界，我们的规则非常清楚，边界也非常清楚，输赢会立马反映在上面，动作简单，一点不含糊。所以在这种封闭的领域、清楚的领域，优化目标可以写下来的领域，AlphaGo的算法是完全没有问题的。

AlphaGo里面有两个函数我要特别提一下，一个叫做“策略络”，所谓“策略络”就是告诉你在这里应该怎么走。策略络中的“S”就是我们所说的状态，“A”是我们说的“Action”，“P”则是概率的意思，整体来说是“在这个状态下对方大概会走哪一步”，让你对对方有一个了解。我们如何进行训练呢？拿了三千万个比赛的棋盘来训练，看如果从这个状态出发，高手一般走哪一步，我们就可以学习下来。

其实无人车也是用这种方法，让它先在封闭的环境里学驾驶，学会了再出去开。特斯拉的意外就是一个反例，在特斯拉这个例子中，机器给车前面照了个相，判断前方是空的，系统就会反馈说前方的状态是有利的，可以往前走；如果前面是一堵墙，打分就会较低，系统会判断没有利。特斯拉就是出了一个错，系统判断前面是空旷的，以为是白色的白云，但实际上是白色的卡车，因此就撞上了，这就是因为训练不足。

第二个值得一提的算法，在AlphaGo去年的比赛里，因为计算能力有限，对每一个状态，即每一个“S”的估计还不够好，就加了一个新的算法叫做蒙特卡罗算法。 就是我在现有状态下让机器随机走棋，最后是输是赢给我一个反馈。

像这样快速走棋了N次之后，可以拿这些样本做一个抽样，这样就能很快告诉我这么走对我是好还是坏。这个会迅速得出结果，但是会非常不准，因为毕竟是在无限当中进行有限的抽样，所以去年AlphaGo还有一盘棋是输给李世石的。

到了今年大家知道master是60局全胜，这个月23日在乌镇和柯洁的比赛，我们做人工智能的觉得人类就没什么戏了。为什么呢？因为现在我们把这种随机过程全部替代掉了，所有训练都是通过强化学习来实现的，机器犯错的概率就大大降低了，据说现在的AlphaGo给去年的自己让四个子还能赢。

我们能从AlphaGo的成功中学到什么？

人工智能在AlphaGo上的应用显然成功了，那么像在教育领域、医疗领域是否能复制这种成功？我觉得是非常难的。

人工智能的成功首先得有高质量的大数据。AlphaGo是学习了三千万个棋盘，十多万个棋局，这些都是当时训练时使用的数据，那个时候还没有跟李世石对弈的实时数据做训练，因此前期收集的数据是非常关键的。

除此之外，如果前期用质量不太高的数据，比方说围棋一段以下的数据来计算，那样训练出来的效果是非常差的，所以对数据质量要求非常高。

还需要有明确的问题，也就是我们的“A（Action）”，在围棋中只有下棋、放子这样的动作，没有任何其它的东西，不像投资这么复杂。

另外还要有很好的获取特征的方式。比如说棋盘，要有专家参与进来，把每一个棋子周边的情况用所谓的“变量”表达出来，这些变量我们叫做特征。能产生这些变量需要专家，就像AlphaGo团队里的工程师基本都会下围棋。

以上我讲AlphaGo的时候本着两个目的，第一个给大家科普，告诉大家它在做什么，让大家了解它的机制；第二是给大家泼冷水，告诉你们AlphaGo的成功实际上非常难复制。

有常问，AlphaGo意味着什么？我们这边说意味着人类要没有工作了，人类不需要存在了；再问AlphaGo的团队这些成功意味着什么？他们会答意味着计算机也会下围棋了，所以他们是很低调的。

我觉得这个题目是值得大家总结的，尤其是现在人工智能膨胀的过程中，大家一定要保持清醒的头脑。

企业如何将人工智能落地？

我们要建立一个机器学习模型，首先得有一个目标。这里面分成两类，一类是商业目标，人工智能虽然可以用这么多的方面，流程自动化、客服等等，但一定要明确最终目标是什么，是要倍增收益，把地盘扩大，还是要把最后的费用减少。

第二，知道要增加收益或减少费用后，你需要把它量化成数学公式，我们往往管这个叫做优化函数。比方说哪些任务可以用自动化带来价值，完成这个自动化过程本身需要费用，这个费用是不是值得花？这是需要顾及的。

是否要引入第三方外援？不是每个人都要从头开始做AI，要想从最底层的数据、络、工具、应用，云全部完成，这个恐怕也只有BAT可以做，但我们没必要每一个公司、每一个team都做这些事；还有一个人工智能系统往往需要持续支撑，这个支撑往往很昂贵，我们是否能承担的起，要评估自己的人力资源、资金、数据是不是够用。

第三，咨询业务方和数据拥有方。我在华为、腾讯都做过，知道很多大公司都有部门墙，部门之间几乎是不沟通的，因此这个数据往往是以孤岛的形式存在的。而今天的人得缩头时且缩头工智能，尤其深度学习、强化学习，这两大工具都非常依赖于数据。即使我们购买了数据，如何清洗和整合数据又是第二个问题，数据结构化的过程是非常昂贵的，往往需要很多人工。

第四个就是AI团队建设。如果我们有AI团队，这个团队和业务团队是不能分开的，它一定要有明确的，要有一个技术接口人、管理人员、数据的人、系统整合的人，都要非常明确，要有一个完整的KPI。

我们拿百度举例，我们知道吴恩达刚刚离开，很大的原因是拿不到数据资源、业务资源，这种人又有抱负，当然会选择离开，那么我们该如何管理这个事？我们要从一开始就明确这个团队的目标是什么，也就是KPI。

第五点，AI的项目需要各种各样的规划，和一般的软件没有区别，我觉得把AI和其他软件工程区分开始错误的。

AI技术的风口在哪里？

深度学习特别要命的一点，就是它的结构是一个黑箱。经过几千万个样本训练以后，完全没有办法解释。什么叫做“解释”呢？一旦有错我可以知道是哪里出了错，应该调整哪个地方，但我无从得知。

所以AlphaGo就出了这样一件事，当时4：1输给李世石关键一步，它想知道哪一个地方出了问题，因为这肯定是深度学习在估算棋盘时出了一个严重错误，但没有办法回溯，如果当时再比赛一次还会出现同样的错误，因为没有办法纠正。

那么什么叫做“白箱”，什么叫做“可解释的模型”呢？因果关系的模型就是可解释的，比如医生知道给病人吃了这个药后病人有多大机率会康复，这就是因果关系。因果关系的流派在人工智能领域确实存在，叫做贝叶斯流派，但目前没有特别靠谱的自动学习的算法。

目前在很多领域，如果一个模型给出了结论，但不知道为什么会给出这个结论，往往该领域是不会允许你使用这个模型的，因此“因果关系”非常重要。所以“深度学习”领域需要有更多种类、需要是可解释的、可编程的。

第二个是我们所说的迁移学习。所谓“迁移学习”就是给出一个已经训练好的领域模型，这个模型可能对应一个神经络，那么我们能不能从中抽象出比较高层的逻辑知识，如果有了这个知识，就可以比较容易地把高层知识逻辑迁移到新的领域。

比方说“舆情”，比方说我们在微博上可以看一些人的评论和留言，我们知道这些留言是正面还是负面的，对于新出的电影或者一个事件就有正面、负面的判断。

我们如果在这个领域训练出了模型，能不能迁移到一个新的领域，比如对图书、股票、股价、公司也做这种预测？所以这种迁移是很有用的。迁移的目的就是我们不用做很多的标注、不用花费很多建模费用，就可以把已有模型迁移到新的领域。

还有一种学习叫做表示学习，在自然语言处理的领域也经历了革命性的转化。现在机器通过大量文本学习一个新的“表达”，可以判断这个词出现的场景、它和周边的字是什么关系——我们建立起一个字及其周边常见字的“朋友圈”，通过学习来发现同义词，而不是通过人来告诉机器。

这个表达学习的过程叫做“机器阅读”，把每一个词中字的“朋友圈”都表达出来，比如说贾宝玉和谁最好，机器模型可以自动回答，而且非常准。我们有了机器阅读，就可以产生一个新的表达，比如说可以做一个《红楼梦》的摘要。

然后我们说Echo学习系统的一问一答，现在可以做得很准，其一就是因为Echo有一个很强的硬件系统，可以被智能唤醒，知道这个是在对着它讲话还是在对着别人；然后将软硬件相结合，把软件的优点发挥出来。

另一点就是Echo的使用场景非常清楚，它的目标是一个有限的垂直领域，而不是一上来就做一个通用的对话系统，这也是我们需要借鉴的。

我再说一下人工智能未来的几个方向，在基础计算结构有两方面，一方面是芯片的研究，像英伟达做的GPU，谷歌做的TPU，虽然不知道什么时候商业化，但据说是非常牛像挂在枝头成熟了的开心果的人工智能芯片。另外一个，过去我们在络的传输层还没有特别适合深度学习的络研究，现在有了，如果在络层做优化就能把深度学习加速到四五倍这样的水平，这将是络传输层的革命。

最后做一个总结，深度学习可以做很多研究——强化学习可以和迁移学习相结合做很多个性化的任务完成对话，智能规划等等。迁移学习可以帮助完成知识的高层表达、跨领域的知识，还有小数据的学习。还有如何能够进行信息抽取，把自然语言这种非结构化数据表达出来，能够进行自动问答、对话系统，包括摘要的自动建立，算法加速，人工智能的工程化。