机器之心整理发布
编辑：虞喵喵、蒋思源
第四范式联合创始人、首席研究科学家陈雨强是世界级深度学习、迁移学习专家，曾在NIPS、AAAI、ACL、SIGKDD等顶会上发表论文，并获APWebBestPaperAward，KDDCup名列前三，其学术工作在年作被全球著名科技杂志MITTechnologyReview报道。
陈雨强也是机器学习工业应用全球领军人物，在百度凤巢任职期间主持了世界首个商用深度学习系统、在今日头条期间主持了全新的信息流推荐与广告系统的设计实现。陈雨强目前担任第四范式首席研究科学家，第四范式在人工智能领域科研技术领先，刚刚揭晓的「第六届吴文俊人工智能科学技术奖」，第四范式荣获一等奖，该奖项代表国内最高科研实力。
此前，陈雨强在机器之心精品线下活动中，给业内人士分享了其对于机器学习在工业应用中的新思考。以下为活动现场的速记整理。
我是来自第四范式的陈雨强，负责人工智能算法研究、开发等相关工作。就我此前在工业界的经历，今天跟大家分享的是——「机器学习在工业应用中的新思考」。
正在改变的公司和行业
人工智能在工业界越来越火，过去五年火热程度以指数的方式上升。不管是在公司内部，还是在公司之间、行业之间，人工智能正在变成一个炙手可热的名词。从公开资料上可以看到，Google和Facebook在年时，只有搜索和推荐等几个少数核心项目使用了机器学习。随着时间推移，到年第二季度，Google已经有超过个项目和产品正在使用深度学习。同时也有报道称，Facebook已经有超过17个大团队、超过25%的工程师正在使用机器学习。也就是说，在互联网行业巨头里、公司内，机器学习的影响力正在从少数几个产品迅速扩展到更多的场景。另外，我们发现一个很有意思的现象，就是AI慢慢扩展到全行业的影响，当前的趋势正在从之前的「互联网+」或者「移动+」，慢慢转向为「AI+」。比如滴滴是「互联网+打车」，美团是「互联网+O2O」，很多公司之前做的是「怎么用互联网改变传统行业」。但是现在，他们纷纷转向「如何用积累下来的数据提供更多的价值」。还有一些公司，从创立初始就是「AI+」，比如今日头条是「AI+新闻」、大疆是「AI+无人机/机器人」。我们可以看到，AI正在慢慢渗透到并且改变所有的行业。
在跟大家分享之前，介绍一下我的个人经历。AI大潮的热度从年初开始呈指数上升，我非常幸运地赶上了这个大潮。我在学校时主要做人工智能和机器学习的相关研究，具体包括迁移学习等，也在AAAI、NIPS、SIGKDD等会议上有论文发表。
毕业之后我去了百度，所在的部门负责百度的搜索广告系统——凤巢系统。这个阶段面对的是解决一个公司的一个问题，即「如何提升搜索广告的点击率」这个问题。当时我做的事情比较偏纯技术，即怎么让深度学习应用到大规模的机器学习中。我们有上千亿个特征，怎样设计一个模型应用深度学习。我们当时上线了世界上第一个使用深度学习的商用系统。
从百度离职之后我去了今日头条。在头条时面对的产品线更多了，除了主信息流推荐以外，小频道推荐、视频推荐，包括信息流广告、评论排序等等，有非常非常多的应用方向。所以在今日头条，我面对的是一个公司内很多很多的业务与问题。对当时的头条来说，时效性是非常重要的。除了在技术上设计一个追求极致的时效性以及极致的性能与规模的机器学习系统之外，我还做了一件很重要的事情，是设计了很多机制，让这些人工智能技术能用在头条的各个产品线之中。举个例子，人工智能或者机器学习的算法其实是一个发动机引擎，机制是传动的齿轮，怎样把引擎的动力以最有效的方式传动到各个部件，这是机制所做的事情。所以除了需要关心技术之外，还要关心产品与机制创新。
从今日头条离开后来到第四范式，我们面对的业务、行业会更多。金融、电信、互联网，各种各样的行业，包含营销、获客、风控、推荐、排序等各种各样的问题。在第四范式我面对的，是各行各业不同场景的不同问题。
可以看到，我的经历是从解决一个公司的一个问题，到解决一个公司的很多问题，到解决各行各业的各种问题。这些经历给了我很多思考，比方说如何做一个追求极致的人工智能系统？如何在一个公司内让更多的产品使用人工智能？如何让更多的行业使用人工智能？在人工智能在公司内与行业间爆发的现在，这个是我想分享给大家的。
人工智能成功必要的五个必要条件
为什么人工智能在最近的一段时间非常火？为什么人工智能在20年前、10年前没有这么火？为什么AlphaGo能在今年打败李世石而不是更早？我们直观的会认为是因为算法创新。但是算法创新只是其中一点，国内外很多专家分析总结出了人工智能成功的五个必要条件，这里跟大家分享一下：
第一，边界清晰。问题需要定义得非常清晰，比如AlphaGo做的是围棋，围棋是在19×19的棋盘上，黑白两方轮流下子的问题，有吃有打劫。如果变成一个开放的问题，变成20×20的棋盘，变成黑白灰三方下棋，或者把打劫规则变一下，都会导致人工智能的失败。
第二，外部反馈。算法要不断的有外部输入，知道我们在什么样的情况、算法做出什么样的行为下，外部给出的反馈是什么，这样才能促进提高，比方说需要AlphaGo不断地进行对弈，并且告诉它对弈的输赢。
第三，计算资源。近些年算法虽然有很大的进步，但计算资源也是产生智能的关键。最近业界在分布式计算上的成功，让我们相对于几十年前有了飞跃的基础。举个非常有趣的例子，Google在描述AlphaGo不同版本的时候，为了简洁明了，直接使用计算能力来分类，而不是使用算法来分类。简版的AlphaGo被称作「单机训练的AlphaGo」，复杂、更高智能的AlphaGo称为「多机、并行训练的AlphaGo」，从这里也可以看出，计算资源起着至关重要的作用。
第四，顶尖的数据科学家和人工智能科学家。增强学习、深度学习最近重新被提出，需要很多科学家大量的工作，才能让这些算法真正的推行，除了围棋、视觉、语音之外，还有非常多的领域等待被探索。
第五，大数据。AlphaGo的成功，关键的一点是KGS棋社的流行，KGS上有数十万盘高手对战的棋谱，没有这些数据AlphaGo绝对不可能这么短的时间内打败人类。
这些要素总结起来只有三点：一方面是技术，计算资源和大数据方面的支持；一方面是业务，边界要清晰，业务有反馈；另一方面是人，包括科学家，包括应用到场景需要和人打交道。所以如果一个AI要成功的话总结起来三点，要
转载请注明：http://www.baoshijiec.com/ylyz/6119.html
