機(jī)器之心：近期機(jī)器學(xué)習(xí)領(lǐng)域有哪些讓您覺得很有趣的研究嗎？

　　楊強(qiáng)：機(jī)器學(xué)習(xí)領(lǐng)域里一個(gè)很強(qiáng)的特點(diǎn)是：可以把感知的東西學(xué)到，但很難推理。所以我覺得一個(gè)挺好的方向是讓機(jī)器學(xué)習(xí)去做推理。一個(gè)例子是Facebook做的機(jī)器閱讀（MachineReading），它可以在讀的文章里做推理。雖然它很簡(jiǎn)單，但指出了一個(gè)方向——加入注意力模型之后就可以做符號(hào)推理。但如果能夠scale到一階邏輯去做大規(guī)模推理和定理證明的話（也是我們目前在做的研究），還有很長(zhǎng)的路。

　　現(xiàn)在，開始有一些工作把規(guī)則，邏輯和深度學(xué)習(xí)相結(jié)合，這可以起到解釋模型和獲得知識(shí)的作用，把人的知識(shí)賦予到統(tǒng)計(jì)學(xué)習(xí)的模型里，這是很好的方向，但目前那些方法還不夠，我們希望在這方面多做一些研究。因?yàn)橐?guī)則是在任何一個(gè)垂直領(lǐng)域都必不可少的，并不是任何東西都需要從零開始學(xué)。規(guī)則的好處是準(zhǔn)確和通用，壞處是缺乏覆蓋的廣度比較有限，而統(tǒng)計(jì)學(xué)習(xí)可以應(yīng)付各種例外的發(fā)生，如何把這兩者更好的結(jié)合起來是一個(gè)很有趣的方向。

　　機(jī)器之心：人工智能如果取得繼續(xù)突破的話，是否需要把規(guī)則和統(tǒng)計(jì)結(jié)合起來？

　　楊強(qiáng)：統(tǒng)計(jì)和邏輯的結(jié)合在人工智能的發(fā)展中必不可少，AlphaGo就是這樣一個(gè)例子，它非常深入的將搜索和學(xué)習(xí)這兩者結(jié)合了起來。像傳統(tǒng)符號(hào)主義的蒙特卡洛樹搜索，基于統(tǒng)計(jì)的深度學(xué)習(xí)（比如估值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)），然后在這兩者的結(jié)合之上再加上強(qiáng)化學(xué)習(xí)。現(xiàn)在看來，雖然這事是三者比較生硬的結(jié)合，但已經(jīng)取得非常大的成績(jī)。再下面，就是看能不能把人工智能做的像人腦一樣有效，不是各自獨(dú)立的三塊，而是在一起的。如何用一個(gè)機(jī)器模型就能同時(shí)做符號(hào)搜索，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)這三件事，這是一項(xiàng)很有挑戰(zhàn)但非常有趣的研究。

　　機(jī)器之心：那人工智能需要從神經(jīng)科學(xué)領(lǐng)域獲得更多靈感和線索嗎？

　　楊強(qiáng)：是的，確實(shí)可以獲得很多的靈感和線索。蒲慕明院士在2016中國人工智能大會(huì)的演講中介紹了很多神經(jīng)科學(xué)的發(fā)現(xiàn)。首先，他們發(fā)現(xiàn)在生物領(lǐng)域也存在BP算法的現(xiàn)象。如果這個(gè)神經(jīng)學(xué)的發(fā)現(xiàn)啟發(fā)了人工智能的研究，那將就是一個(gè)完整的故事，但是，神經(jīng)學(xué)的這個(gè)發(fā)現(xiàn)是在計(jì)算機(jī)領(lǐng)域提出BP算法之后發(fā)現(xiàn)的。今天，這個(gè)發(fā)現(xiàn)也會(huì)對(duì)人工智能有啟發(fā)。其次，人工智能里的最小計(jì)算單元往往是同類型的神經(jīng)元，但蒲慕明院士認(rèn)為，人腦的神經(jīng)元并不是都是同類的，而是每一類有各自專門功能的。如果我們?cè)谌嗽焐窠?jīng)網(wǎng)絡(luò)中設(shè)計(jì)這樣一些神經(jīng)元種類，也將是很有趣的研究問題。第三就是如何學(xué)習(xí)和計(jì)算一個(gè)「忘記機(jī)制」神經(jīng)學(xué)發(fā)現(xiàn)，人腦是在進(jìn)行有選擇的忘記，而這種機(jī)制是智能必不可少的體現(xiàn)。但是，在我們?nèi)斯ぶ悄艿膶W(xué)習(xí)系統(tǒng)里，并沒有特別設(shè)計(jì)這種忘記機(jī)制。
   另外，聯(lián)接主義在人腦研究中大行其道的，但在計(jì)算領(lǐng)域并不是如此，深度學(xué)習(xí)可能是一個(gè)例外。但其他的——比如說符號(hào)主義的搜索——大部分都是孤立的，是單CPU大規(guī)模算法在進(jìn)行，而不是并行，這些都是需要探索和發(fā)現(xiàn)的。但我們回來說，人工智能可以借鑒人類大腦，但不應(yīng)該被人類大腦所局限。我們最后可能會(huì)發(fā)現(xiàn)，新的人造的智能結(jié)構(gòu)，可能人腦也沒有，（但可能外星人有）。所以，可能還有一些新的智能算法在等待我們來發(fā)現(xiàn)。如果真是那樣，那也不錯(cuò)。

　　機(jī)器之心：對(duì)話系統(tǒng)是現(xiàn)在比較熱的研究領(lǐng)域，科技巨頭也都提出bots，目前在這方面還存在哪些研究難點(diǎn)嗎？

　　楊強(qiáng)：對(duì)話系統(tǒng)的一個(gè)難點(diǎn)是把目標(biāo)引入，如果你只會(huì)聊天但不會(huì)實(shí)現(xiàn)目標(biāo)，那就沒有商業(yè)前景；另外一個(gè)目標(biāo)是如何把規(guī)則和統(tǒng)計(jì)學(xué)習(xí)結(jié)合好，因?yàn)橛行┨厥忸I(lǐng)域是需要有規(guī)則來規(guī)范的。第三個(gè)目標(biāo)是怎么樣把個(gè)性化引入，這就是遷移學(xué)習(xí)所應(yīng)該發(fā)揮的價(jià)值。如果把三者統(tǒng)一在一個(gè)系統(tǒng)里完整實(shí)現(xiàn)，可能還需要有很長(zhǎng)的研究，如果能做出來，那就是解決對(duì)話問題的一個(gè)非常優(yōu)美的方法。

　　關(guān)于遷移學(xué)習(xí)，去年Science那篇文章Human-level concept learning through probabilistic program induction里提到的單個(gè)例學(xué)習(xí)，即oneexample learning。這實(shí)際上是一種遷移學(xué)習(xí)的做法，他們把一個(gè)問題分解成參數(shù)學(xué)習(xí)和結(jié)構(gòu)學(xué)習(xí)兩種，他們發(fā)現(xiàn)如果參數(shù)學(xué)習(xí)如果能夠從別的地方遷移過來，那只做結(jié)構(gòu)學(xué)習(xí)就可以了，而結(jié)構(gòu)學(xué)習(xí)恰恰又特別好用，只需要一個(gè)例子就可以解決了。所以前面用了遷移學(xué)習(xí)，后面用了結(jié)構(gòu)學(xué)習(xí)，就把oneexamplelearning實(shí)現(xiàn)了，是這樣一個(gè)trick。這給我們帶來一個(gè)很好的概念，就是說在對(duì)話系統(tǒng)中，你就可以把自然語言的結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)分開，采取分而治之的辦法。

　　機(jī)器之心：比如說在自然語言處理方面。那遷移學(xué)習(xí)應(yīng)用自然語言方面會(huì)有獨(dú)特優(yōu)勢(shì)嗎？能實(shí)現(xiàn)不同語言間的遷移嗎？

　　楊強(qiáng)：可以實(shí)現(xiàn)不同語言之間的遷移。很多遷移學(xué)習(xí)的任務(wù)會(huì)比機(jī)器翻譯的任務(wù)要簡(jiǎn)單，機(jī)器翻譯需要很高密度的數(shù)據(jù)來對(duì)應(yīng)每一句話，你要收集很多的平行語料，但是有很多學(xué)習(xí)任務(wù)并不需要做語言之間的關(guān)系，比如說分類、聚類，像這樣不需要機(jī)器翻譯的，就可以用遷移學(xué)習(xí)來建立兩種語言（可以看成是兩個(gè)領(lǐng)域）之間的共同表示，就是一個(gè)中性語言，通過這個(gè)中性語言進(jìn)行遷移。

　　機(jī)器之心：Chris Manning SIGIR2016主題報(bào)告Natural Language Inference,Reading Comprehension and DeepLearning中有一頁有一個(gè)形象的「壓路機(jī)」比喻，列了深度學(xué)習(xí)在哪一年會(huì)對(duì)特定領(lǐng)域的傳統(tǒng)算法進(jìn)行「碾壓」，比如說語音是在2011年、視覺是2013年、自然語言處理是2015年,IR是2017年。您對(duì)此怎么看？KDD應(yīng)該在哪年？

　　KDD（數(shù)據(jù)挖掘）和IR是有區(qū)別的，IR是賦予機(jī)器搜索的能力，自動(dòng)化為主要代表，主體并不需要引入人，所以用機(jī)器學(xué)習(xí)比較合適。但是KDD的最終目的是為人服務(wù)，所以是離不開人的。因?yàn)镵DD和數(shù)據(jù)挖掘中沒有人，是全自動(dòng)的話，那就是機(jī)器學(xué)習(xí)了。所以，如果是為人而發(fā)掘知識(shí)、為人做解釋，就需要比深度學(xué)習(xí)更多的東西：雖然里面很多東西可以用深度學(xué)習(xí)來解決，但深度學(xué)習(xí)里有很多東西是不可解釋的，所以從這一點(diǎn)上來，僅僅用深度學(xué)習(xí)來做數(shù)據(jù)挖掘說是不合適的。在和人打交道這一方面，深度學(xué)習(xí)不可能碾壓KDD。數(shù)據(jù)挖掘是為人做數(shù)據(jù)分析的輔助工具，而機(jī)器學(xué)習(xí)則是力圖模擬人的行為。對(duì)于兩者的區(qū)別，我做過一個(gè)比喻：你訓(xùn)練一只狗，若干年后，如果它忽然有一天能幫你擦鞋洗衣服，那么這就是數(shù)據(jù)挖掘。如果有一天，它化妝成狼外婆跑了，那這就是機(jī)器學(xué)習(xí)。

　　但是，深度學(xué)習(xí)確實(shí)可以取代某些算法。另外，我覺得KDD和IR的基因還是不一樣的，這得看原領(lǐng)域和深度學(xué)習(xí)的重合度：做KDD研究的很多人是從數(shù)據(jù)庫過來的，他們是的目的是管理信息，這就不能僅僅引入機(jī)器學(xué)習(xí)；同時(shí)，KDD的有些人是機(jī)器學(xué)習(xí)過來的，他們可以引入深度學(xué)習(xí)。但，也有心的問題：那就是模型的可解釋性怎么辦？如何向人類解釋模型的功能和結(jié)構(gòu)？因此，KDD為深度學(xué)習(xí)引入了這樣一個(gè)契機(jī)——不是深度學(xué)習(xí)碾壓KDD，而是KDD和深度學(xué)習(xí)一起來發(fā)揮作用。

　　機(jī)器之心：機(jī)器學(xué)習(xí)對(duì)基礎(chǔ)科學(xué)研究有什么重要的推動(dòng)和價(jià)值？許多科學(xué)研究現(xiàn)在面對(duì)著海量的實(shí)驗(yàn)，觀測(cè)數(shù)據(jù)，比如天體物理，粒子物理，生命科學(xué)，材料科學(xué)等，機(jī)器學(xué)習(xí)會(huì)在基礎(chǔ)科學(xué)研究中發(fā)揮重要作用嗎？

　　楊強(qiáng)：機(jī)器學(xué)習(xí)對(duì)基礎(chǔ)科學(xué)的發(fā)展應(yīng)該有很大促進(jìn)，在這些傳統(tǒng)科學(xué)領(lǐng)域，很多人可能現(xiàn)在沒有意識(shí)到人工智能可能帶來的影響，但我們看到，深度學(xué)習(xí)的出現(xiàn)，只是計(jì)算機(jī)出現(xiàn)以來的數(shù)字革命中的一環(huán)。下一步到底要到哪兒去？是不是有可能要把科學(xué)家變成「數(shù)據(jù)民工」？比如說，把天文學(xué)家就變成操縱望遠(yuǎn)鏡的天體數(shù)據(jù)的民工，把生物學(xué)家變成擺弄小白鼠的生物數(shù)據(jù)的民工？雖然這是一個(gè)未來可能出現(xiàn)的極端現(xiàn)象，但從計(jì)算機(jī)革命的角度來說，這個(gè)未來并不是不可能！當(dāng)然，科學(xué)家可以去創(chuàng)造一些理論并去驗(yàn)證它，但這樣的科學(xué)家的助手們可能會(huì)變成一些機(jī)器人。所以，整個(gè)科學(xué)研究會(huì)出現(xiàn)一個(gè)本質(zhì)上的變化。
  機(jī)器之心：戴文淵之前在介紹「第四范式·先知」平臺(tái)時(shí)，提到這個(gè)平臺(tái)的目的是讓數(shù)據(jù)科學(xué)家「失業(yè)」，那人工智能會(huì)不會(huì)讓科學(xué)家失業(yè)？

　　楊強(qiáng)：人工智能會(huì)讓很多二流科學(xué)家失業(yè)，一流科學(xué)家還是很安全的。

　　對(duì)人工智能從業(yè)者的建議

　　機(jī)器之心：您對(duì)目前行業(yè)內(nèi)深度學(xué)習(xí)熱有什么看法？年輕從業(yè)人員應(yīng)該如何對(duì)待這種現(xiàn)象？

　　楊強(qiáng)：深度學(xué)習(xí)過熱不是一個(gè)壞事，我們也不應(yīng)該拒絕。對(duì)于年輕人來說，大家要用平常心來看：這是一個(gè)學(xué)習(xí)算法，學(xué)習(xí)能力比較強(qiáng)，能夠容納更多的訓(xùn)練數(shù)據(jù)，我們發(fā)現(xiàn)它能做過去想象不到的事情，現(xiàn)在還是有很多紅利去獲取。所以年輕人如果要做的話，要盡量多動(dòng)手，多編程，多了解內(nèi)核的東西，而不僅僅把深度學(xué)習(xí)當(dāng)成黑箱來用。

　　機(jī)器之心：您認(rèn)為國內(nèi)人工智能領(lǐng)域在科研和產(chǎn)業(yè)上還有哪些缺陷和不足嗎？

　　楊強(qiáng)：我覺得國內(nèi)的人工智能研究不能太跟風(fēng)，對(duì)自己的研究理念和創(chuàng)新要有信心。在科研和產(chǎn)業(yè)都是如此，要?jiǎng)?chuàng)新，尤其是在大學(xué)的研究者，每個(gè)大學(xué)的教授應(yīng)該是獨(dú)樹一幟的，自己領(lǐng)先一個(gè)子領(lǐng)域，而不是跟著別人去做。對(duì)公司的要求？公司要首先考慮生存，但在產(chǎn)業(yè)上也不要以為人工智能可以包羅萬象。

　　機(jī)器之心：您有著天文學(xué)和計(jì)算機(jī)科學(xué)的復(fù)合背景，研究天文學(xué)的這段經(jīng)歷對(duì)您后續(xù)研究機(jī)器學(xué)習(xí)有什么幫助或者啟發(fā)呢？您的物理學(xué)專業(yè)背景為您后來人工智能領(lǐng)域的研究工作重提供什么樣的思維方式，思維習(xí)慣等方面的借鑒和幫助？

　　楊強(qiáng)：最大的啟發(fā)是知道一個(gè)問題要換幾個(gè)不同的角度去想，物理學(xué)家特別容易這樣，他觀察一個(gè)東西，可能就聯(lián)想到十萬八千里，看到行星就想到原子。這種聯(lián)想能力是物理學(xué)里特別流行，但在計(jì)算機(jī)領(lǐng)域不是這樣，培養(yǎng)一個(gè)學(xué)生出來很好的編程，拿競(jìng)賽金牌，他都不一定有聯(lián)想能力。所以我特別受益于這種訓(xùn)練，這可能不僅僅是從物理學(xué)來的，而是從跨領(lǐng)域來的，所以我建議年輕人可以接觸最起碼兩個(gè)領(lǐng)域。

　　機(jī)器之心：您有本關(guān)于介紹如何做學(xué)術(shù)研究的著作《學(xué)術(shù)研究——你的成功之路》，對(duì)于人工智能領(lǐng)域的學(xué)術(shù)研究，您能否給研究者提供一些建議？

　　楊強(qiáng)：任何學(xué)科都有一個(gè)系統(tǒng)性，對(duì)于研究我提過五點(diǎn)，這個(gè)對(duì)人工智能也適用。第一個(gè)就是研究的問題有用，重要。第二是這個(gè)問題可以給專業(yè)外的人都能說清楚，能自己很簡(jiǎn)潔地表達(dá)出來，能講明白。第三個(gè)是要說清楚這個(gè)問題為什么難，就是問題到現(xiàn)在還沒有人做過，不知道怎么做。第四點(diǎn)是，雖然問題還不知道怎么做，但你知道怎么把問題進(jìn)行分解，分成一段一段來做，每個(gè)階段都有一點(diǎn)進(jìn)步，就是現(xiàn)在網(wǎng)絡(luò)上說的「小目標(biāo)」。第五是得有數(shù)據(jù)來驗(yàn)證你的想法，否則就是空想。這五個(gè)條件對(duì)學(xué)術(shù)和商業(yè)都適用。如果你覺得一個(gè)研究特別好，但你沒有辦法拿到數(shù)據(jù)，那你一開始就不要花時(shí)間做。另外，補(bǔ)充一點(diǎn)特別重要的，大家要明白別人做過些什么，要看很多論文，并能對(duì)過去的工作有所批判。

　　機(jī)器之心：您在學(xué)術(shù)界和產(chǎn)業(yè)界都取得了非凡的成績(jī)，這和日常的時(shí)間規(guī)劃、研究技巧和學(xué)習(xí)方法密不可分，能分享一下這方面的經(jīng)驗(yàn)和心得嗎？

　　楊強(qiáng)：時(shí)間規(guī)劃，研究技巧和學(xué)習(xí)方法，這些都會(huì)因人而異，但是，學(xué)術(shù)和工業(yè)的成功有一個(gè)共同點(diǎn)，就是——我特別受益于鍛煉身體，再忙也要抽出時(shí)間來鍛煉身體。中國的學(xué)者到國外去，要給人一種很健美的形象、要有精神。而且我們會(huì)發(fā)現(xiàn)如果我們經(jīng)常鍛煉身體的話，很多時(shí)間規(guī)劃的問題就迎刃而解了，因?yàn)殄憻捴竽銜?huì)發(fā)現(xiàn)頭腦特別清楚，會(huì)注意到很多細(xì)節(jié)，分清楚事情的輕重緩解，之后就特別容易去做了。總之，在鍛煉身體之后，以前你覺得特別難的問題都不會(huì)覺得是問題了，原來覺得特別煩惱的事情也沒有了。這是給大家的一個(gè)建議。