杨强教授：从机器学习到迁移学习

　　杨强教授认为，DeepMind把端到端的深度学习应用在强化学习上，使得强化学习能够应付大数据，因此能在围棋上把人类完全击倒，它做到这样是通过完全的自学习、自我修炼、自我改正，然后一个一个迭代。杨强还指出，搜索和学习的结合才是人工智能的发展方向。我们不能完全依靠机器去全部自动化自我学习，机器学习的弊端是自我偏差，目前仍需要人为干预。未来，迁移学习会是这个问题的解决途径。迁移学习还能让人工智能得以摆脱对大数据的严重依赖，从而让人工智能不再只是“富人的游戏”。

　　“2016全球人工智能技术大会（GAITC）暨人工智能60年纪念活动启动仪式”4月22日在北京国家会议中心举行，杨强教授受邀发表主旨演讲，他的演讲题目是《 自学习的人工智能》。经过主办方中国人工智能学会和杨强教授的授权，新智元带来了杨强教授此次演讲的全文实录和ppt，干货满满，推荐收藏。

　　首先大家都知道，在60周年之际，我们首先应该记住的是这位人工智能的先驱——图灵。在他的问题的感召下，我们才有了今天这样的一个盛会和今天人工智能的飞速发展。他的问题“机器可以思维吗？”可以从不同的维度来解释，那么首先人类对人工智能的探索也可以围绕对［这个］问题的不同解释展开。

　　　　第一个探索，应该说是在逻辑层面的探索。［20世纪］60年代，人工智能的这些先驱就考虑用逻辑和搜索来研究人工智能，比如下棋、推理、去做路径规划等等。他们有一个很强的假设，这个假设从某种程度上来说是非常直观的：智能包括计算机可能赋予的智能，来自于计算物理符号的排列组合。我们只要能很聪明地把这些物理符号排列组合，人类是可以从一系列的零和一的组合来得到［智能的］。［但是］有了一些成就之后，［我们］也发现这样的假设是有瓶颈的。

　　在之后又有一部分人着力于研究能够有学习功能的人工智能，就有不同的机器学习算法被研究出来。其中包括大家都熟悉的神经网络。

　　人工智能的几个里程碑我们现在也很熟悉，第一个大家公认的是里程碑是深蓝，这个比赛意味着几件事：一个是说在大规模的搜索状态下，在可能的状态空间的搜索实际上是一个在物理符号空间的排列组合。

　　也就是说，［20世纪］60年代人们的那些假设有一部分是正确的，我们确实可以从这种搜索和物理符号的排列组合获得很多的智能。

　　紧接着的阶段是，知识就是力量，这是随着互联网和大数据到来的一个热潮，从网上，从不同的媒体我们会获得很多数据，把这些数据经过沉淀变成知识，我们就可以赢得像这样一个电视大赛中的人机对战。