香港科技大学教授杨强：人工智能成功的几个必要条件

人工智能的两个研究分支：一个是科学，一个是应用。

在人工智能科学领域，人们一直有个问题：机器思维吗？过去60年，计算机专家们一直努力在回答这个问题。 而在人工智能应用方面，研究人员探讨的问题是它如何对人们产生作用和影响。

杨强提到， AI的成功有着5大必要条件：

• 清晰的商业模式

• 高质量的大数据  

• 清晰的问题定义和领域边间

• 懂人工智能的跨界人才，擅长应用和算法

• 计算能力

人工智能在机器学习和深度学习方面已经有着很高的成就。此外，另外一种技术正在开始应用：强化学习。强化学习不仅仅能够学习人的行为，还能够更好的使用延迟反馈功能。而之后人们能否发明一种新的学习方法，能把大数据的模型在用于小数据身上，于是杨强提到了迁移学习。 迁移学习是把 深度学习和强化学习叠加在一起。

三层结构算法系统

目前人机交互的对话系统包括闲聊类和功能类。而从技术上层面来讲，这种对话系统分成两种，第一种最早出现的是基于规则的系统，这些就像在符号领域，它的好处是很准确。但存在的问题是很难扩展，对数据不够敏感。此外，它还不能应付很多不同的意外事件，所以学界关注的是机器学习的算法。

而对于机器学习的算法，杨强认为深度学习之后的最新算法模型是一个三明治式的三层结构：第一层就是递归的深度学习，在这之上的第二层有一个强化学习的学习器，而第三层就是迁移学习，它能把一个已有的模型迁移到一个新的领域。

• 递归深度 神经网络 RNN（深度学习）
  

• 强化学习RL

• 迁移学习TL

能否把一个成熟的人机交互对话系统算法模型用在其他领域？杨强现场演一个把对话系统置入机器人反应，之后他提到，他的学生曾把这个系统应用在了金融领域，用于股市预测。当人们 一旦掌握某个领域，把它套用在其他领域就是迁移学习的作用。

个性化迁移

深度学习离不开大数据，强化学习重在反馈，但也离不开大数据，而大数据离不开大公司，当其他 公司没有大数据时，它们该怎么办？

杨强提出一点

大数据设计出来的模型用于小数据上，它的副产品就是个性化。这就是迁移学习的目的。

有了这套系统，如果换在其他领域就没必要收集大量数据了，直接套用模型即可。类似人学会骑自行车 后，就差不多学会了骑摩托车。

迁移学习分为两种： 样本迁移，特征迁移。其在应用场景中则如下：

• 基于模型的迁移： 如图像识别，训练万张顶千万张。 相似度越大，迁移的概率大。

• 社交网络之间的迁移：将千万人的大数据模型迁移到某个人身上。

最后，杨强指出，人工智能有很多领域，到现在为止最成功的一个领域就是机器学习，机器学习的一个基本概念就是从数据里面经常重复的现象汇总学出规律，从而把现实中简单重复烦琐的工作给替代掉。