Yaser Abu-Mostaf PhD

談一下AI的相關(guān)內(nèi)容，讓大家了解一下AI和機器學(xué)習(xí)的相關(guān)內(nèi)容。

首先，我和大家用很簡單的語言解釋一下什么是機器學(xué)習(xí)，之后講兩個方面：一個就是演進，就是機器學(xué)習(xí)的演化，三四十年的變化；再講一下革命，革命是指過去五年發(fā)生的突變。最后講一些挑戰(zhàn)，有些挑戰(zhàn)非常有意思，有些是技術(shù)的挑戰(zhàn)，有些是道德和社會方面的挑戰(zhàn)，他們也影響了我們。

簡單介紹一下機器學(xué)習(xí)。實際上大家都知道數(shù)據(jù)科學(xué)或者說大數(shù)據(jù)、統(tǒng)計學(xué)、數(shù)據(jù)挖掘，機器學(xué)習(xí)可以說是智能的核心，這就是為什么叫它AI，人工智能。我們這里看到很多名字，比如說統(tǒng)計學(xué)或者說AI或者說數(shù)據(jù)挖掘等等這些術(shù)語，這里有一個共同點，它們都是基于數(shù)據(jù)技術(shù)規(guī)律的自動探測。比如說我們假設(shè)有一個嬰兒，一旦孩子看到一種圖案或者說看到一個規(guī)律，眼睛都會閃光，他們自己識別出了規(guī)律。實際上我們要讓數(shù)據(jù)自動識別規(guī)律，這樣我們就可以說獲得了一定的智能。給大家介紹一下和拍拍貸相關(guān)的內(nèi)容。比如說我們想申請信用卡，不希望信用不好的人申請信用卡，我們希望了解基本的情況，比如說我們了解一下有沒有可能不及時還款。機器學(xué)習(xí)可以給我們帶來什么好處？我們看以前的客戶，好的行為和壞的行為是什么樣的，這些行為是好的，這些行為是不好的。他們申請的時候每個人都提供了申請信息，我們問一下自己，我們用什么來區(qū)分好壞?；跉v史數(shù)據(jù)，一旦發(fā)生規(guī)律之后，有了新的申請者的時候，就可以判斷是屬于好的那一類還是不好的那一類，這就是用機器學(xué)習(xí)進行自動信用評級的原理。

這是兩年前哈佛商業(yè)評論的文章，他說機器學(xué)習(xí)非常有潛力，可以用在很多行業(yè)上面，改變這些公司。事實上機器學(xué)習(xí)可以用在很多項目上，比如說時尚、工業(yè)設(shè)備、腦部損傷診斷，都可以利用機器學(xué)習(xí)。可能只有工程師，但是沒有金融專業(yè)的領(lǐng)域知識。機器學(xué)習(xí)是基于數(shù)據(jù)的，不管是什么領(lǐng)域，只要給我數(shù)據(jù)就可以自動識別里面的規(guī)律。比如說時尚，我就可以自己進行分析，我們基于不同女性的購買行為，我會給她們提供一些建議，她們最有可能買什么樣的衣服。我其實對女性的時尚是完全不知道的，一無所知的，可以說是一個外行，但是基于數(shù)據(jù)，還是可以給她們很有幫助的建議。

這就是機器學(xué)習(xí)的本質(zhì)。

數(shù)據(jù)是一家公司的最大資產(chǎn)

什么是機器學(xué)習(xí)呢？首先要有這樣一個規(guī)律，比如說信用卡申請，假如說幾年一直做的都是同一個工作，這個是和信用表現(xiàn)是息息相關(guān)的，因此我們要找出這里的規(guī)律。實際上有的時候我們沒有辦法用一個數(shù)學(xué)模型直接告訴我們該怎么做，我們必須要通過數(shù)據(jù)來提取其中的規(guī)律，我們希望有代表性的數(shù)據(jù)組。這一點是很有意思的，我剛才和公司的創(chuàng)始人聊天，比如說我們要看拍拍貸的歷史的話，一開始的時候沒發(fā)生什么，突然公司就起飛了。但實際上，在蜇伏期間，他們一直在收集數(shù)據(jù)，有了數(shù)據(jù)就有了別人沒有的東西，我們積累是需要時間的，因此我們的數(shù)據(jù)是資產(chǎn)，你要有資產(chǎn)才能進入游戲。

現(xiàn)在我給大家介紹一下演進部分，就是機器學(xué)習(xí)的發(fā)展情況。為什么過去五年發(fā)生了變革，現(xiàn)在人工智能和機器學(xué)習(xí)都發(fā)生了突變？我們從八十年代的時候開始，那個時候神經(jīng)網(wǎng)絡(luò)剛剛興起，那個時候數(shù)據(jù)量很少，之后越來越多的數(shù)據(jù)開始被積累起來。越來越多的數(shù)據(jù)，越來越復(fù)雜的模型，以前我們用的是線性的模型，現(xiàn)在用的非線性模型。而且現(xiàn)在計算越來越多，實際上我們預(yù)測計算機的速度會發(fā)展得越來越快，這也是需要三四十年的積累。

所以雖然現(xiàn)在已經(jīng)達到了飽和的階段，但是這個飽和的階段仍然有非常大的金礦，這個過程當中我們會做出來更多的進化或者說進展，機器學(xué)習(xí)也不例外。

回到剛才信用卡申請的例子，我們來看一下這樣的一個申請人，給大家解釋一下我們現(xiàn)在的進化在哪里。首先我們有一個非常簡單的模型，就是剛才說的一個線性的模型，就是人們剛開始來批貸的時候有的線性模型，評估工作，以及工作的年限、年齡、工資等等。畫這樣一條線來區(qū)分好的客戶和壞的客戶。隨著數(shù)據(jù)的積累，我們可以開始建立一個非線性模型，我們知道有一些因素之間是有一些相關(guān)性的，這里面可能也有一些規(guī)律或者說模式。

因為這個我們就會有很多不同的模型，比如說神經(jīng)網(wǎng)絡(luò)，這是非常著名的模型，這就不同于原來所說的線性模型，這種非線性模型就是我們的進化。相比之前的線性模型要強得多。可以讓你做出來更好的預(yù)測，也就是說現(xiàn)在客戶用這樣的模型做出更加復(fù)雜的決策?？梢杂迷诜浅６嗟膽?yīng)用領(lǐng)域，比如說二十世紀九十年代的時候，股票市場等金融數(shù)據(jù)可以用機器學(xué)習(xí)，里面有非常多的數(shù)據(jù)，有很多模型，用戶主要是投資銀行等等。在2000年的時候，像亞馬遜、阿里巴巴電子商務(wù)開始起步，他們也開始使用機器學(xué)習(xí)，然后網(wǎng)站就開始向你推薦一些東西，這些推薦都是基于數(shù)據(jù)，可以檢測一些模式推薦給你買一些東西。在2010年的時候又可以應(yīng)用于醫(yī)療領(lǐng)域。因為在醫(yī)療領(lǐng)域我們積累了大量的數(shù)據(jù)，所以我們可以用大數(shù)據(jù)來做診斷等等。十年前是沒有這么多醫(yī)療數(shù)據(jù)的，經(jīng)過十年的發(fā)展，積累了大量的醫(yī)療數(shù)據(jù)，我們可以用機器學(xué)習(xí)來做診斷分析等等。有了這種數(shù)據(jù)積累，我們就能夠有更多的機器學(xué)習(xí)方面的應(yīng)用。這些數(shù)據(jù)就是你所擁有的最大資產(chǎn)，可以讓你和競爭對手對比的時候具有優(yōu)勢。

AI，將在各行業(yè)無處不在

我們現(xiàn)在又從進化進入革命階段，這是過去五年的變化。這五年內(nèi)發(fā)生了什么東西呢？首先我不想勸說或者說服這里面有多大的區(qū)別，大家已經(jīng)看的非常清楚了。在很多領(lǐng)域里面，比如說機器翻譯，過去的機器翻譯讓大家覺得非常的可笑，而現(xiàn)在因為有神經(jīng)網(wǎng)絡(luò)的介入，不斷改進，就是利用了機器學(xué)習(xí)的方法。還有語音識別、對象檢測等等，在數(shù)據(jù)、模型、計算方面上都發(fā)生了質(zhì)變。從這樣的應(yīng)用，有這么多的數(shù)據(jù)，有更多的申請人的數(shù)據(jù)，可以做決策，這樣的決策基于大數(shù)據(jù)就可以更加智能。這樣可以做出全面的剖析。比如說有的人可能喜歡巧克力，這是一個信息，有的人可能喜歡喜劇等等，你覺得他們會去看加勒比海盜，還是不看加勒比海盜這部電影？這樣的兩個信息可能不足以做出決策，如果有更多更全面的信息，可以對這個人有全面的了解，做出來的決策也是非常切合實際的。我覺得拍拍貸做工作的時候，其實和剛才所說的這些都有非常強的關(guān)系，你們看到客戶的各個方面的一些信息，然后決定是好的客戶還是壞的客戶，這是第一點。

我們再來看模型。模型現(xiàn)在有深度神經(jīng)網(wǎng)絡(luò)，原來只有兩三層，現(xiàn)在已經(jīng)有十層二十層了，區(qū)別是什么呢？因為有了這么多的層級，有里面的計算，就可以用最好的輸入變量給大家進行分析，比如說你看到我，不是根據(jù)一個像素進行分析我的，你可以通過各個方面進行分析。比如說這個人有數(shù)千數(shù)萬的像素，可以通過像素了解人，然后對它進行剖析，我們做這一點的時候，我們可能會失去某些細節(jié)。我們要深入分析各個細節(jié)，然后再分析哪個細節(jié)哪個像素對你整個人的分析是最重要的。然后進入神經(jīng)元分析。

接下來是計算方面。計算速度快速提升，過去十幾年二十幾年你的計算機可能運算速度非常慢，但是現(xiàn)在完全不一樣了，速度大幅度提升，還有一些商用硬件，比如說圖形處理器GPU等等，現(xiàn)在機器學(xué)習(xí)速度方面提高了兩個量級。也就是說在過去如果你要用一些計算的話，可能要一個月，甚至一年才能得到一個結(jié)果。但是現(xiàn)在因為計算速度的提升，可能下一周甚至本周就可以得到答案，而且我們用了這么多的模型。也使計算速度和智能水平大幅度提升。一個非常智能的例子就是AlphaGo，打敗了人類的智慧。這個機器是自身學(xué)習(xí)的，也就是說自己和自己下象棋，然后找到一些新的動作，這是人類之前從來沒有用過的動作，他就打敗了人類的智慧。我們發(fā)現(xiàn)這樣一種方法可以極大地改善智能水平。剛才有說到Fendy，我們說Fendy Fendy你得醒過來等等。以后不需要叫兩遍才讓Fendy醒過來，這是我們努力的方向。我們的人工智能取得的進步是長足的。

我再講一下挑戰(zhàn)。實際上技術(shù)挑戰(zhàn)沒什么好講的，我們從某種程度上講，有兩個挑戰(zhàn)。剛才講到了技術(shù)挑戰(zhàn)，再講一下安全的風(fēng)險，以及其他的風(fēng)險，對于人工智能和機器學(xué)習(xí)來說有很多社會上的挑戰(zhàn)。我們看現(xiàn)在的計算機或者說現(xiàn)在的程序，最可怕的問題就是安全問題，比如說黑客的入侵，還有泄露的問題是很可怕的。大家發(fā)展技術(shù)的時候并沒有想太多安全問題，現(xiàn)在我們正在補足，我們必須要好好想一下安全問題?，F(xiàn)在很多人擔心超級智能，我覺得這不需要擔心，我覺得黑客入侵還是一個主要威脅。還有很多社會方面的挑戰(zhàn)，大家可能會失業(yè)，AI可以做人的工作了，我們必須要提前規(guī)劃。還有另外一個方面的社會問題，比如說大家都用智能手機，iPhone自己就成為了一個非常有趣的人了。以后大家都不愿意和人溝通了，像孩子一樣，實際上大家只想和手機玩，也是另外一個方面的考慮，供大家參考。

* 作者系加州理工學(xué)院（California Institute of Technology）電氣工程和計算機科學(xué)（Electrical Engineering and Computer Science）教授，主要研究領(lǐng)域為機器學(xué)習(xí)（Machine Learning）和計算金融學(xué)（Computational Finance）；IEEE神經(jīng)網(wǎng)絡(luò)協(xié)會（IEEE NNC）創(chuàng)始人之一；神經(jīng)信息處理系統(tǒng)進展大會（NIPS）創(chuàng)始人之一；第二屆和第四屆國際資本市場中的神經(jīng)網(wǎng)絡(luò)會議（NNCM）主席；第六屆國際計算金融學(xué)會議主席；他的《Learning from Data》是亞馬遜機器學(xué)習(xí)領(lǐng)域全美最暢銷書，全球超過400萬人通過他的線上教學(xué)視頻學(xué)習(xí)機器學(xué)習(xí)。Abu-Mostafa教授分別擁有開羅大學(xué)（Cairo University）、佐治亞理工學(xué)院（Georgia Institute of Technology）、加州理工學(xué)院（California Institute of Technology）的本科、碩士、和博士學(xué)位。

● 本文由智慧金融研究院、拍拍貸授權(quán)；原題方向為“人工智能： 過去、當前、未來”，為最大程度保障文本精華、原意，以及閱讀需要，本刊僅做題目及內(nèi)容分層進行編輯。