我們都在歌頌人工智能的偉大，但我們都知道，如今的人工智能對我們生活的改變，很多都基于計算能力的增強、數據量的龐大和算法架構的優(yōu)化?？勺匀画h(huán)境中無(wú)窮無(wú)盡的變量、每個(gè)用戶(hù)也有不同的個(gè)性化需要，這一切都在增加著(zhù)人工智能算法的應用難度。

最關(guān)鍵的是，很多時(shí)候我們很難針對每一個(gè)應用模式都尋找到一個(gè)相應的數據庫，從而進(jìn)一步阻礙了算法的實(shí)際應用。

面對這個(gè)問(wèn)題，很多專(zhuān)家把希望寄托于遷移學(xué)習之上。今天就來(lái)聊聊，遷移學(xué)習到底是個(gè)什么鬼，還有它會(huì )怎樣改變人工智能的應用。

遷移學(xué)習——讓機器融會(huì )貫通

在目前的機器學(xué)習中常常出現這種情況，當我們想教會(huì )機器辨識一張圖片上動(dòng)物是貓還是狗時(shí)，我們需要大量的貓狗圖片數據。好不容易教會(huì )了，當把問(wèn)題換成圖片上的動(dòng)物是老虎還是狼時(shí)，過(guò)去的訓練無(wú)法發(fā)揮一點(diǎn)作用，只能從頭開(kāi)始。又比如說(shuō)，我們利用白天街景訓練出了一個(gè)在可以馬路上識別行人的模型，可到了晚上，這一模型的表現卻糟糕的令人咋舌。

類(lèi)似的情況正在不斷的增加著(zhù)機器學(xué)習應用場(chǎng)景的限制和成本，原因就在于機器缺少在學(xué)習上的遷移。什么叫學(xué)習上的遷移？就是當你學(xué)習過(guò)法語(yǔ)再學(xué)英語(yǔ)，學(xué)習速度會(huì )比只懂中文的人更快。讓機器在學(xué)習時(shí)可以舉一反三和融匯貫通，是遷移學(xué)習的最終目的。

學(xué)會(huì )抽象思考是遷移學(xué)習的第一步

那么機器究竟是怎么遷移學(xué)習的？用一句形象的話(huà)說(shuō)，是機器學(xué)會(huì )了抽取概念。

比如說(shuō)，我們可以為機器模擬出一個(gè)訓練環(huán)境，就像玩游戲時(shí)的模擬教學(xué)關(guān)卡，學(xué)會(huì )了怎么玩，再走去面對各種各樣的真實(shí)游戲情況。當然，這樣學(xué)習方式一定要建立在模擬數據和現實(shí)數據十分相似的前提下。所謂遷移的程度也就大大的降低了。

除此之外，遷移學(xué)習也可以讓機器通過(guò)特征進(jìn)行遷移。如上文提到的從辨識貓狗到辨識狼虎，機器可以從貓與狗的區別中提出長(cháng)/短吻、耳朵形狀等等特征，將這些特征差異與不同答案的對應模式應用于狼與老虎的判斷中。

其他的還有結合深度神經(jīng)網(wǎng)絡(luò )來(lái)進(jìn)行基于模型的遷移，比如我們利用大量語(yǔ)料進(jìn)行了基于普通話(huà)的語(yǔ)音識別訓練，當我們開(kāi)始進(jìn)行基于山東話(huà)的語(yǔ)音識別訓練時(shí)，雖然不能直接使用普通話(huà)的模型，但可以基于原有的模型，只需要少量的語(yǔ)料就可以完成訓練了。

相比“直接”的遷移模型，我們目前更多的還是在利用遷移學(xué)習減少模型訓練成本。如今遷移學(xué)習還在不斷的發(fā)展中，出現了層次型的遷移學(xué)習，把問(wèn)題分層，將能夠應用原有模型的層次固定，在其他層次再進(jìn)行訓練。還有傳導式的遷移學(xué)習、遷移學(xué)習方式獲取等等。

遷移學(xué)習怎么應用？在GTA5里訓練無(wú)人駕駛！

說(shuō)了這么多，其實(shí)我們最關(guān)心的還是遷移學(xué)習的實(shí)際應用。

最容易理解的遷移學(xué)習，存在于機器模擬訓練環(huán)境之中。最典型的就是DeepMind通過(guò)仿真環(huán)境訓練機械手臂的案例，沒(méi)錯就是那個(gè)擁有阿爾法狗的DeepMind，在2015年，DeepMind就將其作為推最新研究成果推出。最近又出現了無(wú)人駕駛項目Deep Drive在GTA5里訓練AI。

利用模擬環(huán)境訓練機器，雖然暫時(shí)不會(huì )加快家務(wù)機器人的應用，但對于工業(yè)生產(chǎn)來(lái)說(shuō)，極大的降低了智能化的成本。對于各種工業(yè)作業(yè)的不同需求，應用機械也需要不同的算法模型，可直接在實(shí)物上訓練意味著(zhù)巨大的成本。這時(shí)利用遷移學(xué)習的模擬訓練就能解決很多工業(yè)方面的需要。同時(shí)在無(wú)人駕駛上，很多平臺也都開(kāi)放了自身的模擬器，幫助無(wú)人駕駛實(shí)現更快速的訓練。

除了模擬之外特征識別也有很廣的應用，最典型的就是對用戶(hù)在通用領(lǐng)域的喜好遷移到個(gè)別領(lǐng)域之上。最典型的就是根據以往數據，得知用戶(hù)喜歡推理電影，在為用戶(hù)推薦書(shū)籍時(shí)，也會(huì )為其優(yōu)先推薦推理小說(shuō)。不僅僅讓智能推薦更加準確，在一些人機會(huì )話(huà)中，也可以通過(guò)增強對用戶(hù)的了解而減少對話(huà)的步驟。

除了以上兩點(diǎn)外，遷移學(xué)習還有大量應用案例。業(yè)內有人認為從深度學(xué)習到增強學(xué)習再到遷移學(xué)習的過(guò)程中，我們對數據的依賴(lài)程度越來(lái)越輕，所以遷移學(xué)習相比另外兩者更加“高級”。不過(guò)我們也可以換個(gè)思路，正確的了解和看待每一種學(xué)習方式，或許多種理論的交會(huì )和共同發(fā)展才真正有益于機器學(xué)習。

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數控、和而泰、中科曙光、永創(chuàng )智能、北京君正、通富微電、永創(chuàng )智能、勁拓股份。