AlphaGo 3:0战胜柯洁后，引发了业界新一轮的讨论：“在围棋之外，人工智能超越人类的下一个战场在哪？”
不少AI业内人士认为，目前来看，金融行业已成为最先大规模商业化应用AI的领域之一。其中，AlphaGo最大的弱点——迁移学习正在发挥越来越重要的作用。
为什么金融业成为率先被人工智能改造的领域？阻止人工智能大规模商业普及的障碍是什么？国内外人工智能产业发展有哪些差异？
带着这些问题，近日，笔者独家专访了国际顶尖的迁移学习领域科学家、人工智能领域创业公司第四范式的首席科学家杨强教授。目前，第四范式自主研发的人工智能应用者开发平台“先知”，已经在金融等行业应用了近100个成功服务案例，同时“先知”还支持让不懂人工智能技术的“小白”用户能够自行开发人工智能产品。以下内容根据采访整理而成。
AlphaGo的弱点，迁移学习的机会
杨强教授表示，从AlphaGo与柯洁的对战，可以看出人工智能的几点最新进展。首先，高质量数据越来越重要。相比与李世石对战时，柯洁面对的AlphaGo更智能。主要原因是其采用了高质量数据，这些数据更多来自机器与机器的博弈，而不是来自人类棋手。其次，人工智能的计算架构也有了很大升级。比如硬件上，上一代AlphaGo需要使用上千的CPU和上百个GPU，如今的版本只需要一个TPU(人工智能专用芯片)。第三，反馈闭环的形成，让AlphaGo实现了自动学习。
人工智能的这些进化让AlphaGo在下围棋方面已经完胜人类，但它最大的弱点在于不会迁移学习。迁移学习是目前机器学习领域的前沿科技，可以解决人工智能在小数据、个性化场景的应用需求。类似人在学会骑自行车后，骑摩托车就容易多了。迁移学习可以让人工智能做到举一反三，融会贯通，通过找到两个不同应用场景的共性，把A领域的模型和经验迁移应用到B领域。
目前，我国在迁移学习领域的研究和工业应用方面优势明显。以第四范式为例，其具备世界前沿的迁移学习科研水平，杨强教授在迁移学习领域论文引用数居世界第一，创始人戴文渊在迁移学习领域论文引用数位列世界第三。另一方面，manbetx3.0 制造2025带来的产业升级机会也给国内的迁移学习研究提供了最佳的应用实践空间。
人工智能正在如何改变金融业？
杨强教授认为，对于人工智能概念的普及，AlphaGo功不可没，但是人工智能真正发挥作用的还是在工业界。
目前，金融行业已成为最早进行AI大规模商业化的领域之一。杨强教授认为主要是因为：一、金融行业数据全、数据规模大、维度多；二、金融行业目标非常明确，痛点比较强。
技术层面，机器学习的效果跟特征空间大小直接相关，如何能够自动地发现特征也是人工智能应用流程中的难点。大规模、自动地产生特征是第四范式“先知”平台的独特优势。目前，“先知”支持万亿级特征的产生和运算，并可以实现毫秒级响应，在业界拥有绝对领先优势。在金融行业，“先知”的服务对象已覆盖国内多数大型银行。
杨强教授举例，以第四范式的金融反欺诈业务来说，如果某银行一个信用卡用户刚刚在北京地区有一笔消费，仅仅一个小时后，其账户又显示在广州消费。过去依靠人工判断，肯定是用户的信用卡被盗刷，需要人工把它标记为一个重要的信用卡欺诈特征。此前这种依靠人工积累的反欺诈特征数量只有200多个。现在借助“先知”，该商业银行已经建立了25亿量级的反欺诈特征。而且可以实现交易当中识别欺诈，一旦判定会立即截断交易，避免用户遭受损失。而传统的反欺诈监控只能做到欺诈行动发生之后才能认定。
再比如，以往传统银行只能通过用户的交易行为、账单，去猜测哪些用户是分期付款的潜在用户或较容易接受信用卡分期建议。通过“先知”，银行把过去靠人工积累的200多条专家规则、提升至5000万维度的规则数，从而更精细地刻画出用户需求。最终，“先知”帮助银行将信用卡分期营销响应率提升了68%，手续费收入提高了61%。
由于金融细分领域的丰富性，迁移学习在金融领域的应用场景也非常广泛。比如在豪华汽车分期信贷方面，由于该领域的数据规模比较小，依靠全量数据的人工智能应用往往无从下手。此时，迁移学习就可以将此前有着几千万数据量级的小额贷款交易模型应用到该领域。通过找到两者的共性特征，就能将小金额、大数据模型迁移到大金额、小数据的模型分析上，最后实际取得的效果要比传统模型提升200%。
让人工智能触手可及
上述金融等领域的成功，证明了“AI”是可以“for someone”的。但第四范式的创始团队也在服务客户的过程中，发现了AI所能覆盖的应用比他们想象的要多好几个数量级，不可能由一家公司去做。很快，他们便进行了思路的转变，希望能够实现“AI for everyone”——让客户自己去做机器学习，而这样就需要去开发一个能够让“非专业人士”使用的机器学习平台。这也就是第四范式·先知平台的由来。
杨强教授说，“当时我们注意到，市面上利用开源软件来做人工智能的开发平台很多，但门槛高、应用难度大，只有科研人员或AI领域技术人员才会使用。”但现实情况是，AI人才缺口非常大，绝大多数企业并没有能力、财力和时间来培养AI人才。
“‘先知’希望打造一个普惠的人工智能开发者平台，让各行各业的企业都能专注于自己的业务。你不用花太多精力成为人工智能专家，才能去应用人工智能。把人工智能应用普及的门槛降低，并覆盖全部应用的整个流程，是‘先知’的目标。”杨强教授强调。
凭借“先知”，第四范式成为国内第一家获得manbetx3.0 人工智能最高奖——“吴文俊人工智能科学技术奖”创新奖一等奖的企业，打破了该奖历年只授予顶尖高校或科研机构的惯例。为了更好的提供AI服务，第四范式不仅为客户交付AI应用，还通过“范式大学”的一系列教程，对企业进行“跟着走式”的培训，最终让企业自己能够熟练使用AI。目前，已经有一批工程师通过短期培训、成为了能够独立展开工作的企业数据工程师。从某种程度上说，第四范式正在为整个AI行业的未来培养人才。
人工智能真正普及的节点
那么现阶段离第四范式愿景中的“AI for everyone”还有多久？人工智能真正普及的节点将出现在何时呢？目前国内外的发展阶段与趋势如何？
杨强教授认为，爆发节点跟收集数据与保留数据的程度相关，现在不同行业之间或同一企业不同部门之间的数据壁垒还比较严重。另外，技术因素以及人为组织因素也不能忽视。大体上看，金融和互联网行业的人工智能普及爆点会早一些，传统行业可能会晚一些，但迟早都会到来。
关于国内外人工智能的发展，杨强教授认为，相对而言国外公司术业有专攻，在一些专精领域钻的很深，而且国外比较重视知识产权。国内企业还需要一段成熟期才能意识到什么样的技术对自己的业务有帮助，而不是很多企业都在涉足人工智能的各个方面。现在国内很多公司都强调自己拥有人工智能技术，但真正让人工智能在商业应用中产生了效果，才是真正具备人工智能技术的公司。
对于人工智能的发展趋势，杨强教授强调，目前人工智能还处在人来设定目标，机器提供路径的阶段。未来，AI将可以自己找到目标，而不是被动的接受任务并执行，届时人工智能将发展到一个更高的阶段。
——————
备注：
杨强，华人界首位国际人工智能协会（AAAI）院士、唯一的AAAI Councilor、IEEE大数据期刊主编、国际顶级学术会议KDD、IJCAI等大会主席，现任香港科技大学计算机系主任，第四范式联合创始人兼首席科学家。