【编者按】这篇文章摘自杨强教授在“Fintech x AI 高端研习班”上的分享。杨强教授，系香港科技大学核算机系主任、世界人工智能学会首任华人Fellow，曾任华为诺亚方舟实验室开创主任。在此次研习班，他分享了AlphaGo的含义、公司怎么落地人工智能、AI技术的风口等内容。

AlphaGo为咱们带来了啥？

人工智能的成功使用主要在以下方面，而非一切：

第一个是语音，语音已经有许多年的前史了，可是引进深度学习今后，格外近几年有了突破性的开展；第二是图画辨认，比方人脸辨认；第三是电商/引荐，像taobao、京东这么的电商/引荐；第四是博弈，最典型的即是AlphaGo；第五是更深层次的对立网络，基于博弈的思想，这个的使用就许多了，其中最引人瞩目的即是无人车。

人工智能首次遭到重视是97年的深蓝，其时是象棋范畴战胜了世界冠军。象棋本来即是十分难的范畴，咱们打开一个棋盘，一切也许的计划总数大概是10的47次方，这是十分庞大的数字；但在用了IBM高性能核算今后有了明显的开展。

所以这一次应当说是几个事情的成功：第一个是高性能的核算，第二个运用了群体智能，让许多二流的世界象棋专家对这些节点进行评价，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，最大的缺点即是没有机器学习的能力。

五年前人工智能范畴呈现了一个新名词，叫做“深度学习”。咱们知道深度学习首要在图画上有对比直观的解说，咱们输入一个图画，可以在图画上采集一些样本，这些样本会为咱们带来一些特征。这些特征包括对比初级的一个个像素，像素上面所带的信息、颜色、亮度，咱们可以将这些特征总结起来。

DeepMind是AlphaGo背面的团队，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，需求往左仍是往右，需求把棋子放在哪儿等等，即是需求一个深度学习网络完结这种对应，这些都是核算机可以自学的。

可是咱们看出这个疑问的缺点了吗？围棋的情形和咱们实际生活差距相当大，由于这是一个十分理想的世界，咱们的规则十分明白，边界也十分明白，输赢会立马反映在上面，动作简略，一点不含糊。所以在这种关闭的范畴、明白的范畴，优化方针可以写下来的范畴，AlphaGo的算法是彻底没有疑问的。

AlphaGo里边有两个函数我要格外提一下，一个叫做“战略网络”，所谓“战略网络”即是通知你在这里应当怎么走。战略网络中的“S”即是咱们所说的状况，“A”是咱们说的“Action”，“P”则是概率的意思，整体来说是“在这个状况下对方大概会走哪一步”，让你对对方有一个了解。咱们怎么进行练习呢？拿了三千万个竞赛的棋盘来练习，看假如从这个状况动身，高手一般走哪一步，咱们就可以学习下来。

其实无人车也是用这种方法，让它先在关闭的环境里学驾驶，学会了再出去开。特斯拉的意外即是一个反例，在特斯拉这个比方中，机器给车前面照了个相，判别前方是空的，体系就会反馈说前方的状况是有利的，可以往前走；假如前面是一堵墙，打分就会较低，体系会判别没有利。特斯拉即是出了一个错，体系判别前面是空旷的，以为是白色的白云，但实际上是白色的货车，因而就撞上了，这即是由于练习缺乏。

第二个值得一提的算法，在AlphaGo去年的竞赛里，由于核算能力有限，对每一个状况，即每一个“S”的估量还不够好，就加了一个新的算法叫做蒙特卡罗算法。 即是我在现有状况下让机器随机走棋，最后是输是赢给我一个反馈。

像这么快速走棋了N次之后，可以拿这些样本做一个抽样，这么就能很快通知我这么走对我是好仍是坏。这个会迅速得出成果，可是会十分不准，由于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。

到了今年咱们知道master是60局全胜，这个月23日在乌镇和柯洁的竞赛，咱们做人工智能的觉得人类就没啥戏了。为啥呢？由于如今咱们把这种随机进程悉数替代掉了，一切练习都是经过强化学习来完结的，机器犯错的概率就大大降低了，据说如今的AlphaGo给去年的自个让四个子还能赢。

咱们能从AlphaGo的成功中学到啥？短网址该如何开发和运营？

人工智能在AlphaGo上的使用显然成功了，那么像在教学范畴、医疗范畴是否能仿制这种成功？我觉得是十分难的。

人工智能的成功首要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，这些都是其时练习时使用的数据，那个时候还没有跟李世石对弈的实时数据做练习，因而前期收集的数据是十分关键的。

除此之外，假如前期用质量不太高的数据，比方说围棋一段以下的数据来核算，那样练习出来的效果是十分差的，所以对数据质量请求十分高。

还需求有清晰的疑问，也即是咱们的“A（Action）”，在围棋中只有下棋、放子这么的动作，没有任何其它的东西，不像投资这么杂乱。

另外还要有极好的获取特征的方法。比方说棋盘，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，这些变量咱们叫做特征。能发生这些变量需求专家，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，第一个给咱们科普，通知咱们它在做啥，让咱们了解它的机制；第二是给咱们泼冷水，通知你们AlphaGo的成功实际上十分难仿制。

有记者常问，AlphaGo意味着啥？咱们这边说意味着人类要没有工作了，人类不需求存在了；再问AlphaGo的团队这些成功意味着啥？他们会答意味着核算机也会下围棋了，所以他们是很低调的。

我觉得这个标题是值得咱们总结的，格外是如今人工智能胀大的进程中，咱们必定要保持清醒的头脑。

公司怎么将人工智能落地？

咱们要树立一个机器学习模型，首要得有一个方针。这里边分红两类，一类是商业方针，人工智能尽管可以用这么多的方面，流程主动化、客服等等，但必定要清晰最终方针是啥，是要倍增收益，把地盘扩大，仍是要把最后的费用削减。

第二，知道要添加收益或削减费用后，你需求把它量化成数学公式，咱们通常管这个叫做优化函数。比方说哪些使命可以用主动化带来价值，完结这个主动化进程自身需求费用，这个费用是不是值得花？这是需求顾及的。

是否要引进第三方外援？不是每个人都要从头开始做AI，要想从最底层的数据、网络、东西、使用，云悉数完结，这个恐怕也只有BAT可以做，但咱们没必要每一个公司、每一个team都做这些事；还有一个人工智能体系通常需求继续支持，这个支持通常很贵重，咱们是否能承担的起，要评价自个的人力资源、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，知道许多大公司都有部门墙，部门之间几乎是不沟通的，因而这个数据通常是以孤岛的形式存在的。而今天的人工智能，格外深度学习、强化学习，这两大东西都十分依赖于数据。即使咱们购买了数据，怎么清洗和结合数据又是第二个疑问，数据构造化的进程是十分贵重的，通常需求许多人工。

第四个即是AI团队建设。假如咱们有AI团队，这个团队和业务团队是不能分隔的，它必定要有清晰的责任，要有一个技术接口人、管理人员、数据的责任人、体系结合的责任人，都要十分清晰，要有一个完好的KPI。

咱们拿百度举例，咱们知道吴恩达刚刚脱离，很大的原因是拿不到数据资源、业务资源，这种人又有抱负，当然会挑选脱离，那么咱们该怎么管理这个事？咱们要从一开始就清晰这个团队的方针是啥，也即是KPI。

第五点，AI的项目需求各式各样的计划，和一般的软件没有区别，我觉得把AI和别的软件工程区分隔始过错的。

AI技术的风口在哪里？

深度学习格外要命的一点，即是它的构造是一个黑箱。经过几千万个样本练习今后，彻底没有办法解说。啥叫做“解说”呢？一旦有错我可以知道是哪里出了错，应当调整哪个当地，但我无从得知。

所以AlphaGo就出了这么一件事，其时4：1输给李世石关键一步，它想知道哪一个当地出了疑问，由于这肯定是深度学习在预算棋盘时出了一个严重过错，但没有办法回溯，假如其时再竞赛一次还会呈现相同的过错，短链接一旦生成就没有办法纠正。

那么啥叫做“白箱”，啥叫做“可解说的模型”呢？因果联系的模型即是可解说的，比方医生知道给患者吃了这个药后患者有多大机率会康复，这即是因果联系。因果联系的门户在人工智能范畴确实存在，叫做贝叶斯门户，但如今没有格外靠谱的主动学习的算法。

如今在许多范畴，假如一个模型给出了定论，但不知道为啥会给出这个定论，通常该范畴是不会允许你使用这个模型的，因而“因果联系”十分重要。所以“深度学习”范畴需求有更多品种、需求是可解说的、可编程的。

第二个是咱们所说的搬迁学习。所谓“搬迁学习”即是给出一个已经练习好的范畴模型，这个模型也许对应一个神经网络，那么咱们能不能从中抽象出对比高层的逻辑常识，假如有了这个常识，就可以对比容易地把高层常识逻辑搬迁到新的范畴。

比方说“舆情”，比方说咱们在微博上可以看一些人的评论和留言，咱们知道这些留言是正面仍是负面的，关于新出的电影或者一个事情就有正面、负面的判别。

咱们假如在这个范畴练习出了模型，能不能搬迁到一个新的范畴，比方对图书、股票、股价、公司也做这种预测？所以这种搬迁是很有用的。搬迁的目的即是咱们不用做许多的标示、不用花费许多建模费用，就可以把已有模型搬迁到新的范畴。

还有一种学习叫做表示学习，在自然语言处理的范畴也阅历了革新性的转化。如今机器经过大量文本学习一个新的“表达”，可以判别这个词呈现的场景、它和周边的字是啥联系——咱们树立起一个字及其周边常见字的“朋友圈”，经过学习来发现同义词，而不是经过人来通知机器。

这个表达学习的进程叫做“机器阅读”，把每一个词中字的“朋友圈”都表达出来，比方说贾宝玉和谁最好，机器模型可以主动回答，而且十分准。咱们有了机器阅读，就可以发生一个新的表达，比方说可以做一个《红楼梦》的摘要。

然后咱们说Echo学习体系的一问一答，如今可以做得很准，其一即是由于Echo有一个很强的硬件体系，可以被智能唤醒，知道这个是在对着它讲话仍是在对着别人；然后将软硬件相结合，把软件的长处发挥出来。

另一点即是Echo的使用场景十分明白，它的方针是一个有限的笔直范畴，而不是一上来就做一个通用的对话体系，这也是咱们需求借鉴的。

我再说一下人工智能未来的几个方向，在基础核算构造有两方面，一方面是芯片的研讨，像英伟达做的GPU，google做的TPU，尽管不知道啥时候商业化，但据说是十分牛的人工智能芯片。另外一个，过去咱们在网络的传输层还没有格外适合深度学习的网络研讨，如今有了，假如在网络层做优化就能把深度学习加快到四五倍这么的水平，这将是网络传输层的革新。

最后做一个总结，深度学习可以做许多研讨——强化学习可以和搬迁学习相结合做许多个性化的使命完结对话，智能计划等等。搬迁学习可以帮助完结常识的高层表达、跨范畴的常识，还有小数据的学习。还有怎么可以进行信息抽取，把自然语言这种非构造化数据表达出来，可以进行主动问答、对话体系，包括摘要的主动树立，算法加快，人工智能的工程化。