與世界同行 2017中國人工智能大會有感

中國人工智能大會（CCAI），由中國人工智能學會發起，目前已成功舉辦兩屆，是中國國內級別最高、規模最大的人工智能大會。之前在北京舉辦過兩屆，第三屆由阿裏巴巴集團&螞蟻金服主辦，去做報告的都是中國人工智能大會的大咖：香港科技大學計算機主任楊強，以前是華為諾亞方舟實驗室的首屆主任；螞蟻金服副總裁、首席數據科學家漆遠，以前是普度大學的終身教授，還有中國科學院、工程院的院士以及一些國外的牛人，來頭不小。

有意思的是，就在大會舉辦前兩天，國家剛發布了新一代人工智能的發展規劃通知，把人工智能拉升到了國家戰略的高度。具體請見https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm

想了一下，雖然說是參會感想，但是還是要簡單寫一點會議內容的，因為內容比較多，我就選幾個有意思的簡單闡述一下。

李老師的報告是自動駕駛領域的，報告標題的L3（L代表Level）很抓眼，其實自動駕駛的“自動”是有等級的，數字越高越自動，從輔助人工駕駛（L1）轉型到部分自動駕駛（L2）、再到機器自駕駛（L3），而L3是自動等級的一個分水嶺，以為著真正意義上的“自動”，現在的特斯拉等自動駕駛都還是L2的，也就是說，人的注意力是不能完全離開的，當汽車無法進行自動決策而報警的時候，人需要及時介入。據說年底奧迪要出一款L3等級的自動駕駛汽車，不得不說中國製造還有很長的路要走。

李老師的主要工作是把解決L3的問題抽象成解決“人”的問題，構建一個“駕駛腦”把駕駛員的認知用機器學習替代，擁有更記憶、決策和行為能力的認知體，它的設計框架可以看圖1。李老師也表達了要在所有情況下都能夠把自動駕駛做到L3的程度是比較困難的，目前隻能考慮在特定的場景下做，才有可能完成中國L3自動駕駛汽車的量產。

所以目前各個領域都是一樣，要實際大規模工業應用，必須限製一個垂直的領域或者狹窄的範圍，這個在做AI產品設計或者業務規劃的時候是有指導意義的。

圖1 “駕駛腦”的架構

 

遷移學習已經不是一個新的概念了，它描述在領域1的知識如何在相似的領域2裏發揮價值，人類很擅長做遷移學習，比如學會了起自行車，那麼很容易可以學會騎摩托車。

遷移學習被認為是人工智能的下一個熱點，因為理論上它可以解決訓練數據規模不足的問題，隻不過現在在工業界還不夠成熟。然而，在工業屆中，我們卻很容易找到訓練數據量級不足的案例，比如在螞蟻金服，我們試圖去構建一個預測模型去自動的檢測線上係統的發生故障的可能性，構建一個分類器是最容易想到的，但是由於螞蟻金服係統本身就較健壯，曆史的故障數據兩隻手的手指頭就數的過來了，這樣，故障訓練樣本就是及其匱乏的，如果能從其他角度獲取標注數據，再遷移到故障樣本上去，豈不美哉。

楊老師主要結合深度學習各層網絡向量從多層次特征學習的遷移角度去講的，大致的思路是在源領域構建一個深度神經網絡，然後在目標領域定義一個類似的網絡，定義源、目標領域的距離，從參數層麵傳遞知識給目標網絡，在大額消費金融的困境、跨領域輿情分析、互聯網汽車分類問題等多個實際應用案例中多方麵地展示了遷移學習的深度模型所帶來的優點，感興趣的同學可以參考PPT：https://download.csdn.net/meeting/speech_preview/456

 

漆老師的報告主要是講AI和螞蟻金服的金融場景結合的時候遇到的問題以及解決問題背後的技術，Structure2Vec在螞蟻的應用場景中大放異彩，在風控的垃圾賬戶識別和微貸的花唄反套現識別中都將性能提升數倍。Structure2Vec是將圖模型和深度學習結合起來的一類算法，這類算法應該在工業界使用的不多，因為漆老師以前在普度大學就是做圖模型出身的，怎麼結合最近比較火的深度學習也是輕車熟路，所以在螞蟻先用了起來。

在智能客服這個業務場景，重點解決問答的問題，采用LSTM+DSSM更好的結合用戶行為軌跡時間序列信息和用戶文本輸入，將機器人滿意度做的超過了人工。

強化學習也在螞蟻金服得到了比較好的落地，在花唄智能簽約中，采用強化學習，基於實時事件場景人群定向（事件+人群+渠道）多目標（點擊+簽約）優化融合與在線決策給用戶展示的頁麵，采用流式強化學習框架在線更新模型，將點擊率提升171%、簽約率提升149%。

在介紹了對外開放的算法平台水晶球之後，就圖像識別在螞蟻金服的應用做了介紹，以“定損寶”為例，介紹了去反光、圖象角度矯正、目標分割，多圖融合等技術，大大減少了人工定損的工作量。

 

很多人從感官上接觸AI，是從AlphaGo開始的，那時深度學習就進一步被推上浪尖，圍棋的下法真的是千變萬化，解空間極其複雜，在這樣一個情況下深度學習都可以打敗人類，那還有什麼不可以？

其實事實真不是那樣的，圍棋雖然解空間複雜，但是他是一個明確定義（Well defined）的問題：圍棋的棋盤是固定的，下棋的方式是固定的，結果好壞的衡量是無歧義的。這些因素導致了這個問題是一個邊界明確的問題。圖像識別、語音識別就是邊界明確的問題，所以這兩個任務結合深度學習效果甚至超越了人類。但是在自然語言處理，深度學習卻發揮不出威力，以語法分析這個NLP的子任務來說，深度學習的提升還不到1%，因為自然語言處理是非明確定義（Not Well defined）的問題。

所以回到平時的工作中來，我們應該對深度學習趨之若鶩嗎？答案很顯然，用什麼技術還是要取決於什麼場景，精華在於用對了什麼，而不是用了什麼。深度學習的確帶來了很大的變化，但談不上革命（真正的革命可能是在Neural  Science或者交叉領域吧 J）。

在工業界中，標注問題很多場景中都體現了出來，這次大會提到的遷移學習、強化學習、還有GAN等都可以一定程度上的解決標注帶來的問題，在未來如何利用好工業界大量的未標注數據是從算法的角度來看可能會引起質的變化的措施，但是這個過程是學術、工業不斷碰撞循環上升的過程，會比較緩慢。

 

人工智能真的熱起來了，很多人對人工智能的期望也是高了起來，很多問題都期望能借助人工智能幫助解決，但是正如大會致辭嘉賓譚鐵牛（中國科學院院士、中國人工智能學會副理事長）所說，我們要保持冷靜，雖然目前有一些成功的商業產品，但是人工智能目前仍然處於初期，未來在一定範圍內有所為，但也不可泡沫般的吹噓，要保持冷靜、腳踏實地，能用AI解決的才用。