“我現(xiàn)在就在做一線的事情，防止（人工智能）冷下去?！碑敱粏柤把巯逻@一波人工智能熱潮是否會像歷史上的幾波一樣曇花一現(xiàn)，國際人工智能理事會（IJCAI）主席、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(shù)據(jù)資源的瓶頸，但隱患埋伏在一個“偏”字上。例如學術(shù)研究方面，國內(nèi)高校雖然開始設(shè)立人工智能學院和專業(yè)，五年內(nèi)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(jīng)學等冷門領(lǐng)域研究和國外的差距很大。

類似地，人工智能產(chǎn)業(yè)發(fā)展迅速，卻過多地偏重計算機視覺在安防領(lǐng)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(lǐng)域的框架，開拓出遷移學習、聯(lián)邦學習等在兩個或兩個以上的領(lǐng)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(shù)據(jù)隱私的情況下實現(xiàn)數(shù)據(jù)的共享和模型的共建，打破數(shù)據(jù)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(quán)”，但走向“共同富?！保拖褚粋€聯(lián)邦國家。

楊強正與微眾銀行等機構(gòu)合作，試圖用聯(lián)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(lǐng)域的落地。“人工智能算法的數(shù)據(jù)得不到更新，就像一臺好車沒有汽油?！?/p>

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(xié)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(xiàn)無監(jiān)督的學習，楊強卻認為無監(jiān)督學習是一種假象，人類的監(jiān)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(shù)個標簽。

此外，人類的大腦“軟件”得到無數(shù)稱頌，但“硬件”優(yōu)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(fā)展沒有跟上的情況下，光用算法實現(xiàn)通用的強人工智能只能是奢望。

“只不過大家現(xiàn)在都在摘比較低垂的果子，還沒有深入去想?！睏顝娬f道。

以下為澎湃新聞記者與楊強的對話實錄。

聯(lián)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(lián)邦學習，存在一種遞進的關(guān)系？

楊強：遷移學習和聯(lián)邦學習之間的共性都是在兩個或兩個以上的領(lǐng)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(lǐng)域進行。

在兩個領(lǐng)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(nóng)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(xiàn)在它可以和一個移動互聯(lián)網(wǎng)公司合作。運營商那邊有張三的行為數(shù)據(jù)，但對保險領(lǐng)域并不了解。它們兩邊需要合作，但又不愿意把數(shù)據(jù)暴露給對方，以防失控和監(jiān)管不嚴的問題。

聯(lián)邦學習恰恰就是在這可以幫忙，不交換數(shù)據(jù)，但可以在重疊的數(shù)據(jù)上建立一個更好的模型。

澎湃新聞：目前聯(lián)邦學習有哪些落地場景？

楊強：橫向聯(lián)邦學習的場景是各方都有一部分用戶數(shù)據(jù)，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(shù)據(jù)，我們假設(shè)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(lián)邦學習，意思是兩個機構(gòu)同樣進入這個數(shù)據(jù)，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(lǐng)域的案例，橫向聯(lián)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(lián)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(yè)的貸款，我們需要了解這些企業(yè)的稅收情況和經(jīng)營情況，但銀行沒有這部分數(shù)據(jù)。我們就可以找一些專門處理發(fā)票的機構(gòu)來合作。

除此之外，我們也在探索一些非常不一樣的業(yè)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(shù)據(jù)，就可以用聯(lián)邦學習來建立一個聯(lián)邦模型，這樣一個工具要比單獨的數(shù)據(jù)更靠譜。

澎湃新聞：從實驗室走向產(chǎn)業(yè)落地的困難主要有哪些？

楊強：聯(lián)邦學習是一個多方參與，所以首先要在機制設(shè)計上保證每個聯(lián)盟都覺得受益，才有參與的興趣。其次是大家各自數(shù)據(jù)的維度不同，大小不同，質(zhì)量也不一樣，做算法設(shè)計的時候就要考慮到異構(gòu)框架，比同構(gòu)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(lián)邦學習在算法上已經(jīng)鋪墊好了，關(guān)鍵要看多方的投入。

澎湃新聞：在AI賦能產(chǎn)業(yè)的過程中，聯(lián)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(shù)據(jù)。

人工智能算法都需要很多數(shù)據(jù)，數(shù)據(jù)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(guān)鍵。只有通過這種合作的方式，才能把大數(shù)據(jù)真正建立起來。

無監(jiān)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(xiàn)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(shè)計，現(xiàn)在有個算法叫自動機器學習，和遷移學習結(jié)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(lǐng)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(shù)，從而設(shè)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(xiàn)在大家比較關(guān)注的一些深度學習的瓶頸，你有什么看法？

楊強：其實現(xiàn)在大家比較關(guān)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(jīng)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(yī)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(fā)展出類似的功能，只不過我們現(xiàn)在沒有找到路子。

除此之外，深度學習的穩(wěn)定性問題也是國際上的研究熱點，現(xiàn)在有很多人工智能可以通過假數(shù)據(jù)來欺騙，這說明現(xiàn)在人工智能的魯棒性還不是很好。

這是很自然的，一個技術(shù)出現(xiàn)后，大家就會開始關(guān)注魯棒性、可擴展性、透明性等非功能性性質(zhì)，引起第二波研究。以前的數(shù)據(jù)庫和互聯(lián)網(wǎng)技術(shù)也是這樣。

澎湃新聞：有沒有可能實現(xiàn)無監(jiān)督的深度學習？

楊強：我覺得無監(jiān)督是一個假象。大家都在類比人會做無監(jiān)督學習，但我的觀點是人做的是有監(jiān)督學習，只不過監(jiān)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(xiàn)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(jiān)督數(shù)據(jù)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(xiàn)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(xiàn)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(xiàn)，但可能不是用我們現(xiàn)在這種方式。

為什么呢？現(xiàn)在的方式是我們準備很多數(shù)據(jù)，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(xiàn)在的物聯(lián)網(wǎng)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?，F(xiàn)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(lǐng)域

澎湃新聞：從學術(shù)到產(chǎn)業(yè)，你對現(xiàn)在國內(nèi)的人工智能生態(tài)有哪些宏觀的觀察？

楊強：首先，我覺得國內(nèi)在人才培養(yǎng)上出現(xiàn)了非?？上驳木置?，好多大學在建人工智能學院、人工智能專業(yè)。五年之后會涌現(xiàn)一大批人工智能從業(yè)者，可能會出現(xiàn)良莠不齊的情況，但沒關(guān)系，里面肯定會出現(xiàn)一些精英。其次，國內(nèi)人工智能產(chǎn)業(yè)發(fā)展也比較興旺，許多公司設(shè)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(lǐng)域，國內(nèi)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(nèi)一般就把機器學習等同于人工智能。另外，國內(nèi)研究神經(jīng)學和人工智能結(jié)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(qū)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(xiàn)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(shù)據(jù)資源不夠?，F(xiàn)在計算資源和數(shù)據(jù)資源都有了，但案例制造還不夠。

比如說，現(xiàn)在計算機視覺主要還是用在政府安防等領(lǐng)域。其實產(chǎn)業(yè)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(chǎn)業(yè)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(xiàn)在努力做不同的事情的，也許會有新的驚喜。

來源：澎湃新聞