最后，杨教授提出，强大的计算能力是人工智能技术在各领域成功应用的硬实力。在计算能力方面，我们有云计算、并行计算、GPU，这都为人工智能的发展奠定了坚实的基础。

　　人工智能已经取得的成就——强化学习与迁移学习

　　此外，杨教授提到，人工智能已经在机器学习领域已经取得了突出的成就，特别是在深度学习方面，此外，还特别强调了强化学习与迁移学习的应用前景。

　　强化学习

　　杨教授讲到，atv直播，强化学习的优点在于它不仅能够学习人的行为，而且能够更好地使用延迟反馈功能。以Google DeepMind采用的强化学习流程为例，我们可以将这个流程图理解为一个计算机内部的表达形式，一个矢量，这个矢量与我们得到的反馈信息相结合，将有助于改进我们采用的策略。流程图中的策略，简单来讲，就是我们平常的行为规划，工作规划，就好比游戏中的一个动作就对应一个策略，这个策略再返回来，产生一个新的界面，如此我们便能够进行持续学习。在这个循环过程中，我们只有到最后才能够获得反馈，称之为延迟的反馈。就好比我们投资一只股票，过了很长时间才知道收益如何。

　　但是，这个循环暴露出强化学习的一个局限性：人们永远无法准确定义这个策略里的空间，我们称之为“状态空间”，即强化学习的结果具有不可预测性。说到这里，杨教授以Google DeepMind的第二个目标——端到端的深度学习为例。当该有的状态预先在学习器内表达好后，就形成了一种从输入端到输出端的端到端的深度学习模型，经过几百次的训练学习后，机器将能够学会如何更好地玩一个游戏。

　　以下各个图对应不同游戏的学习效果。图中横轴表示随着游戏轮数越来越多，机器的自学习效果不断提升，直至达到上限。

　　迁移学习

　　迁移学习是深度学习与强化学习的结合体，能够将适用于大数据的模型迁移到小数据上，实现个性化迁移，这样一来能够避免数据寡头的出现。

　　杨教授提出一点：

　　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。

　　运用迁移学习把在一个数据领域已经建立的非常好的模型，应用到另一个领域，这样既节省了资源，又能够节省时间，效果又好。

　　杨教授谈到，我们人很自然就具备这种举一反三的迁移能力，比如我们学会骑自行车后，学骑摩托车就很简单了；会打羽毛球，再学打网球也就没那么难了。

　　在演讲中，杨教授总结了迁移学习的四种实现方式，每一种方式都很直观。

　　第一种为样本迁移，就是在数据集（源领域）中找到与目标领域相似的数据，把这个数据放大多倍，与目标领域的数据进行匹配。样本迁移的特点是：1）需要对不同例子加权；2）需要用数据进行训练。

　　第二种为特征迁移，就是通过观察源领域图像与目标域图像之间的共同特征，然后利用观察所得的共同特征在不同层级的特征间进行自动迁移。

　　第三种为模型迁移，其原理时利用上千万的图象训练一个图象识别的系统，当我们遇到一个新的图象领域，就不用再去找几千万个图象来训练了，可以原来的图像识别系统迁移到新的领域，所以在新的领域只用几万张图片同样能够获取相同的效果。模型迁移的一个好处是我们可以区分，就是可以和深度学习结合起来，我们可以区分不同层次可迁移的度，相似度比较高的那些层次他们被迁移的可能性就大一些。

　　第四种为关系迁移，比如社会网络，社交网络之间的迁移。