楊強：從“互聯(lián)網(wǎng)+”到+智能

楊強：從“互聯(lián)網(wǎng)+”到“+智能【注：本文由楊靜lillian（lillian_yang_1111）授權(quán)轉(zhuǎn)載，原文由中國人工智能學會供稿，靜沙龍記者王嘉俊整理】2015年8月14日，由中國科協(xié)、中國科學院指導，中國人工智能學會主辦的第五屆中國智能產(chǎn)業(yè)高峰論壇在上海長榮桂冠酒店順利召開。下面是中國人工智能學會副理事長、2015國際人工智能大會IJCAI-15程序委員會主席、香港科技大學教授楊強的發(fā)言。楊強在報告中總結(jié)：互聯(lián)網(wǎng)+為我們帶來了大數(shù)據(jù)，而大數(shù)據(jù)又為我們帶來了智能的可能性。通過“群體智能”，“終生學習”和“特征工程”，大數(shù)據(jù)讓傳統(tǒng)的服務(wù)變成又智能的服務(wù)。這也是我們所倡導的“＋智能”的精髓。這種“深度+”是通過大數(shù)據(jù)來產(chǎn)生的，具有領(lǐng)域知識的、有群體智能，終生學習，特征工程的“+”【楊強】

我非常榮幸能夠跟在這里和大家一起交流。今天，我們聽了很多的議題，都是關(guān)于“智能”和“智能產(chǎn)業(yè)”的。下面，我將從學術(shù)界的角度給大家一個觀點，通過我知道的幾個例子闡述“智能在產(chǎn)業(yè)中的位置”這個問題。我的報告題目叫：從“互聯(lián)網(wǎng)+”到“+智能”。首先，我們知道，當下比較熱門的一個話題叫“互聯(lián)網(wǎng)+”。大家所知道的“互聯(lián)網(wǎng)+”的意思就是：利用互聯(lián)網(wǎng)的連接能力來賦予傳統(tǒng)行業(yè)產(chǎn)生一個新生的活力，把傳統(tǒng)行業(yè)帶到千家萬戶。同時，為傳統(tǒng)行業(yè)提供一個更加簡潔、更加高效的分析和運作能力。我們知道這樣的一個“互聯(lián)網(wǎng)+”的理念，實際上是離不開互聯(lián)網(wǎng)的本質(zhì)。它的本質(zhì)我們可以總結(jié)幾點：最重要的是連接，連接很多人和物。另外，它提供了一個實時的服務(wù)。所有的這些服務(wù)產(chǎn)生的大數(shù)據(jù)，使得我們了解一個長尾的分布，并加以分析，可以更關(guān)注用戶的個性化的需求。而所有的這些服務(wù)和個性化的需求，是通過什么來實現(xiàn)的呢？這就是“大數(shù)據(jù)”，我們常用四個V來總結(jié)它：體量大、速度快、類別多、真實性強。如果我們把“互聯(lián)網(wǎng)+”連接到傳統(tǒng)企業(yè)的話，需要怎么樣的“+”法呢？現(xiàn)在有各種各樣的“+”法，有淺層的“+”法，也就是說簡單的把傳統(tǒng)行業(yè)的一些帳號、注冊，掛號過程，提供給大家，使得互聯(lián)網(wǎng)能給大家?guī)硪恍┍憬?。但是這個僅僅是在做一種非常淺層的連接。它的作用只不過是使得傳統(tǒng)行業(yè)的觸角變得更遠，但并沒有在本質(zhì)上使傳統(tǒng)行業(yè)產(chǎn)生深刻的變化。反過來說，如果我們可以在互聯(lián)網(wǎng)的基礎(chǔ)上更進一步,使得傳統(tǒng)行業(yè)能夠直接和用戶對接，并了解用戶的需求，學習到深層的領(lǐng)域知識，從而進行個性化，持續(xù)的服務(wù)。這種進一步的“+”法是一種深入的“+”，也就是說，這個“+”的中心實質(zhì)問題是人工智能，是AI，所以這里就用這個“＋”中帶有AI的符號來代表。就像剛才講的，這種“+”的需求是由于互聯(lián)網(wǎng)帶來的一種長尾效應(yīng)。這種長尾效應(yīng)體現(xiàn)在服務(wù)的種類和用戶的需求是在指數(shù)型的擴展。它帶來的互聯(lián)網(wǎng)的增值，體現(xiàn)在“個性化”上面。因為每個用戶的需求，每個產(chǎn)品提供的功能都是不一樣的。在如此廣泛的范圍之內(nèi)，我們不可能只依靠人工來提供這樣的服務(wù)，讓用戶得到滿足。所以，要提供機器學習的功能，通過很強的人工智能來提供這樣的服務(wù)。機器學習，就要依賴于大數(shù)據(jù)做模型訓練，因此我們就說這種深入的“+”，是離不開大數(shù)據(jù)的。如果互聯(lián)網(wǎng)只是在表層淺顯的和每一個傳統(tǒng)行業(yè)接觸的話，僅僅提供一個新的入口，就不能夠獲得所需的領(lǐng)域知識，也就不能夠真正的為用戶提供這樣的一個深層次的服務(wù)。

比如：在和銀行呼叫中心對接的時候，通過互聯(lián)網(wǎng)收取大數(shù)據(jù)，就會學到不同的策略?？梢詫Σ煌挠脩艚⒉煌姆?wù)的策略，拓展價值客戶的識別，開展對VIP客戶的挽留等等。這些都需要很深層次的領(lǐng)域知識。所需的數(shù)據(jù)種類可以大有不同：有語音、圖像、推薦，搜索的數(shù)據(jù)等等。利用這些數(shù)據(jù)，我們可以建立各種各樣的專業(yè)領(lǐng)域內(nèi)的知識圖譜來提供服務(wù)。我們問，用大數(shù)據(jù)和人工智能為我們帶來的這種變化，這種深度“+”，對于用戶來說，是有強大吸引力的，所以我們說的這種加法是有黏性的“+”，是把智能加到互聯(lián)網(wǎng)和傳統(tǒng)企業(yè)之間的，產(chǎn)生像潤滑劑一樣的效果。所以，我們管它叫做“+智能?！毕旅妫揖徒o大家舉幾個例子，來展示幾個不同的角度，我認為“深度+”應(yīng)該怎么樣來實現(xiàn)。讀者也許會問：互聯(lián)網(wǎng)＋的“＋”在互聯(lián)網(wǎng)的后面，為什么＋智能的“＋”要放在智能前面？我們知道，人工智能的應(yīng)用是需要一個平臺來“附著”的。這個平臺可以是互聯(lián)網(wǎng)，可以是傳統(tǒng)行業(yè)（如金融），也可以是互聯(lián)網(wǎng)＋傳統(tǒng)行業(yè)，但無論如何，它是錦上添花的“花“，是需要有一個附著點來發(fā)力的。第一個例子是這樣的；我們知道高考這個事兒是我們每個人都經(jīng)歷過的的。但是高考之后遇到的一個問題，就是大家如何選擇正確的學校這件事兒。這種選擇是一種雙向的選擇。學生在想：我到底是要有名氣的學校，還是比較保險的，可以接受我的高考分數(shù)的學校？同時，想得比較深一點的考生，就會想：“更適合我的專業(yè)是哪些？也許我的目的是想提高本人的價值，或者是賺到更多的錢，或者是找到比較好的朋友?！蹦敲此赡芤驗榫哂胁煌哪康?，想去的地方也不同。這里我要舉的例子，是一個叫做IPin的公司，他們利用互聯(lián)網(wǎng)大數(shù)據(jù)，通過個人簡歷所積累成的大數(shù)據(jù)，建立了一個智能擇校系統(tǒng)，為高考生服務(wù)。大家可能看過一個卡通片叫《花木蘭》，它在決定它自己是否去從軍的時候，就有很多的祖先來給它提供各種各樣的建議。有人說：“去?！庇腥苏f：“不去?！蔽覀兠恳粋€人在面臨這樣的人生抉擇的時候，也希望有這樣的一個長輩來告訴他你應(yīng)該走這條路，之后走這條路。IPin的這個大數(shù)據(jù)系統(tǒng)可以把這些簡歷作為基本的數(shù)據(jù)，提煉解析后，在簡歷里面按照時間軸來羅列每個人所去的學校，進行的工作種類，以及他在學校的所做活動，和他所取得的一些成就，由此，就將成千上萬人的上述內(nèi)容，變成一個完整的具有時間和空間的職業(yè)圖譜。因為這個圖譜是集中上億人的數(shù)據(jù)，所以應(yīng)該說它的質(zhì)量是非常好的。有了這樣一個圖譜，我們就可以根據(jù)每個人的情況和所提的要求進行個性化的智能推薦了。比方說，以華中科技大學為例。一個高考的學生可能在問：我要不要上這所學校??？通過大數(shù)據(jù)系統(tǒng)，我們可以推斷，他畢業(yè)后在哪個城市的可能性比較大，這些學生大部分是學的什么專業(yè)？或者是說學的專業(yè)的比例，去的哪些公司等等。所以在下一步，他就可以去想，我應(yīng)不應(yīng)該去上這一所大學。同時，這樣的一個圖譜，也為考生們提供了更多的職場知識：我們就可以知道，假設(shè)我的目標是去騰訊這樣的公司，那么我們想知道里面員工平均的情況。他之前和之后員工的來源和去向都是有哪些，這些職業(yè)規(guī)劃是不是適合我們工作。像這樣的一種在互聯(lián)網(wǎng)和教育行業(yè)之間的連接，才真正的為每個人提供了一個有深度知識的連接，為考生提供了一個智能的導師。再近一步，利用這種知識圖譜還可以為你提供多步的規(guī)劃，可以通過機器學習里的強化學習，就像機器人規(guī)劃一個在物理空間的移動一樣，我們也可以把某個人在一個虛擬空間的移動軌跡進行一個優(yōu)化，把這個人生的軌跡、最優(yōu)的軌跡給顯示出來，滿足多個人生目標，這個就是強化學習。我的第二個例子是有關(guān)微信的。在微信這個平臺上，有很多的人工智能的研究可以展開。我們很多人都在用微信，但是大家可能不知道的是微信后面有一個從事“模式識別”的團隊，他們提供的很多功能現(xiàn)在大家都是在用的，比如圖像和語音識別。通過機器學習，可以進行在照片上人臉識別，可以掃描人、掃描物，圖象風格和甚至進行3D的虛擬現(xiàn)實等。今天我要舉的例子是“群體智能”：如何通過微信提供的成千上萬人的力量，產(chǎn)生一個質(zhì)變的效應(yīng)，來做一件我們以前做不了的事情。這里我要舉一個公益方面的例子，就是微信利用群體智能所做的一個嘗試，這個名字叫作“聽見”。它的目標是利用微信和群體智能，為盲人、盲胞進行有聲讀物，幫助盲胞讀書。我們知道盲胞如果要聽一本書的話，在過去我們是找一位非常有名的播音員把這個書從頭到尾讀下來。這樣做雖然質(zhì)量雖然高，但是讀書的數(shù)量卻有限。如果我們能夠利用大家的碎片時間，讓每個微信用戶都可以有機會去讀一段文字，再利用人工智能把眾多的讀物喝起來，就可以很便捷的合成一個有聲讀物。比如：我們可以獲得《紅樓夢》的某個自然段，然后把我們讀的聲音上傳到云端，在云端利用語音識別去識別這個自然段的質(zhì)量，最后把高質(zhì)量的語音片斷連接起來，變成一本有聲書。這個例子，就是群體智慧的一個語音版。到現(xiàn)在為止，微信和許多公益團體，企業(yè)，成功地做出了100多本讀物，分發(fā)給盲人同胞，產(chǎn)生了巨大的反響。我剛剛講的第一個是大數(shù)據(jù)和互聯(lián)網(wǎng)帶來的一個新的連接的可能，就是群體智能。群體智能為“互聯(lián)網(wǎng)+”，為“智能+”提供了新鮮血液。下面我要說的是另外一個方面，就是互聯(lián)網(wǎng)＋帶來的是源源不斷的數(shù)據(jù)，讓系統(tǒng)有機會進行“終生學習。”首先，終生學習的概念是這樣的：在過去，我們的學習方法是拿一個訓練數(shù)據(jù)，訓練出一個模型然后再應(yīng)用。在我們到一個新的領(lǐng)域，又要重新開始訓練。這樣，過去學到的知識并沒有被利用起來。但是，我們知道，大數(shù)據(jù)是不斷的更新，就像智能的老鼠在一個迷宮里面，它也不斷地得到新的信息，然后產(chǎn)生新的模型。這個新的模型再利用進來，他又得到新的反饋。這個循環(huán)以后，這個系統(tǒng)就不斷的改進，不斷的提高，這個我們叫作“終生學習”?！敖K生學習”是很通俗易懂的。我們在互聯(lián)網(wǎng)電商的產(chǎn)品推薦問題上，也需要終生學習的能力。比方說，用戶們看到了某類廣告的的投放，滿足自己需要的，就可以去點擊。用戶點擊了的產(chǎn)品廣告，就表示他有興趣。但是如果他沒有點擊呢，我們就不知道了，我們可以理解成或者沒有興趣，或者他有興趣而沒有點擊。如果我們看一下點擊的變化，沿著時間軸的數(shù)據(jù)流動，每一個產(chǎn)品，用戶群對它感興趣的程度就是一個時間的函數(shù)。也就是說，用戶的興趣也不是恒定不變的。那么放到個人身上，我們就很容易理解為什么一個用戶的興趣是在演變的。比如：我們在春節(jié)的時候感興趣的產(chǎn)品，在夏天就不一定感興趣。所以說，在網(wǎng)上用戶的點擊可以來自用戶興趣的變化，這個變化就需要我們的智能系統(tǒng)不斷地學習，也就是終生學習。終生學習的需求還來自另外一個方面，就是當預(yù)測廣告點擊的模型變得非常成功以后，對未來的數(shù)據(jù)就會變得麻木，從而使得系統(tǒng)收到挑戰(zhàn)。如果我們現(xiàn)在看到的是一些正例和負例，系統(tǒng)就可以根據(jù)正例和負例建立一個模型。但是如果這個模型非常好的話，那么我們以后今后得到的例子也往往大都是正例。而我們再利用這些正例來重新訓練我們的模型，那這樣的模型往往就會變得有偏差。為什么呢？因為我們誤以為今后所有的例子都是正例，而負例我們看不到，所以我們沒有辦法讓負例來參加我們的訓練，那么我們的模型就會有偏，所以準確率就會下降。這就是說，我們過去說“失敗時成功之母”，在這里我們應(yīng)該反過來說：成功是失敗之母。在模型成功的時候，就孕育著失??；當失敗多了以后，有足夠多的負例，我們就會迎來新的成功。這種不斷的學習，是對終生學習的一種挑戰(zhàn)。

在這個方面，我們也在進行各種研究。比如：利用強化學習和深度學習相結(jié)合，根據(jù)用戶眼下可以進行的點擊，同時也根據(jù)用戶在無限擴展的多步以后可能點擊的廣告的收益，來共同來建立這樣的一個行為的規(guī)劃模型。接下來我要講的是“智能”為互聯(lián)網(wǎng)＋帶來的另外一種改變，就是：我們過去在模型的建立上面下很多功夫。但是在互聯(lián)網(wǎng)＋和傳統(tǒng)行業(yè)對接的時候，我們更應(yīng)該到在“特征工程”上面下功夫。這種從“模型”到“特征”的轉(zhuǎn)變，是“＋智能”的一個重要轉(zhuǎn)折點。比如：在圖像識別領(lǐng)域準確率的提供，實際上是人們在特征工程的一種成功。這里來舉一個在金融領(lǐng)域的例子。這個大數(shù)據(jù)公司叫“第四范式”公司，他們?yōu)閭鹘y(tǒng)企業(yè)提供大數(shù)據(jù)的服務(wù)。以金融行業(yè)為例。在金融產(chǎn)業(yè)有無數(shù)的用戶，他們可能對某種產(chǎn)品有興趣，而金融領(lǐng)域的客戶經(jīng)理，如何把正確的產(chǎn)品推薦給正確的客戶，就是一個典型的業(yè)務(wù)問題。有了金融大數(shù)據(jù)以后，這個問題就可以用機器學習來做了。比如，在銀行的分期付款這個問題上，對于某一個產(chǎn)品的購買者，到底應(yīng)不應(yīng)該推送分期付款的短信，應(yīng)該提供什么樣的建議，以及在什么場合，以什么方式來推送？這些問題的解決取決于能不能從用戶和產(chǎn)品的數(shù)據(jù)中抽取大量的特征。過去利用人工，金融行業(yè)可以建立幾十維特征的模型?，F(xiàn)在利用大數(shù)據(jù)，這個第四范式公司建立的上百萬維的特征模型，和以前相比，有了68%這么多的提高，帶來的是大幅提高的收益。這個是得益于什么呢？得益于特征的增加。另外一個方面，雖然模型的特征增加了，但是并不表明模型的