國際人工智能理事會主席楊強：步入下個AI寒冬的隱患
“我現在就在做一線的事情，防止（人工智能）冷下去。”當被問及眼下這一波人工智能熱潮是否會像歷史上的幾波一樣曇花一現，國際人工智能理事會（IJCAI）主席，oct是幾月香港科技大學計算機科學與工程系主任楊強這樣告訴澎湃新聞記者。
在他看來，如今的人工智能雖已突破了計算能力和數據資源的瓶頸，但隱患埋伏在一個“偏”字上。例如學術研究方面，國內高校雖然開始設立人工智能學院和專業，五年內有望培育出一批AI人才，但不少大學直接將機器學習等同于人工智能，邏輯學，神經學等冷門領域研究和國外的差距很大。
類似地，人工智能產業發展迅速，卻過多地偏重計算機視覺在安防領域的布局，許多需求未得到充分挖掘。
近年來，楊強所做的就是超越深度學習專用于一個領域的框架，開拓出遷移學習，聯邦學習等在兩個或兩個以上的領域之間進行的機器學習方法。
他希望能讓多方在不泄露各自數據隱私的情況下實現數據的共享和模型的共建，打破數據割裂的孤島。在這樣的合作框架下，各方享有平等的地位和一定的“主權”，但走向“共同富裕”，就像一個聯邦國家。
楊強正與微眾銀行等機構合作，試圖用聯邦學習打通人工智能應用的最后一公里，促進人工智能在金融，城市管理等領域的落地。“人工智能算法的數據得不到更新，就像一臺好車沒有汽油。”
這位1961年出生的計算機科學家是首位當選國際人工智能協會（AAAI）院士的華人。他似乎很擅長跳出主流偏重的視角來看問題。例如，當許多人在討論機器能否像人一樣實現無監督的學習，楊強卻認為無監督學習是一種假象，人類的監督學習隱藏得很深。如果算法做得足夠好，就能像人類一樣從簡單的一張照片上提取到無數個標簽。
此外，人類的大腦“軟件”得到無數稱頌，但“硬件”優勢卻往往被忽略。楊強注意到，人渾身上下都是精妙的傳感器，幫助人腦獲取信息。在硬件發展沒有跟上的情況下，光用算法實現通用的強人工智能只能是奢望。
“只不過大家現在都在摘比較低垂的果子，還沒有深入去想。”楊強說道。
以下為澎湃新聞記者與楊強的對話實錄。
聯邦學習：人工智能應用的最后一公里
澎湃新聞：可以說從深度學習到遷徙學習，聯邦學習，存在一種遞進的關系？
楊強：遷移學習和聯邦學習之間的共性都是在兩個或兩個以上的領域之間進行，這和深度學習是截然不同的。深度學習和以前的各種學習都是在一個領域進行。
在兩個領域進行，第一層的考慮是知識的遷移共享，第二層考慮就是加密和安全。
比如說原來有一個保險公司，它對車險的定價基于一些很粗的維度，像駕駛員的年齡和車齡。為什么只能做這么粗的定價？因為它對用戶的了解非常少。如果有一個碼農張三年紀很輕，但開車卻很小心，這一點它就無法了解，也無法進行個性化。
現在它可以和一個移動互聯網公司合作。運營商那邊有張三的行為數據，但對保險領域并不了解。它們兩邊需要合作，但又不愿意把數據暴露給對方，以防失控和監管不嚴的問題。
聯邦學習恰恰就是在這可以幫忙，不交換數據，但可以在重疊的數據上建立一個更好的模型。
澎湃新聞：目前聯邦學習有哪些落地場景？
楊強：橫向聯邦學習的場景是各方都有一部分用戶數據，這些用戶都不一樣，他們可以利用加密的共享共建模型來得到一個更好的模型。但是這個模型不必用到所有用戶的數據，我們假設有1000萬的手機用戶，你可以在里面選比較有用的300萬，建立起橫向的模型，分散到上千萬的用戶。
還有一個是縱向聯邦學習，意思是兩個機構同樣進入這個數據，但是維護不一樣。比如一個收集用戶的年齡性別，另一方收集用戶的學習成績和平時的衣食住行。
具體到金融領域的案例，橫向聯邦學習的場景是很多家不同銀行的維度是一樣的，都了解信用，還款情況等信息，但用戶是不一樣的，因為它們位于不同的城市。
而縱向聯邦學習是同一個城市，同樣一個用戶，但是他在接受不同的金融服務。比如面對小微企業的貸款，我們需要了解這些企業的稅收情況和經營情況，但銀行沒有這部分數據。我們就可以找一些專門處理發票的機構來合作。
除此之外，我們也在探索一些非常不一樣的業務。舉個例子，我們跟一個深圳的公司合作，他們是做工地安全的視頻檢測，有沒有著火，工人有沒有戴帽子等等。但不同的工地，不同的公司不愿意交換這種數據，就可以用聯邦學習來建立一個聯邦模型，這樣一個工具要比單獨的數據更靠譜。
澎湃新聞：從實驗室走向產業落地的困難主要有哪些？
楊強：聯邦學習是一個多方參與，所以首先要在機制設計上保證每個聯盟都覺得受益，才有參與的興趣。其次是大家各自數據的維度不同，大小不同，質量也不一樣，做算法設計的時候就要考慮到異構框架，比同構框架更難。最后是要達成一個共識，就是什么才算成功？
這就像是從一個人打乒乓到五人團隊打籃球，我們希望能形成一個滾雪球的效果，可以說聯邦學習在算法上已經鋪墊好了，關鍵要看多方的投入。
澎湃新聞：在AI賦能產業的過程中，聯邦學習會扮演一個怎樣的角色？
楊強：我管這個叫人工智能應用的最后一公里。最后一公里的意思是說，除非你能到用戶的那一段，不然你搭得再好最后還是沒有銜接上。那么什么東西沒有銜接上？就是數據。
人工智能算法都需要很多數據，數據得不到更新，最后就像一臺好車沒有汽油。
所以在我看來，這最后一公里確實特別關鍵。只有通過這種合作的方式，才能把大數據真正建立起來。
無監督學習是“假象”
澎湃新聞：人工智能是否有一天能做到舉一反三，融會貫通？
楊強：路還很長，但我們現在做的一些實驗證明是可以的。像遷移學習之前都是一些博士生，研究人員來設計，現在有個算法叫自動機器學習，和遷移學習結合就變成自動遷移學習。
自動遷移學習是怎樣的？比如在自然語言領域看到一個新的需求，它會把自己建好的模型和新的應用之間的差別變成一個目標函數，從而設計算法。整個過程是可以自動化的。如果這個可以做，讓機器最終學會舉一反三是可能的，但路還很長。
澎湃新聞：針對現在大家比較關注的一些深度學習的瓶頸，你有什么看法？
楊強：其實現在大家比較關注的一個問題是可解釋性，因為深度學習是個黑箱。我覺得這個問題遲早會解決。為什么呢？你看人腦其實在某種程度上也在做深度學習，每個人的大腦都有好多神經元在做肉體的深度學習，同時我們可以對自己的某些決策作解釋。醫生可以給病人解釋為什么開這個藥，老師也可以給學生解釋說錯在哪里。人有這個功能，我相信機器一定可以發展出類似的功能，只不過我們現在沒有找到路子。
除此之外，深度學習的穩定性問題也是國際上的研究熱點，現在有很多人工智能可以通過假數據來欺騙，這說明現在人工智能的魯棒性還不是很好。
這是很自然的，一個技術出現后，大家就會開始關注魯棒性，可擴展性，透明性等非功能性性質，引起第二波研究。以前的數據庫和互聯網技術也是這樣。
澎湃新聞：有沒有可能實現無監督的深度學習？
楊強：我覺得無監督是一個假象。大家都在類比人會做無監督學習，但我的觀點是人做的是有監督學習，只不過監督藏得很深。
比方說給人看一朵花，以后看到花都能認出來。這是因為這個例子里面其實包含了很多的信息，現在的算法只能從上面得到一個表面信息，但是還有一些深層的信息。
所以這是算法的不足。算法做好了以后，會看到所有的無監督數據其實是有標簽的。包括小孩為什么學得很快？這是因為他父母之前做了預訓練，這和遷移學習的方式非常像。
我覺得以后一定可以從一幅圖像中找到很多深層信息，然后也能訓練個八九不離十。只不過大家現在都在摘比較低垂的果子，還沒有深入去想。
澎湃新聞：你對強人工智能有怎樣的展望？
楊強：強人工智能就是通用的，一個模型可以做N件事。人肯定是一個模型做N件事，但機器現在是一個模型只做一件事。我覺得強人工智能未來是可以實現，但可能不是用我們現在這種方式。
為什么呢？現在的方式是我們準備很多數據，然后去訓練出一個模型，這是人的運作方法。人渾身上下都是傳感器，這些傳感器比現在的物聯網要強很多。所以除非硬件到了這個程度，否則只談人工智能算法就是奢望。現在的情況是硬件遠遠落后，要等那邊跟上來。
要去研究一些冷門領域
澎湃新聞：從學術到產業，你對現在國內的人工智能生態有哪些宏觀的觀察？
楊強：首先，我覺得國內在人才培養上出現了非常可喜的局面，好多大學在建人工智能學院，人工智能專業。五年之后會涌現一大批人工智能從業者，可能會出現良莠不齊的情況，但沒關系，里面肯定會出現一些精英。其次，國內人工智能產業發展也比較興旺，許多公司設立了人工智能部門，這些都是特別好的事。
但在比較冷門的研究領域，國內和國外還有很大的差距。比如果很多國外的大學都有邏輯推理這方面的教授，但國內一般就把機器學習等同于人工智能。另外，oct是幾月國內研究神經學和人工智能結合的也比國外少。在這些方面，我希望還是不要那么功利，要去研究一些眼下沒有大的進展，比較冷門，好奇心驅使的方向。
澎湃新聞：總體來說，眼下這一波人工智能熱潮會冷下去嗎？如果冷下去可能是因為哪些原因？
楊強：我現在就在做一線的事情，防止它們冷下去。過去冷下去有好幾個主要原因，一個是計算能力跟不上，一個是數據資源不夠。現在計算資源和數據資源都有了，但案例制造還不夠。
比如說，現在計算機視覺主要還是用在政府安防等領域。其實產業里有大量的需求，但大家做得太偏了，沒有充分地挖掘。一個產業如果只有一個支柱，那么它是很危險的。人工智能如果只有視覺，或者政府安防這個支柱也很危險。
所以你說有沒有危險進入到另一個寒冬？是有的。下一個寒冬可能是大家一蜂窩做的那件事沒有真的做出來，這一批人可能就會很失望。但現在努力做不同的事情的，也許會有新的驚喜。
