iPIN CEO楊洋、科學家潘嶸：打一場人工智慧「戰役」

上世紀50年代就已經提出的人工智慧，之所以能夠近年再次「掀起」波瀾，最為關鍵的就是機器學習技術。比如最為大眾所知的圍棋人工智慧AlphaGo，就活用了機器學習技術中的蒙特卡洛搜索樹、神經網路等一系列關鍵具體演算法。再過4天，雷鋒網承辦的CCF-GAIR大會就將正式開場，其中就包括了機器學習專場。屆時數位來自微軟、Facebook、iPIN的專家和學者將匯聚一堂，從應用、學術、行業分析等各個角度為你展示機器學習可能的未來。

得益於機器學習技術的進展，人工智慧迎來了「又一春」。 通過往複的「學習」，機器越來越「懂」人類的世界，隨即在各種服務中變得越來越「人類」，這也是人工智慧技術能夠再次火起來的關鍵。

專註利用AI「讓決策更智能」的iPIN就是一家利用機器學習技術和其他技術為人類提供服務的公司。前不久他們才剛打完一場硬仗——為數十萬高考考生量身推薦志願填報參考。而這樣一個任務對於普通人來說同樣是一個複雜的事情。

不僅需要了解各種行業目前的狀況，還要分析不同學校對應的專業是否強勢，學校的錄取情況這些看起來並不容易理解和分析的因素。究竟iPIN是如何利用機器學習技術打造出這樣「一步到位」的人工智慧服務？作為人工智慧技術的「推動者」，他們又是怎麼來看機器學習技術？

iPIN創始人&CEO 楊洋

GIF/3K

iPIN聯合創始人&首席科學家 潘嶸

專門採訪了iPIN創始人&CEO、原哈爾濱工業大學副教授、留美信息學博士，連續創業者楊洋；以及聯合創始人&首席科學家、中山大學副教授，原美國 HP 實驗室數據科學家潘嶸。

以下是採訪實錄：

可否簡單談談目前iPIN業務中對於機器學習技術的應用範疇嗎？

潘嶸：想要詳細地討論目前iPIN業務中究竟有哪些涉及機器學習技術，這個很難。畢竟iPIN目前的業務並不是單一的，但我可以透露的是，大部分人工智慧、機器學習的技術我們基本都用到。根據業務的具體需求，我們也會對特定的技術進行組合，其中就包括機器學習技術，最終目標只有一個——嘗試實現知識工作自動化，代替人腦去做很多事。

問：結合目前iPIN的業務，您覺得機器學習應該如何轉化為實際服務？並且為用戶服務？機器學習如何才能夠解決一些相對複雜的問題？

潘嶸：這一點其實可以參考人類，人類也有眼睛、耳朵、鼻子這樣的感官，同時還能根據這些感官返回的信息進行思考。所以有的公司也專註於打造這種「最外端」的能力，比如科大訊飛這樣的公司。雖然「外端」 ，但感官同樣重要，因為機器想要融入人類社會，第一步就是要對這個環境有所感知。

但這樣的能力實際上人類很小就已經具備，比如一個能認出「深圳大學」4個字的小學生，很可能並不理解這所學校的社會地位，更不明白在大學中扮演重要角色的「教授」，究竟是什麼一個概念。

所以僅有感知也不夠，人類無時無刻不在做分析、推理。這也是為什麼IPIN最希望解決社會經濟的這種認知問題。到底應該如何去評估整個經濟社會中的一個人、企業、學校、專業。而iPIN所採用的方法就是把分布在互聯網或者其他各種渠道的這些數據，把它們聚合起來，形成這種社會經濟的整體認知。

這個目標比下圍棋要難不少，因為圍棋有自己明確的規則，而社會經濟的「規則」不明顯，甚至是潛在的。而且如果機器的智能成長到一定程度，一盤圍棋的下法將變得越來越固定，而社會經濟卻依舊是多變的。

所以我們也發現了繼續打造機器感官的「天花板」——最外端的能力越來越強，但是在關鍵的認知環節卻停滯不前。這就好比它們在不斷打磨自己的武器，但卻不知道怎麼樣才能夠打一場仗。而這恰恰是自我定位「認知平台」的iPIN一開始就瞄準的目標。

楊洋：目前和我們定位比較相近的是IBM的Waston，可以看到我們實際上都在做同一件事，就是究竟怎麼樣能夠提高知識工作過程中核心的自動化。我接著潘老師的話再提下自己的看法。既然我們想要全方位要打一場仗，自然就需要各種規劃，而目前人工智慧的各種應用同樣在做各種各樣從底層到項目的規劃。任何一個商業上的角色都是複雜角色，它都不是單一角色，它是環環相扣的。

問 :從實際業務的角度出發，您認為目前的機器學習技術是否存在不夠「高效」的問題？在利用機器學習技術打造服務能力過程中，有多少部分必須要人的幫助？目前機器學習技術能夠在什麼程度上取代人力？

潘嶸：機器學習不夠「高效」這種說法總體上是正確的，但並不是機器學的慢，也不是機器學不來。而是目前的人工智慧的相關應用場景很割裂，很多單個應用上高效的成果並不能形成聯繫，因此機器的學習成果也沒有積累。

在這一點上，人類就強很多，不僅能夠在遇到新問題的時候迅速找到解決方式，同時還能夠利用自己之前所積累的各種知識。這也有點類似之前比較火的「遷移學習」。

但目前「遷移學習」的確還相當不成熟，所以人們只能夠在整體的機器學習高層框架之下重複去跑、收集數據，人為調整學習框架。所以這個「不高效」的問題的確存在，而且目前還挺難解決。

人在整個機器學習過程中扮演角色這個比較難量化，但毫無疑問的是：主動權依然還是掌握在人手裡。儘管現在也已經有一些機器學習參數自動調節之類的新技術。但學習這個行為依舊要靠人類發起。

問：從業務發展的角度來看，您認為機器學習接下來的發展方向是什麼？（效率？演算法？應用普及？）

潘嶸：這幾點都非常重要，也是我們所需要的，尤其是應用。要知道10年20年前還曾有人質疑人工智慧管不管用。因為他們認為你幾乎舉不出一個例子，能夠讓它真正成功落地的。雖然現在大家至少不懷疑這件事了，但也不意味著這件事已經很順當了，正如剛才我們所提到的對於人的依賴。

而且這個問題往深了講特別遠，究竟什麼時候機器能夠跟人類的角色齊平，充當起任務的發掘者，這一方面目前還是只能去探索研究。

這個問題如果放大到學界就更無法回答了，目前機器學習的進展就像讀《人類簡史》一樣，人同樣是因為各種偶然的機會才能夠走到現在，人工智慧目前同樣也很「稚嫩」。整個學界一遍在百花齊放，一邊大家也都還在摸著石頭過河。目前依舊不存在一條確定的「光明的道路」。

問：作為人工智慧技術其中一名推動者，您是否也會擔心人工智慧技術所帶來的一些社會問題？比如大規模失業和收入不均？這些有可能發生的問題是否有可能通過人工智慧技術本身來解決？

潘嶸：我覺得人工智慧帶來社會問題這個想法本身就是錯誤的，因為未來本來就是很虛的。我們現在覺得機器沒有情感，但如果機器真的要融入社會，他們肯定會學會人類的情感，比如喜怒哀樂。那麼這些社會問題出現的時候，機器也會隨之給出反饋。另外一種情況下機器很可能只跟機器打交道，甚至可能統治這個世界，那麼社會問題就已經不存在了。

應對這種不確定未來的最好方式就是試驗，我們可以找來1萬個AI，將它們放在同一個平台上跑，看看它們會怎麼演變。這倒是可以讓普羅大眾真正地看到，究竟AI如果獨立存在，它們將如何進化。

值得一提的是，iPIN CEO楊洋也將參與今年的CCF-GAIR大會，並且將在機器學習專場中發表題為「認知分析—透過機器重新審視商業本質」的主題演講。屆時，他將在現場為觀眾分享更多關於機器學習以及iPIN目前在人工智慧領域所取得的進展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！