繼人工智能技術(shù)正式入駐商用市場(chǎng)以來，“深度學(xué)習(xí)”就被廣大媒體和企業(yè)標(biāo)榜為AI研究領(lǐng)域的核心。特別是近年來深度學(xué)習(xí)技術(shù)在圖像及語(yǔ)音的分類和識(shí)別、物體檢測(cè)以及軌跡預(yù)測(cè)和規(guī)劃等諸多計(jì)算機(jī)語(yǔ)音及視覺任務(wù)上均取得了巨大的成功，引領(lǐng)各大應(yīng)用領(lǐng)域走向“AI+”熱潮。但隨著應(yīng)用的逐漸深化，“深度學(xué)習(xí)”技術(shù)也逐漸暴露出根本性的問題---由于對(duì)數(shù)據(jù)規(guī)模的強(qiáng)烈依賴性，再加上缺乏反饋機(jī)制，“深度學(xué)習(xí)”難以適應(yīng)數(shù)據(jù)量較小的環(huán)境，無(wú)法在更多的細(xì)分領(lǐng)域得到進(jìn)一步應(yīng)用和拓展。除此之外，無(wú)論現(xiàn)在還是將來，龐大的數(shù)據(jù)量也只有少數(shù)的政府機(jī)關(guān)和大型企業(yè)集團(tuán)才能真正接觸到，對(duì)于中小型企業(yè)而言，基于“深度學(xué)習(xí)”的人工智能技術(shù)好似“天方夜譚”，而AI技術(shù)的推廣普及就更顯得“虛無(wú)縹緲”。

  作為人工智能領(lǐng)域的下一個(gè)“弄潮兒”，基于“遷移學(xué)習(xí)”的AI技術(shù)也逐步浮出水面。正如香港科技大學(xué)計(jì)算機(jī)與工程系主任楊強(qiáng)教授所言，如果說“深度學(xué)習(xí)”是人工智能技術(shù)的今天，那么“遷移學(xué)習(xí)”必將是“明天”，“遷移學(xué)習(xí)”的出現(xiàn)，讓人工智能從此擺脫龐大數(shù)據(jù)量的困擾，在小數(shù)據(jù)集的環(huán)境下“舉一反三”，真正令A(yù)I變得“靈活”起來，這對(duì)于AI技術(shù)的更進(jìn)一步發(fā)展及推廣應(yīng)用都是大有裨益的。

  “深度學(xué)習(xí)”進(jìn)退維谷 人工智能何去何從?

  毋庸置疑，深度學(xué)習(xí)對(duì)于目前智能設(shè)備上普遍使用的圖像識(shí)別、語(yǔ)音識(shí)別等功能來說可謂是絕佳的解決方案，但如果轉(zhuǎn)向其他領(lǐng)域，深度學(xué)習(xí)并不一定適用。這主要?dú)w因于深度學(xué)習(xí)的算法模型對(duì)數(shù)據(jù)訓(xùn)練時(shí)間上存在的延遲反饋問題，例如在機(jī)器人的應(yīng)用方面，谷歌的AlphaGo在下圍棋時(shí)，建立的深度學(xué)習(xí)模型需要循環(huán)的訓(xùn)練，通過不斷的獲取越來越大的訓(xùn)練數(shù)據(jù)集后，才能夠再度進(jìn)行深度學(xué)習(xí)模型VC維度的提高，從而對(duì)下一個(gè)行動(dòng)作出正確的反饋。除此之外，在某些應(yīng)用領(lǐng)域，深度網(wǎng)絡(luò)不僅在訓(xùn)練上而且在線上也都需要部署GPU進(jìn)行支持，如GooLeNet CPU的單張圖片識(shí)別及處理就需要耗費(fèi)Intel E5620 5s的時(shí)間，而且使用NVIDIA GeForce GTX970也需要160ms，因此在很多應(yīng)用場(chǎng)景下我們所得到的反饋都是延遲的，而這種延遲反饋是深度學(xué)習(xí)所不能解決的。目前許多應(yīng)用領(lǐng)域都對(duì)系統(tǒng)的延時(shí)有相當(dāng)高的要求，就比如我們比較熟悉的無(wú)人機(jī)圖傳系統(tǒng)模塊，對(duì)于延時(shí)的要求就必須要低于50ms以內(nèi)，才能達(dá)到穩(wěn)定的圖像傳輸，可見延時(shí)反饋對(duì)于AI技術(shù)的進(jìn)一步落地構(gòu)成了很大的障礙。

  除了缺乏反饋機(jī)制之外，對(duì)于“大數(shù)據(jù)”的依賴性也成為該技術(shù)持續(xù)發(fā)展過程當(dāng)中的一大“掣肘”。雖然目前的深度學(xué)習(xí)在語(yǔ)音識(shí)別和圖像識(shí)別領(lǐng)域取得了突破性的進(jìn)步，但如果把深度學(xué)習(xí)用于絕大多數(shù)的其他領(lǐng)域，比如說無(wú)人自動(dòng)駕駛、實(shí)體機(jī)器人(比如無(wú)人機(jī))等，就會(huì)面臨一個(gè)來自于真實(shí)世界的非常大的挑戰(zhàn)，那就是可訓(xùn)練的數(shù)據(jù)量嚴(yán)重不足。

  就以目前大熱的無(wú)人駕駛技術(shù)為例，最大挑戰(zhàn)在于要開發(fā)出在交通事故的預(yù)判和預(yù)防上遠(yuǎn)超人類駕駛員的AI系統(tǒng)軟件。如果使用現(xiàn)有的深度學(xué)習(xí)去實(shí)現(xiàn)這一點(diǎn)，那就需要大量的事故數(shù)據(jù)，但這方面的數(shù)據(jù)供給非常有限，而采集數(shù)據(jù)的難度又很大。首先，沒有人能夠準(zhǔn)確預(yù)測(cè)何時(shí)何地會(huì)發(fā)生何種事故，因此無(wú)法系統(tǒng)地提前做部署以采集真實(shí)事故數(shù)據(jù);其次，從法律上來說我們不能靠人為制造事故來采集數(shù)據(jù);第三，也無(wú)法模擬真實(shí)數(shù)據(jù)，因?yàn)槭鹿矢嗌婕皩?shí)時(shí)的傳感以及與物理世界的互動(dòng)，模擬出來的數(shù)據(jù)與真實(shí)數(shù)據(jù)差距很大，這從DARPA機(jī)器人的挑戰(zhàn)賽當(dāng)中就能看出來;最后，像谷歌的AlphaGo那樣，在規(guī)則定義明確的簡(jiǎn)單環(huán)境下自行創(chuàng)造大量訓(xùn)練數(shù)據(jù)的方式，在復(fù)雜而真實(shí)的環(huán)境中更加難以發(fā)揮作用。

  如果遇到數(shù)據(jù)量不足的情況，同時(shí)又很難通過之前那些行之有效的方式去增加數(shù)據(jù)供給，那就無(wú)法真正發(fā)揮出人工智能的優(yōu)勢(shì)。而更重要的是，我們還會(huì)遇到數(shù)據(jù)類型不一樣的問題，物理世界中是通過不同傳感器來獲取實(shí)時(shí)的數(shù)據(jù)流，而現(xiàn)在深度學(xué)習(xí)在信息世界中的應(yīng)用，比如說圖像識(shí)別，使用的數(shù)據(jù)都是基于圖片的數(shù)據(jù)點(diǎn)，而非數(shù)據(jù)流。由此可見，深度學(xué)習(xí)雖然已在某些領(lǐng)域獲得了成功，但如果要延伸到真實(shí)物理世界更多的應(yīng)用領(lǐng)域，已經(jīng)越來越難。

  突破限制：“遷移學(xué)習(xí)”成就AI的“明天”

  作為人工智能技術(shù)的“明天”，“遷移學(xué)習(xí)”已日漸嶄露頭角。它具體是指將通過某個(gè)領(lǐng)域大數(shù)據(jù)學(xué)習(xí)、訓(xùn)練好之后的模型，應(yīng)用到與之相關(guān)聯(lián)的新領(lǐng)域，以做到在新領(lǐng)域中，只需一部分?jǐn)?shù)據(jù)或相對(duì)較小數(shù)據(jù)量就能實(shí)現(xiàn)機(jī)器學(xué)習(xí)，打破了人工智能長(zhǎng)期以來需要大量數(shù)據(jù)集作為支撐的限制。“遷移學(xué)習(xí)”被國(guó)際人工智能領(lǐng)域公認(rèn)為是繼深度學(xué)習(xí)之后，下一個(gè)為人工智能帶來突破的技術(shù)，此前，DeepMind創(chuàng)始人Demis Hassabis在《經(jīng)濟(jì)學(xué)人》上也公開表示Google正在探索遷移學(xué)習(xí)技術(shù)、斯坦福研究者也在利用遷移學(xué)習(xí)來幫助判斷非洲各地區(qū)的貧困程度。

  而就在本月17日剛舉辦的“2016中國(guó)人工智能產(chǎn)業(yè)大會(huì)”上，原百度Top10專家，國(guó)際“遷移學(xué)習(xí)”領(lǐng)域大牛戴文淵就表示：“遷移學(xué)習(xí)，讓機(jī)器不再‘就事論事'，而是擁有了人類‘舉一反三’的能力，并可以基于此去預(yù)測(cè)、概述未來發(fā)生的事情，克服了深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)強(qiáng)烈依賴數(shù)據(jù)量才能運(yùn)轉(zhuǎn)的特性，，而且遷移學(xué)習(xí)所能夠提供的快速反饋機(jī)制也是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)所不具備的優(yōu)勢(shì)，由于對(duì)數(shù)據(jù)集的規(guī)模需求更小，因此也能夠提供相比深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)更為快速的反饋，從而令A(yù)I技術(shù)真正達(dá)到合乎時(shí)代潮流的應(yīng)用水平，同時(shí)也讓更多的中小型企業(yè)個(gè)體甚至是個(gè)人用戶能夠真正感觸到人工智能技術(shù)帶來的諸多便利。”

  而在超高“VC維”方面，遷移學(xué)習(xí)也開啟了一個(gè)全新的路徑，戴文淵表示，業(yè)內(nèi)在討論深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)的應(yīng)用效果時(shí)，“VC維”是最核心的衡量指標(biāo)。而繼深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)之后，“遷移學(xué)習(xí)”能夠在相對(duì)較小的數(shù)據(jù)集基礎(chǔ)上做出超高維度的人工智能，從而極大的拓展了機(jī)器學(xué)習(xí)在商業(yè)領(lǐng)域的應(yīng)用范圍。以圖像識(shí)別領(lǐng)域?yàn)槔鶕?jù)國(guó)際權(quán)威的ImageNet圖像分類大賽數(shù)據(jù)，隨著“VC維”從2010年的約30萬(wàn)上升到了2015年的大于1億，圖像分類錯(cuò)誤率降低了8倍，最終實(shí)現(xiàn)在識(shí)別正確率上機(jī)器比人類更高一籌。

  同時(shí)，遷移學(xué)習(xí)未來在手機(jī)領(lǐng)域的應(yīng)用也將會(huì)是一大看點(diǎn)，隨著手機(jī)智能化的程度越來越高，未來不排除會(huì)有真正的AI系統(tǒng)集成到手機(jī)設(shè)備上，成為真正的“AI手機(jī)”。它能夠?qū)崿F(xiàn)比如讓我們每個(gè)人自己的手機(jī)都能夠記住自己的一些使用習(xí)慣及個(gè)人的生活習(xí)慣，并根據(jù)這些習(xí)慣，通過采集不同生活場(chǎng)景中的小數(shù)據(jù)集，來對(duì)時(shí)間和事件進(jìn)行最優(yōu)化分配，同時(shí)也可以根據(jù)這些數(shù)據(jù)集來為我們推薦最優(yōu)化的解決方案，這樣就可以避免我們浪費(fèi)更多的時(shí)間和做出錯(cuò)誤的安排和決定，從而提高生活質(zhì)量和效率。那么，我們?cè)趺床拍茏屖謾C(jī)實(shí)現(xiàn)這一點(diǎn)呢?其實(shí)就可以通過遷移學(xué)習(xí)把一個(gè)通用的用戶使用手機(jī)的習(xí)慣集合成一個(gè)數(shù)據(jù)模型，再遷移并匹配到個(gè)性化的數(shù)據(jù)集上面，我想這種情況以后會(huì)越來越多，“遷移學(xué)習(xí)”也將成為手機(jī)AI領(lǐng)域應(yīng)用的一大新趨勢(shì)。

  綜上可得，人工智能技術(shù)的推廣和應(yīng)用落地離不開數(shù)量龐大的中小型企業(yè)和個(gè)人用戶，同時(shí)，基于“深度學(xué)習(xí)”的AI技術(shù)受限于龐大的“特權(quán)”數(shù)據(jù)，為新一代的AI技術(shù)的突破及發(fā)展讓步也是理所當(dāng)然。“遷移學(xué)習(xí)”的到來也是時(shí)代發(fā)展的主流趨勢(shì)，它改變了人工智能長(zhǎng)期以來對(duì)于“數(shù)據(jù)規(guī)模”強(qiáng)烈依賴的尷尬局面，讓AI真正成為一個(gè)能夠普惠于民的實(shí)用性技術(shù)，而不是高高在上，可望而不可即。