香港科技大学杨强教授专访：有场景的人工智能如何做到极致 | GAIR 2017

正文

请到「今天看啥」查看全文

时隔一年，杨强教授在人工智能领域又有了哪些全新的思考？为此，杨强教授近期与雷锋网 AI 科技评论进行了交流。

回忆起去年的 CCF-GAIR 大会，杨强教授表示印象最深的一点在于与会者人数很多，且交流的热情非常高涨。据组委会统计，CCF-GAIR 2016 共邀请了 8 位顶尖学术院士、25 家前沿创新企业、100 位技术创新领袖参与，并吸引超过 1200 位行业精英到现场交流，是一场融合了产业界与学术界的盛会。「工业界可能更加关心落地的需求，而学术界会更关注展望与前景方面的内容。」杨强教授认为，工业界与学术界能拥有这样一个平台进行观点的碰撞，实际上是挺有意义的一件事情。

作为 IEEE、AAAI Fellow、人工智能和数据挖掘专家，杨强教授在去年大会的演讲令人印象深刻，他提及人工智能成功必要条件包括清晰的商业模式，高质量的大数据，清晰的问题定义和领域边界，擅长应用和算法、懂人工智能的跨界人才，以及计算能力等五个条件。

此外，他也强调了迁移学习在未来的重要性。迁移学习，顾名思义是将深度学习与强化学习叠加的一个结果，算法模型能够将已有的一个模型迁移到一个新的领域。

值得玩味的一点在于，目前学界的一大研究趋势是「小数据」，即通过更少的数据训练模型，这也与杨强教授所提倡的「迁移学习」特性相符。但杨强教授同样也强调了大数据在商业化的重要作用，那么二者是否代表着学界与产业界的两种研究路径？

杨强教授在去年 CCF-GAIR 上表示，「大数据设计出来的模型用于小数据上，它的副产品就是个性化。这就是迁移学习的目的。」而在与雷锋网 AI 科技评论交流时，杨强教授认为这二者并不相悖，而是一种研究的分工：「从学界落地到产业界需要经历一个时间差，当前凡是成功的案例都依赖大数据，如 AlphaGo、智能推荐系统、图像识别及无人车等；而目前小数据的应用场景尚不成熟，学术界现在也需要将重点放在小数据的探索上。」

请到「今天看啥」查看全文