在这个系统中，我们是把整个对话系统放置在一个机器人里面，让机器人通过语音的方式与用户对答，实际上，这个系统可以在手机上与人进行交流。杨教授的研究团队将“魔镜系统”与大家熟悉的一些对话系统作对比，下图中，绿色代表用户的问题，黄色是小冰的回答，可以看到相比之下，小冰的回答多富有调侃性，准确度很低，而之前“魔镜系统”的回答更容易满足用户的需求。此外，我们还可以看到siri（灰色）的回答很多都是“抱歉没有找到匹配”，因为siri是基于搜索的对话系统。

　　杨教授表示，他们之所以对这种对话系统进行研究，归根到底是对背后的系统感兴趣，即我们在刚开始讲到的——人工智能成功的五个必备条件。在对该对话系统背后的原理进行剖析，可以发现，其研究团队具有很明确的目标，有很好的反馈，有不断到来的数据，有跨界人才，此外，和O2O公司有联络。

　　谈及清晰的问题定义与领域边界这个必要条件，杨教授表示，我们不一定像在下围棋一样，要确定明确的边界，在这里我们可以考虑说当我们现在的谈话进行到这里时，到底离我们的目标还有多远，这就好像在下棋里面一样，我们对当前的盘面有一个估算，同时我们可以接着往下问不同的问题，就像我们下面要下的棋子一样，所以对话系统的问题定义与领域边界问题实质上与Alphago的思维很相像。

　　杨教授讲到，同深度学习、强化学习及迁移学习一样，这个三层结构算法模型也具有通用性。比如杨教授的学生就把这种模型应用到大家公认的很难的领域中——预测股市走势。下图所示为A股里面的某个股票，用过去十年的数据训练该模型。首先，运用数据之间的连接，产生不同的状态，让各个状态之间能够互相迁移。其次，不同状态之间将发生变化，我们运用用一个强化学习器模拟这种变化。最后。我们发现深度学习的隐含层里面会自动产生几百个状态，基本就能够对这十年来的经济状况做出一个很完善的总结。所以，运用这种三层结构算法模型可以很好地对股市走势作出预测，对此，我们也做了一些相关测试。

　　杨教授表示，这个例子只是在金融领域的一个小小的试验。不过，一旦我们对一个领域有了透彻的了解，并掌握更多的高质量数据，就可以将人工智能技术迁移到这个领域来，在应用过程中对所遇到的问题作清晰的定义，最终能够实现通用型人工智能的目的。

　　总结

　　在演讲接近尾声时，杨教授对所讲的内容做出总结：通过同大家分享谷歌DeepMind的应用实例，讲解强化迁移学习和三层结构算法模型，及个性化学习，最终我们都要回归到人工智能成功的五个必要条件——清晰的商业模式（明确的目标）、高质量的大数据、清晰的问题定义和领域边界、懂人工智能的跨界人才及计算能力，这五个条件相互影响，缺一不可，是人工智能技术长足发展的动力机。

　　2016 GAIR峰会链接