来源：第四范式（ID：nextparadigm）
作为华人界首个国际人工智能协会AAAI Fellow、至今为止唯一的AAAI 华人执委，以及IEEE Fellow、AAAS Fellow、IAPR Fellow，杨强教授在专注学术研究的同时，也更关注如何让人工智能技术落地转化为生产力的问题。
作为第四范式首席科学家、范式大学的导师，杨强教授近日在第四范式公司内部进行了一场主题为“人工智能的下一个三年”的培训，深入浅出地分享了自己在人工智能产业推广上的经验，并预判了人工智能即将爆发的技术风口与商业风口。此前，杨强教授与第四范式曾提出人工智能的五个必要条件，为人工智能行业提供了权威的准入标准。
以下内容根据杨强教授主题演讲编写，略微有所删减。
一、AlphaGo为我们带来了什么
大家记得在2016年3月，AlphaGo横空出世对战李世乭，这对于人工智能的社会影响非常大。这里，我们问一下：AlphaGo到底为我们带来了什么？
在AlphaGo的搜索中，Deepmind团队引入了一个新概念——即用深度学习和强化学习的结合来做两种任务的判别，即来
判别
现在所在的棋盘是好是坏，同时来
预测
未来有利的走向。
讲到这里大家应该能看出AlphaGo的算法和未来商业模式的关联，即：通过对大数据的分析，让我们对“现在状态”有了一个靠谱的理解；
这个状态可以是棋盘、可以是足球运动中两队交锋的状态，也可以是当前营销的一个状态。同时，下围棋中的一步，可以理解成对未来走向的预判，在商业活动中，这可以是营销活动中的下一步。这里很重要的一点，是区分我们商业行为中的两个任务，即对现实的判断和对商业未来走向的预估。这两个任务同样重要，也同样都需要大数据的支持。 因为围棋是一个封闭式的游戏（即没有外界因素的干扰），为了得到更多的数据，AlphaGo也引入了自我博弈。
所谓自我博弈就是自己玩游戏，你会得到不断的反馈，然后来更新自己的策略
，
经过无数次这样的比赛，最后会得到一个好的策略，你的最终输出是一个行为的策略。所以AlphaGo 也告诉我们，在一个封闭场景中，可以用自我博弈的模拟方法得到更多的数据。
1. 从AlphaGo到人工智能的应用流程
我们如果沿着下围棋的步骤走，就要面对这些问题：你的人工智能算法的目标是什么？有没有数据？数据在哪里？问题的边界是否清晰？什么叫合理的走法、什么叫犯规的走法？你的特征在哪里？又如何得到这些特征？是否可以得到一个持续的反馈？这样的一个流程是AlphaGo设计团队所走过的路。不妨把这些步骤记下来，变成一个workflow，看看其他的领域是不是可以重复AlphaGo的成功。 比如，如果用AlphaGo治疗癌症，如何治疗呢？治疗癌症一般是用放射性来杀掉癌细胞，而每一个癌症患者需要的剂量、角度、频次可能都不一样，如果能把所有的这些信息都记录下来，再记录治疗结果，因为结果不是马上就知道的，而是经过一段时间才知道，这样就有了数据、有了特征、有了问题持续的反馈，并且有了非常清楚的目标，即在副作用最小的情况下杀死癌细胞。并且这个workflow是可以重复的。
2. AI的发展历史还有前30年，这些年的积累也很有用
刚刚我们说了AlphaGo的一路历程，
但我们对人工智能的理解不应该片面地认为人工智能就是机器学习。
人工智能的发展历史还有前30年，前30年是从50年代中一直发展到80年代中。这30年AI是在干什么呢？是在做人工输入的规则型的知识表达研究，以及基于这些规则的符号空间的推理和搜索。我认为，这个人工规则型的知识表达在AI的应用当中也是必不可少的，因为在众多领域当中还会碰到冷启动的问题，以及如何规范一个领域的边界的问题。这就是说，逻辑推理，逻辑知识表达，以及在符号空间的搜索的人工智能这个分支，在今后几年会和统计学习相结合，会大有发展。 这种发展会也涉及技术和商业两个层面。
二、AI的技术风口在哪？
我们大家会关心的一个问题， 是人工智能的技术在哪些方向可能会有大的突破。
1. 深度学习
首先，是深度学习会继续发展。这里的发展不仅是在层次的增加，还包括深度学习的可解释性、以及对深度学习所获的的结论的自我因果表达。
例如，如何把非结构化的数据作为原始数据，训练出一个统计模型，再把这个模型变成某种知识的表达——这是一种表示学习。这种技术对于非结构化数据，尤其对于自然语言里面的知识学习，是很有帮助的。另外，深度学习模型的结构设计是深度学习的一个难点。这些结构在今天都是非常需要由人来设计的。还有一个研究问题是如何让逻辑推理和深度学习一起工作，这样也可以增加深度学习的可解释性。比如，建立一个贝叶斯模型需要有很多的设计者的经验，到现在为止，基本上是由人来设定的。如果我们能从深度学习的学习过程中衍生出一个贝叶斯模型，那么，学习、解释和推理就可以统一起来了。
2. 迁移学习
迁移学习也是我和戴文渊（第四范式创始人、首席执行官）一直在做的工作。给定一个深度学习的网络，比如一个encoder网络和一个decoder网络，我们可以看它学习和迁移的过程，作为新的数据来训练另外一个可解释的模型，也可以作为一个新的迁移学习算法的输出。即一个学生A在观察另外一个学生B学习，A的目的是学习B的学习方法，B就不断地在学新的领域，每换一个领域就为A提供一个新的数据样本，A利用这些新的样本就能学会在领域之间做迁移。所以这种过程叫做观察网络。有了这种一边学习、一边学习学习方法的算法，就可以在机器学习的过程中，学会迁移的方法。
3. 自然语言的表示学习与机器阅读
表示学习是当数据和任务没有直接相关时也可以学，一个重要的例子叫做self-taught learning，即我们通过很多supervise的数据、图像，可以学出一种最好的表达。用这个表达加上任务，就可以很快地学会这种知识表示。这时非结构化的数据就相当有用了。比如，给出一段话让机器去阅读，机器学习可以自动地发现一些值得关注的点。比如，给定一个文章中的实体和一个未知变量有这样的关系，然后用户可以问你这个未知变量是什么。能够达到这样的效果是因为深度模型已经具有了一种关注，这种关注是可以通过观众的学习（Attention）来表达。
其结果就好像我们一目了然地看了一本书，我们会把关键词和它们的关系抓取出来
。这实际上是利用类似人的一种直觉来进行学习。
4. 人机对话系统
应该说有一个领域已经发展到了临界点，就是人机对话系统领域。
