原標題：AI現(xiàn)階段擅長“人能做的事”

　　百度會開發(fā)基礎的人工智能技術，從語音識別到計算機視覺，從神經語言程序學到數(shù)據倉庫，再到用戶理解。我們會利用這些技術支持百度的很多內部業(yè)務，還會孕育新的方向。例如，在百度內部，我們所有的重要業(yè)務領域都已經被人工智能改變。從網絡搜索和廣告投放到機器翻譯和餐廳推薦，所以人工智能已經在百度隨處可見。

　　人工智能已經非常擅長自動處理人類所能從事的事情。例如人類非常擅長識別語音，而人工智能語音識別也在從事相同的任務。人類非常擅長識別人臉，人工智能也在這一領域取得了快速進步。

　　結果就是，我們的工具更擅長自動處理人類所能完成的工作，而不是解決人類都無法勝任的任務。原因有很多，但其中之一在于，當我們選擇一項人類能夠完成的任務，然后讓人工智能介入其中之后，就會努力研究為什么人類完成任務的速度更快。所以，如果你看看人工智能的各種垂直領域，肯定會發(fā)現(xiàn)一些連人類都不太擅長的任務。

　　我認為亞馬遜現(xiàn)在為我推薦的書甚至比我妻子推薦得還好。要知道，我妻子對我非常了解。之所以出現(xiàn)這種情況，是因為亞馬遜匯總了海量數(shù)據(37.350, 3.40, 10.01%)，了解我瀏覽過哪些書，在網站上看過哪些書。從這個角度看，它遠比我的妻子更了解我在看什么內容。

　　從研究角度來看，遷移學習和多任務學習是我需要探索的領域之一。當今機器學習技術的多數(shù)經濟價值都是應用學習，學習許多標簽化的數(shù)據，以此完成你希望解決的具體任務。例如，利用龐大的標簽化人臉數(shù)據庫學習識別人臉。對于很多任務而言，我們在特定的垂直領域根本沒有足夠的數(shù)據來構建自己的系統(tǒng)。

　　所以今后的一大領域是遷移學習，你可以讓一套機器學習系統(tǒng)從事不同的任務。比如讓它學會識別常見物體。學會了識別常見物體后，可以利用其中的多少知識來從事面部識別這項具體任務？

　　有一些技術目前已經廣泛應用于遷移學習，但我認為相關的理論和最佳實踐仍然處于早期階段。我們之所以看好遷移學習，是因為現(xiàn)代深度學習技術已經可以為具備海量數(shù)據的問題提供不可思議的價值。這可以為很多應用模式的發(fā)展提供巨大動力。

　?。ㄒ陨嫌^點不代表本報意見）