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，atv，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。

由中国计算机学会（CCF）主办、雷锋网与香港中文大学（深圳）全程承办的 AI 盛会 --「全球人工智能与机器人峰会」（CCF-GAIR），将于 7.7-7.9 日在深圳召开。

CCF-GAIR 为国内外学术、业界专家提供一个广阔交流的平台，既在宏观上把握全球人工智能趋势脉搏，也深入探讨人工智能在每一个垂直领域的应用实践细节。

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。

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。

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。」

而在迁移学习领域，杨强教授表示目前人在知识迁移领域可以做得比较自然，研究者也一直在模仿人做知识迁移的工作。但现在，机器在知识迁移的规律上可能有着截然不同的逻辑，因此研究者也开始尝试几种不同的做法。

第一种尝试是将结构与内容进行剥离，前者的迁移相比起后者要容易一些。

第二种则是通过深度学习来达到迁移的效果。以往深度学习在分层时，研究者可能只是笼统地觉得，不同的层可能具备不一样的迁移能力，但目前研究者们开始关注迁移能力的定量化。

第三种方法则是采用模拟的方法产生数据，这种方法以 GANs 为代表，通过设计一个模拟器产生数据，再用另一个判别器识别生成数据是否有效。「这样一来可以生成很多新的数据来解决小数据的问题。」

算法的设计与性能的提升只是一部分，更重要的问题是商业化落地的可能性。杨强教授在去年 CCF-GAIR 大会上提及，金融领域是他最看好的 AI 应用方向。

为什么是金融领域？杨强教授告诉雷锋网 AI 科技评论，主要有三个原因。首先是数据方面。因为金融因为有监管的要求，所有数据需要进行报备，反而使得经营的数据特别全。其次是金融领域的竞争比较直接，如果比竞争对手快一秒，atv，或是正确率多 1%，可能市场份额就会发生根本性的改变。第三点在于金融领域的链条比较短，没有实体经济的「摩擦力」。「从得到反馈到系统更新的整个过程链条非常短，因此做端到端的机器学习相对容易些。」

而回顾过去一年的变化，杨强教授也惊喜地发现，场景式的人工智能已经找到了属于自己的位置，并且开始发挥它的作用。以亚马逊为代表，Echo 获得了巨大的成功，已经成为智能家居的重要入口，能让人在安静的家庭环境下表达自己的意愿。「去年大家可能还在宣扬通用型的人工智能，此外 AI 威胁论也比较盛行。但我觉得到了今年，大家在这一方面开始认识得比较清楚了。因为有很多公司的产品现在开始碰壁，有好些普遍认为人工智能积累比较深厚的公司，现在所拿出来的成果也比较有限。」