CCAI 2019｜李磊：机器学习在C端成功应用要满足三个条件

2019年中国人工智能大会（Chinese Congress on Artificial Intelligence 2019，简称“CCAI 2019”）将于在9月21日-22日在青岛胶州召开。字节跳动人工智能实验室（ByteDance AI Lab）总监李磊博士将出席大会，并担任人工智能创新应用论坛共同主席。

李磊曾任百度美国深度学习实验室“少帅科学家”，师从数据挖掘领域权威Christos Faloutsos教授，主要研究领域为深度学习、概率模型与推理、自然语言理解以及时间序列分析。他在国际顶级学术会议发表学术论文50余篇，拥有三项美国发明专利。

这是人工智能蓬勃发展的时代，那么李磊博士如何看待当前行业的发展状态？对于技术落地又有怎样的判断？我们整理了他的相关看法和洞见，一起来了解。

深度学习强在哪？

对于人工智能，李磊认同人工智能权威学者Stuart Russell 和Perter Norvig在其《人工智能-一种现代方法》一书中给出的两个定义。

一种叫类人工智能，一切方面都以人为参照，即让机器人像人一样具备学习能力和行动能力，可以思考和决策，可以解决问题。

另一种叫理性智能，它的目标不是将机器人与人类比，而是将计算看作自然现象，研究计算在智能领域能达到什么样的合理水平，以及如何开展工作。

李磊指出，人工智能的研究领域非常广泛，近年来渐渐为公众所熟知的机器学习只是其中之一。在一些具体问题上，人工智能已经达到甚至超越了人类的水平，比如人机对弈、图像识别甚至是机器人写稿。

李磊表示，人工智能的基础在于如何表示知识和推理。机器学习有各种不同的知识表示框架，而深度学习是其中的一种知识表示和运算推理的方法。深度神经网络，是由许多可做非线性运算的小单元连接起来，形成一个可以做复杂判断的模型。

除了深度学习以外，李磊将80年代初到现在，历史上其他比较成功的知识表示框架归纳为以下四类：

（1）概率图模型（Probabilistic Graphical Models）,它用概率表达物体和变量之间的关系， 刻画世界的不确定性；

（2）核方法（Kernel Method），它先通过比较、计算两个事物的相似度，再来做预测；

（3）稀疏表示，有意义的信号是少的，而大量无意义的噪声是低秩的，例如把商品的卖家关系表示为一个稀疏或低秩矩阵。

（4）树模型，通过树形或者规则森林来判断，更具可解释性。

这几类表示框架的根本数学方法有很大不同。以概率图模型为例，它是基于概率以及概率推理，加一点逻辑（命题逻辑或一阶逻辑）形成的模型；深度学习则是依靠将每个单元加在一起连成一个大系统，虽然这些单元看起来很简单，只能实现初级功能，可一旦系统化之后就能应对复杂的事情。这正是深度学习取得成功的关键所在。

强人工智能远未到来

不过李磊也表示，尽管人工智能在深度学习方面取得了很大成绩，但它自身同样存在局限性。

首先是通用性较差，距离通用智能还有遥远的距离。如前所述，当前人工智能在具体问题上可以达到甚至超越人类的水平，但要执行稍微复杂或通用的任务，就会遇到很多麻烦。

其次，深度学习目前最擅长的问题均为“有监督学习”的问题，严重依赖有标注性的数据，而标注的代价是十分高昂的，这在很多应用环境中都无法满足。

由此，李磊并不担心人工智能会对人类造成威胁。他举例说，人工智能在国际象棋领域早就超越了人类，但人类并没有因此停下学习国际象棋的脚步，专业棋手依然在训练、比赛，人工智能还对他们棋艺的进步提供了帮助。所以他的结论是，将来人类与人工智能的相处模式会是人类更多地让机器为自己服务。

也有声音认为，目前人工智能行业存在“泡沫”。李磊表示，是否存在泡沫，要看对技术的预期是否符合实际能力，看技术是当下可用，还是未来两三年、甚至是更远的将来才会成熟。如果预期不切实际，承诺无法兑现，大量投入无法在产品上产出，就会形成泡沫。李磊认为，当前来看学术界和工业界，不是人工智能行业存在泡沫的问题，而是在认识上有偏窄的危险。人工智能不仅仅是机器学习或者计算机视觉，机器学习也不局限于深度学习。

三个推动机器学习发展的问题

既然当前机器学习存在这些局限，未来该如何取得进一步的突破？对此李磊提出，解决三个问题可以推动机器学习的发展。

第一，发展它的可解释性，这是理论基础，无论机器学习表现得好还是不好，我们要从原理上理解它为什么会有这样的表现，只有这样我们才能从根本上对它进行提高。

第二，希望机器学习能够做更多推理，不止于简单判断。

第三，当前机器学习需要非常多的计算资源来训练，未来要找到把能耗降低的方法。

机器学习在C端的应用条件

在李磊看来，机器学习要想在C端成功落地，需要满足三个条件：首先是使用频率高；其次是使用成本低；此外最重要的一点是人工智能应用辅助的决策本身要比较轻，并且风险要低。

他举例说，现在算法推荐已经成为信息分发领域必备的基础功能之一，之所以能够成功落地应用，主要是能够满足上述三个条件：内容消费的频率非常高、使用成本低，以及在内容推荐上，用户的容错能力比较大，推荐A和推荐B之间，不会产生太大的影响和损失。

但如果是一些非常重要的、耗时长、影响因素复杂的决策，比如买房子，很多人因为不同条件的影响，可能会考虑、等待一两年，甚至更长时间，这种场景光靠大数据或人工智能是不够的。