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(shù)據(jù)量的龐大和算法架構的優(yōu)化?？勺匀画h(huán)境中無窮無盡的變量、每個用戶也有不同的個性化需要，這一切都在增加著人工智能算法的應用難度。

最關鍵的是，很多時候我們很難針對每一個應用模式都尋找到一個相應的數(shù)據(jù)庫，從而進一步阻礙了算法的實際應用。

面對這個問題，很多專家把希望寄托于遷移學習之上。今天就來聊聊，遷移學習到底是個什么鬼，還有它會怎樣改變人工智能的應用。

遷移學習——讓機器融會貫通

在目前的機器學習中常常出現(xiàn)這種情況，當我們想教會機器辨識一張圖片上動物是貓還是狗時，我們需要大量的貓狗圖片數(shù)據(jù)。好不容易教會了，當把問題換成圖片上的動物是老虎還是狼時，過去的訓練無法發(fā)揮一點作用，只能從頭開始。又比如說，我們利用白天街景訓練出了一個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(xiàn)卻糟糕的令人咋舌。

類似的情況正在不斷的增加著機器學習應用場景的限制和成本，原因就在于機器缺少在學習上的遷移。什么叫學習上的遷移？就是當你學習過法語再學英語，學習速度會比只懂中文的人更快。讓機器在學習時可以舉一反三和融匯貫通，是遷移學習的最終目的。

學會抽象思考是遷移學習的第一步

那么機器究竟是怎么遷移學習的？用一句形象的話說，是機器學會了抽取概念。

比如說，我們可以為機器模擬出一個訓練環(huán)境，就像玩游戲時的模擬教學關卡，學會了怎么玩，再走去面對各種各樣的真實游戲情況。當然，這樣學習方式一定要建立在模擬數(shù)據(jù)和現(xiàn)實數(shù)據(jù)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，遷移學習也可以讓機器通過特征進行遷移。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(qū)別中提出長/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)絡來進行基于模型的遷移，比如我們利用大量語料進行了基于普通話的語音識別訓練，當我們開始進行基于山東話的語音識別訓練時，雖然不能直接使用普通話的模型，但可以基于原有的模型，只需要少量的語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習減少模型訓練成本。如今遷移學習還在不斷的發(fā)展中，出現(xiàn)了層次型的遷移學習，把問題分層，將能夠應用原有模型的層次固定，在其他層次再進行訓練。還有傳導式的遷移學習、遷移學習方式獲取等等。

遷移學習怎么應用？在GTA5里訓練無人駕駛！

說了這么多，其實我們最關心的還是遷移學習的實際應用。

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

利用模擬環(huán)境訓練機器，雖然暫時不會加快家務機器人的應用，但對于工業(yè)生產(chǎn)來說，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，可直接在實物上訓練意味著巨大的成本。這時利用遷移學習的模擬訓練就能解決很多工業(yè)方面的需要。同時在無人駕駛上，很多平臺也都開放了自身的模擬器，幫助無人駕駛實現(xiàn)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在通用領域的喜好遷移到個別領域之上。最典型的就是根據(jù)以往數(shù)據(jù)，得知用戶喜歡推理電影，在為用戶推薦書籍時，也會為其優(yōu)先推薦推理小說。不僅僅讓智能推薦更加準確，在一些人機會話中，也可以通過增強對用戶的了解而減少對話的步驟。

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

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(shù)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。