目前，人工智能面臨的挑戰(zhàn)有：一、人工智能很難定義問題;二、不能完全自動(dòng)化地收集數(shù)據(jù);三、好的應(yīng)用模型還不能和業(yè)務(wù)邏輯完美結(jié)合。

—微眾銀行首席人工智能官楊強(qiáng)

首先，我們把人類學(xué)習(xí)和機(jī)器學(xué)習(xí)進(jìn)行對比。人的大腦由很多個(gè)神經(jīng)元組成，我們的神經(jīng)元組成我們的機(jī)制。不同的神經(jīng)元之間可能有連接，連接管道的粗細(xì)代表我們學(xué)習(xí)的強(qiáng)度。

人類學(xué)習(xí)新知識(shí)的時(shí)候，經(jīng)常會(huì)接觸一些新的概念，大腦會(huì)加強(qiáng)對新概念、新知識(shí)的記憶。我們可以把這個(gè)理念賦予計(jì)算機(jī)，形成我們熟知的計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)，也是我們今天深度學(xué)習(xí)得以成功的一個(gè)最基本的單元。一個(gè)神經(jīng)網(wǎng)絡(luò)有輸入，也有輸出，輸入和輸出之間的學(xué)習(xí)過程，會(huì)把兩個(gè)神經(jīng)元之間的連接加強(qiáng)或者減弱，形成一個(gè)網(wǎng)絡(luò)。

人工智能的成功不僅取決于算法的成功，更取決于硬件方面的突破，以及大數(shù)據(jù)技術(shù)的發(fā)展。

人工智能算法的設(shè)計(jì)需要很多模型的支持，包括神經(jīng)元和神經(jīng)元之間的連接、深度學(xué)習(xí)網(wǎng)絡(luò)等。那么由誰來搭建這樣一個(gè)網(wǎng)絡(luò)？這就需要人工智能工程師。

我們知道，人工智能領(lǐng)域的人才少、培養(yǎng)時(shí)間長、投入成本高。我們很自然會(huì)提出這樣的問題，我們有沒有可能用AI設(shè)計(jì)AI？這可以解決很多企業(yè)、行業(yè)所面臨的AI人才嚴(yán)重不足的問題。要解決這樣的問題，我們不妨看看人工智能解決此類問題的流程。

首先，我們要定義問題。我們把一個(gè)問題從現(xiàn)實(shí)場景，如金融、制作，變成人工智能的目標(biāo)，我們把它稱之為目標(biāo)函數(shù)。同時(shí)，我們要定義問題解決時(shí)的約束條件，我們把這些約束條件變成數(shù)學(xué)公式，把行業(yè)中遇到的問題變成一個(gè)數(shù)學(xué)問題，這個(gè)過程就像藝術(shù)一樣。但是這個(gè)過程很難自動(dòng)化，很難用人工智能的方式進(jìn)行改造。

其次，我們要收集數(shù)據(jù)。收集數(shù)據(jù)看上去很簡單，但實(shí)際上需要很多人的力量。數(shù)據(jù)不一定在本地存儲(chǔ)，很多數(shù)據(jù)需要通過人與人的溝通來獲得，或者通過兩個(gè)不同機(jī)構(gòu)之間的戰(zhàn)略聯(lián)系來獲得。并且因?yàn)楸O(jiān)管的緣故，數(shù)據(jù)不能很簡單地從一個(gè)地方傳到另一個(gè)地方。所以，收集數(shù)據(jù)是不能實(shí)現(xiàn)完全自動(dòng)化的。

假設(shè)我們有了足夠的數(shù)據(jù)，我們還要在數(shù)據(jù)里抽取足夠多的特征，形成可以訓(xùn)練模型的數(shù)據(jù)，再進(jìn)行模型的訓(xùn)練和評(píng)估。特征的提煉工程、模型訓(xùn)練和模型評(píng)估，這三部分是可以實(shí)現(xiàn)自動(dòng)化的。

最后，我們要凝聚力量來形成好的模型應(yīng)用。因?yàn)檫@個(gè)應(yīng)用要和業(yè)務(wù)的邏輯相結(jié)合，業(yè)務(wù)邏輯本身存儲(chǔ)在很多人的大腦里，現(xiàn)在還不能用一個(gè)數(shù)學(xué)公式來表示。

現(xiàn)在有一個(gè)新的人工智能方向—AutoML，主要思想是把數(shù)據(jù)處理、特征處理、模型選擇和模型優(yōu)化全部自動(dòng)化。不僅如此，它還需要把網(wǎng)絡(luò)架構(gòu)部分自動(dòng)化，比如這些網(wǎng)絡(luò)是如何連接的，他們連接的頻度，對內(nèi)和對外應(yīng)該怎么設(shè)計(jì)才能使數(shù)學(xué)公式得到最佳的優(yōu)化。

在只有小數(shù)據(jù)的情況下，如何享受到人工智能的紅利？在企業(yè)，數(shù)據(jù)分散在不同的部門，不同的企業(yè)有不同的分散數(shù)據(jù)。比如在醫(yī)療上，如果利用人工智能，我們會(huì)發(fā)現(xiàn)不同的醫(yī)院有不同的圖像數(shù)據(jù)，現(xiàn)在還沒有比較好的辦法把這些分散的數(shù)據(jù)聚集在一起形成大數(shù)據(jù)。針對這個(gè)問題，人工智能技術(shù)設(shè)計(jì)者自然會(huì)設(shè)想一些新的算法。現(xiàn)在有一個(gè)算法可以很好地解決小數(shù)據(jù)的問題—遷移學(xué)習(xí)，所謂遷移學(xué)習(xí)就是用類比的方法把一個(gè)已經(jīng)建立好的模型和一個(gè)有大數(shù)據(jù)的領(lǐng)域的知識(shí)遷移到只有小數(shù)據(jù)的領(lǐng)域。我們發(fā)現(xiàn)在成熟領(lǐng)域數(shù)據(jù)足夠大的前提下，我們可以非常好地實(shí)現(xiàn)遷移學(xué)習(xí)。

我們的最終目的是獲得一個(gè)好的模型，我們把這個(gè)模型類比成一只被飼養(yǎng)的羊，數(shù)據(jù)就像草一樣，要想讓羊吃到草，我們就要收集在不同的地方的草，就像我們到不同企業(yè)收集數(shù)據(jù)一樣。但是現(xiàn)在我們不能把數(shù)據(jù)就像草一樣堆集起來，我們就可以用另一種辦法，讓這只羊在草堆里走來走去，使得羊在草不挪地兒的情況下同樣可以長大，這種做法就是聯(lián)邦學(xué)習(xí)（Federated Learning）。

在云端的用戶群中，每個(gè)手機(jī)其實(shí)都是一個(gè)用戶，這些用戶之間有很大的重疊性，因?yàn)槊總€(gè)手機(jī)收集的數(shù)據(jù)是差不多的，我們要利用橫向?qū)W習(xí)建立剛才說的聯(lián)邦學(xué)習(xí)模型，收集不同的用戶特征，兼顧用戶群的重疊性，利用這些重疊的用戶不同的特征建立一個(gè)更好的模型。當(dāng)用戶和特征沒有重疊，我們也有辦法，我們將遷移學(xué)習(xí)和聯(lián)邦學(xué)習(xí)結(jié)合起來，稱之為聯(lián)邦遷移學(xué)習(xí)。

最后，我要向大家介紹微眾銀行的AI。微眾是一家互聯(lián)網(wǎng)銀行，7×24小時(shí)在線上運(yùn)營?，F(xiàn)在它的用戶群數(shù)量在1.5億以上，主要面向數(shù)百萬的小微企業(yè)服務(wù)。

我們的AI部門現(xiàn)在的發(fā)力方向包括人臉識(shí)別、反欺詐、AI+廣告營銷、AI+新型數(shù)據(jù)，以及用聯(lián)邦學(xué)習(xí)做風(fēng)險(xiǎn)控制模型等。

聯(lián)邦學(xué)習(xí)的例子有很多，比如與供應(yīng)鏈的結(jié)合、和新零售的結(jié)合等。同時(shí)我們發(fā)布了世界上第一個(gè)聯(lián)邦學(xué)習(xí)的開源軟件，并被Linux基金會(huì)承認(rèn)接受。

（根據(jù)演講內(nèi)容整理，未經(jīng)本人審核）