機器之心：近期機器學習領域有哪些讓您覺得很有趣的研究嗎？

　　楊強：機器學習領域里一個很強的特點是：可以把感知的東西學到，但很難推理。所以我覺得一個挺好的方向是讓機器學習去做推理。一個例子是Facebook做的機器閱讀（MachineReading），它可以在讀的文章里做推理。雖然它很簡單，但指出了一個方向——加入注意力模型之后就可以做符號推理。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），還有很長的路。

　　現(xiàn)在，開始有一些工作把規(guī)則，邏輯和深度學習相結合，這可以起到解釋模型和獲得知識的作用，把人的知識賦予到統(tǒng)計學習的模型里，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。因為規(guī)則是在任何一個垂直領域都必不可少的，并不是任何東西都需要從零開始學。規(guī)則的好處是準確和通用，壞處是缺乏覆蓋的廣度比較有限，而統(tǒng)計學習可以應付各種例外的發(fā)生，如何把這兩者更好的結合起來是一個很有趣的方向。

　　機器之心：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)計結合起來？

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

　　機器之心：那人工智能需要從神經科學領域獲得更多靈感和線索嗎？

　　楊強：是的，確實可以獲得很多的靈感和線索。蒲慕明院士在2016中國人工智能大會的演講中介紹了很多神經科學的發(fā)現(xiàn)。首先，他們發(fā)現(xiàn)在生物領域也存在BP算法的現(xiàn)象。如果這個神經學的發(fā)現(xiàn)啟發(fā)了人工智能的研究，那將就是一個完整的故事，但是，神經學的這個發(fā)現(xiàn)是在計算機領域提出BP算法之后發(fā)現(xiàn)的。今天，這個發(fā)現(xiàn)也會對人工智能有啟發(fā)。其次，人工智能里的最小計算單元往往是同類型的神經元，但蒲慕明院士認為，人腦的神經元并不是都是同類的，而是每一類有各自專門功能的。如果我們在人造神經網絡中設計這樣一些神經元種類，也將是很有趣的研究問題。第三就是如何學習和計算一個「忘記機制」神經學發(fā)現(xiàn)，人腦是在進行有選擇的忘記，而這種機制是智能必不可少的體現(xiàn)。但是，在我們人工智能的學習系統(tǒng)里，并沒有特別設計這種忘記機制。
   另外，聯(lián)接主義在人腦研究中大行其道的，但在計算領域并不是如此，深度學習可能是一個例外。但其他的——比如說符號主義的搜索——大部分都是孤立的，是單CPU大規(guī)模算法在進行，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，但不應該被人類大腦所局限。我們最后可能會發(fā)現(xiàn)，新的人造的智能結構，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。

　　機器之心：對話系統(tǒng)是現(xiàn)在比較熱的研究領域，科技巨頭也都提出bots，目前在這方面還存在哪些研究難點嗎？

　　楊強：對話系統(tǒng)的一個難點是把目標引入，如果你只會聊天但不會實現(xiàn)目標，那就沒有商業(yè)前景；另外一個目標是如何把規(guī)則和統(tǒng)計學習結合好，因為有些特殊領域是需要有規(guī)則來規(guī)范的。第三個目標是怎么樣把個性化引入，這就是遷移學習所應該發(fā)揮的價值。如果把三者統(tǒng)一在一個系統(tǒng)里完整實現(xiàn)，可能還需要有很長的研究，如果能做出來，那就是解決對話問題的一個非常優(yōu)美的方法。

　　關于遷移學習，去年Science那篇文章Human-level concept learning through probabilistic program induction里提到的單個例學習，即oneexample learning。這實際上是一種遷移學習的做法，他們把一個問題分解成參數學習和結構學習兩種，他們發(fā)現(xiàn)如果參數學習如果能夠從別的地方遷移過來，那只做結構學習就可以了，而結構學習恰恰又特別好用，只需要一個例子就可以解決了。所以前面用了遷移學習，后面用了結構學習，就把oneexamplelearning實現(xiàn)了，是這樣一個trick。這給我們帶來一個很好的概念，就是說在對話系統(tǒng)中，你就可以把自然語言的結構學習和參數學習分開，采取分而治之的辦法。

　　機器之心：比如說在自然語言處理方面。那遷移學習應用自然語言方面會有獨特優(yōu)勢嗎？能實現(xiàn)不同語言間的遷移嗎？

　　楊強：可以實現(xiàn)不同語言之間的遷移。很多遷移學習的任務會比機器翻譯的任務要簡單，機器翻譯需要很高密度的數據來對應每一句話，你要收集很多的平行語料，但是有很多學習任務并不需要做語言之間的關系，比如說分類、聚類，像這樣不需要機器翻譯的，就可以用遷移學習來建立兩種語言（可以看成是兩個領域）之間的共同表示，就是一個中性語言，通過這個中性語言進行遷移。

　　機器之心：Chris Manning SIGIR2016主題報告Natural Language Inference,Reading Comprehension and DeepLearning中有一頁有一個形象的「壓路機」比喻，列了深度學習在哪一年會對特定領域的傳統(tǒng)算法進行「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。您對此怎么看？KDD應該在哪年？

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

　　但是，深度學習確實可以取代某些算法。另外，我覺得KDD和IR的基因還是不一樣的，這得看原領域和深度學習的重合度：做KDD研究的很多人是從數據庫過來的，他們是的目的是管理信息，這就不能僅僅引入機器學習；同時，KDD的有些人是機器學習過來的，他們可以引入深度學習。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構？因此，KDD為深度學習引入了這樣一個契機——不是深度學習碾壓KDD，而是KDD和深度學習一起來發(fā)揮作用。

　　機器之心：機器學習對基礎科學研究有什么重要的推動和價值？許多科學研究現(xiàn)在面對著海量的實驗，觀測數據，比如天體物理，粒子物理，生命科學，材料科學等，機器學習會在基礎科學研究中發(fā)揮重要作用嗎？

　　楊強：機器學習對基礎科學的發(fā)展應該有很大促進，在這些傳統(tǒng)科學領域，很多人可能現(xiàn)在沒有意識到人工智能可能帶來的影響，但我們看到，深度學習的出現(xiàn)，只是計算機出現(xiàn)以來的數字革命中的一環(huán)。下一步到底要到哪兒去？是不是有可能要把科學家變成「數據民工」？比如說，把天文學家就變成操縱望遠鏡的天體數據的民工，把生物學家變成擺弄小白鼠的生物數據的民工？雖然這是一個未來可能出現(xiàn)的極端現(xiàn)象，但從計算機革命的角度來說，這個未來并不是不可能！當然，科學家可以去創(chuàng)造一些理論并去驗證它，但這樣的科學家的助手們可能會變成一些機器人。所以，整個科學研究會出現(xiàn)一個本質上的變化。
  機器之心：戴文淵之前在介紹「第四范式·先知」平臺時，提到這個平臺的目的是讓數據科學家「失業(yè)」，那人工智能會不會讓科學家失業(yè)？

　　楊強：人工智能會讓很多二流科學家失業(yè)，一流科學家還是很安全的。

　　對人工智能從業(yè)者的建議

　　機器之心：您對目前行業(yè)內深度學習熱有什么看法？年輕從業(yè)人員應該如何對待這種現(xiàn)象？

　　楊強：深度學習過熱不是一個壞事，我們也不應該拒絕。對于年輕人來說，大家要用平常心來看：這是一個學習算法，學習能力比較強，能夠容納更多的訓練數據，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，要盡量多動手，多編程，多了解內核的東西，而不僅僅把深度學習當成黑箱來用。

　　機器之心：您認為國內人工智能領域在科研和產業(yè)上還有哪些缺陷和不足嗎？

　　楊強：我覺得國內的人工智能研究不能太跟風，對自己的研究理念和創(chuàng)新要有信心。在科研和產業(yè)都是如此，要創(chuàng)新，尤其是在大學的研究者，每個大學的教授應該是獨樹一幟的，自己領先一個子領域，而不是跟著別人去做。對公司的要求？公司要首先考慮生存，但在產業(yè)上也不要以為人工智能可以包羅萬象。

　　機器之心：您有著天文學和計算機科學的復合背景，研究天文學的這段經歷對您后續(xù)研究機器學習有什么幫助或者啟發(fā)呢？您的物理學專業(yè)背景為您后來人工智能領域的研究工作重提供什么樣的思維方式，思維習慣等方面的借鑒和幫助？

　　楊強：最大的啟發(fā)是知道一個問題要換幾個不同的角度去想，物理學家特別容易這樣，他觀察一個東西，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)想能力是物理學里特別流行，但在計算機領域不是這樣，培養(yǎng)一個學生出來很好的編程，拿競賽金牌，他都不一定有聯(lián)想能力。所以我特別受益于這種訓練，這可能不僅僅是從物理學來的，而是從跨領域來的，所以我建議年輕人可以接觸最起碼兩個領域。

　　機器之心：您有本關于介紹如何做學術研究的著作《學術研究——你的成功之路》，對于人工智能領域的學術研究，您能否給研究者提供一些建議？

　　楊強：任何學科都有一個系統(tǒng)性，對于研究我提過五點，這個對人工智能也適用。第一個就是研究的問題有用，重要。第二是這個問題可以給專業(yè)外的人都能說清楚，能自己很簡潔地表達出來，能講明白。第三個是要說清楚這個問題為什么難，就是問題到現(xiàn)在還沒有人做過，不知道怎么做。第四點是，雖然問題還不知道怎么做，但你知道怎么把問題進行分解，分成一段一段來做，每個階段都有一點進步，就是現(xiàn)在網絡上說的「小目標」。第五是得有數據來驗證你的想法，否則就是空想。這五個條件對學術和商業(yè)都適用。如果你覺得一個研究特別好，但你沒有辦法拿到數據，那你一開始就不要花時間做。另外，補充一點特別重要的，大家要明白別人做過些什么，要看很多論文，并能對過去的工作有所批判。

　　機器之心：您在學術界和產業(yè)界都取得了非凡的成績，這和日常的時間規(guī)劃、研究技巧和學習方法密不可分，能分享一下這方面的經驗和心得嗎？

　　楊強：時間規(guī)劃，研究技巧和學習方法，這些都會因人而異，但是，學術和工業(yè)的成功有一個共同點，就是——我特別受益于鍛煉身體，再忙也要抽出時間來鍛煉身體。中國的學者到國外去，要給人一種很健美的形象、要有精神。而且我們會發(fā)現(xiàn)如果我們經常鍛煉身體的話，很多時間規(guī)劃的問題就迎刃而解了，因為鍛煉之后你會發(fā)現(xiàn)頭腦特別清楚，會注意到很多細節(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。這是給大家的一個建議。