人工智能技術的推廣和應用落地離不開數量龐大的中小型企業和個人用戶，

51電子網公益庫存:

8205S

8205A

817-A/B/C/D妗?/a>

84VD21182DA-85

82C55

89E564RD-40-I-PI

88E1340Q-LKJ2

82C79

8002-A/B

93C46M8

93C46/56/66/86

93C46

同時，基于“深度學習”的ai技術受限于龐大的“特權”數據，為新一代的ai技術的突破及發展讓步也是理所當然。“遷移學習”的到來也是時代發展的主流趨勢，它改變了人工智能長期以來對于“數據規模”強烈依賴的尷尬局面，讓ai真正成為一個能夠普惠于民的實用性技術，而不是高高在上，可望而不可即。

“2016中國人工智能產業大會”上，專家表示：擁有了人類‘舉一反三’的能力，并可以基于此去預測、概述未來發生的事情，克服了深度學習和強化學習強烈依賴數據量才能運轉的特性，，而且遷移學習所能夠提供的快速反饋機制也是深度學習和強化學習所不具備的優勢，由于對數據集的規模需求更小，因此也能夠提供相比深度學習和強化學習更為快速的反饋，從而令ai技術真正達到合乎時代潮流的應用水平，同時也讓更多的中小型企業個體甚至是個人用戶能夠真正感觸到人工智能技術帶來的諸多便利。”

在超高“vc維”方面，遷移學習也開啟了一個全新的路徑，專家表示，業內在討論深度學習、強化學習的應用效果時，“vc維”是最核心的衡量指標。而繼深度學習、強化學習之后，“遷移學習”能夠在相對較小的數據集基礎上做出超高維度的人工智能，從而極大的拓展了機器學習在商業領域的應用范圍。以圖像識別領域為例，根據國際權威的imagenet圖像分類大賽數據，隨著“vc維”從2010年的約30萬上升到了2015年的大于1億，圖像分類錯誤率降低了8倍，最終實現在識別正確率上機器比人類更高一籌。

遷移學習未來在手機領域的應用也將會是一大看點，隨著手機智能化的程度越來越高，未來不排除會有真正的ai系統集成到手機設備上，成為真正的“ai手機”。它能夠實現比如讓我們每個人自己的手機都能夠記住自己的一些使用習慣及個人的生活習慣，并根據這些習慣，通過采集不同生活場景中的小數據集，來對時間和事件進行最優化分配，同時也可以根據這些數據集來為我們推薦最優化的解決方案，這樣就可以避免我們浪費更多的時間和做出錯誤的安排和決定，從而提高生活質量和效率。那么，我們怎么才能讓手機實現這一點呢?其實就可以通過遷移學習把一個通用的用戶使用手機的習慣集合成一個數據模型，再遷移并匹配到個性化的數據集上面，我想這種情況以后會越來越多，“遷移學習”也將成為手機ai領域應用的一大新趨勢。

深度學習對于目前智能設備上普遍使用的圖像識別、語音識別等功能來說可謂是絕佳的解決方案，但如果轉向其他領域，深度學習并不一定適用。這主要歸因于深度學習的算法模型對數據訓練時間上存在的延遲反饋問題，例如在機器人的應用方面，谷歌的alphago在下圍棋時，建立的深度學習模型需要循環的訓練，通過不斷的獲取越來越大的訓練數據集后，才能夠再度進行深度學習模型vc維度的提高，從而對下一個行動作出正確的反饋。除此之外，在某些應用領域，深度網絡不僅在訓練上而且在線上也都需要部署gpu進行支持，如goolenet cpu的單張圖片識別及處理就需要耗費intel e5620 5s的時間，而且使用nvidia geforce gtx970也需要160ms，因此在很多應用場景下我們所得到的反饋都是延遲的，而這種延遲反饋是深度學習所不能解決的。目前許多應用領域都對系統的延時有相當高的要求，就比如我們比較熟悉的無人機圖傳系統模塊，對于延時的要求就必須要低于50ms以內，才能達到穩定的圖像傳輸，可見延時反饋對于ai技術的進一步落地構成了很大的障礙。

除了缺乏反饋機制之外，對于“大數據”的依賴性也成為該技術持續發展過程當中的一大“掣肘”。雖然目前的深度學習在語音識別和圖像識別領域取得了突破性的進步，但如果把深度學習用于絕大多數的其他領域，比如說無人自動駕駛、實體機器人(比如無人機)等，就會面臨一個來自于真實世界的非常大的挑戰，那就是可訓練的數據量嚴重不足。

目前大熱的無人駕駛技術為例，最大挑戰在于要開發出在交通事故的預判和預防上遠超人類駕駛員的ai系統軟件。如果使用現有的深度學習去實現這一點，那就需要大量的事故數據，但這方面的數據供給非常有限，而采集數據的難度又很大。首先，沒有人能夠準確預測何時何地會發生何種事故，因此無法系統地提前做部署以采集真實事故數據;其次，從法律上來說我們不能靠人為制造事故來采集數據;第三，也無法模擬真實數據，因為事故更多涉及實時的傳感以及與物理世界的互動，模擬出來的數據與真實數據差距很大，這從darpa機器人的挑戰賽當中就能看出來;最后，像谷歌的alphago那樣，在規則定義明確的簡單環境下自行創造大量訓練數據的方式，在復雜而真實的環境中更加難以發揮作用。

如果遇到數據量不足的情況，同時又很難通過之前那些行之有效的方式去增加數據供給，那就無法真正發揮出人工智能的優勢。而更重要的是，我們還會遇到數據類型不一樣的問題，物理世界中是通過不同傳感器來獲取實時的數據流，而現在深度學習在信息世界中的應用，比如說圖像識別，使用的數據都是基于圖片的數據點，而非數據流。由此可見，深度學習雖然已在某些領域獲得了成功，但如果要延伸到真實物理世界更多的應用領域，已經越來越難。

作為人工智能技術的“明天”，“遷移學習”已日漸嶄露頭角。它具體是指將通過某個領域大數據學習、訓練好之后的模型，應用到與之相關聯的新領域，以做到在新領域中，只需一部分數據或相對較小數據量就能實現機器學習，打破了人工智能長期以來需要大量數據集作為支撐的限制。“遷移學習”被國際人工智能領域公認為是繼深度學習之后，下一個為人工智能帶來突破的技術，此前，deepmind創始人demis hassabis在《經濟學人》上也公開表示google正在探索遷移學習技術、斯坦福研究者也在利用遷移學習來幫助判斷非洲各地區的貧困程度。

繼人工智能技術正式入駐商用市場以來，“深度學習”就被廣大媒體和企業標榜為ai研究領域的核心。特別是近年來深度學習技術在圖像及語音的分類和識別、物體檢測以及軌跡預測和規劃等諸多計算機語音及視覺任務上均取得了巨大的成功，引領各大應用領域走向“ai+”熱潮。但隨著應用的逐漸深化，“深度學習”技術也逐漸暴露出根本性的問題---由于對數據規模的強烈依賴性，再加上缺乏反饋機制，“深度學習”難以適應數據量較小的環境，無法在更多的細分領域得到進一步應用和拓展。除此之外，無論現在還是將來，龐大的數據量也只有少數的政府機關和大型企業集團才能真正接觸到，對于中小型企業而言，基于“深度學習”的人工智能技術好似“天方夜譚”，而ai技術的推廣普及就更顯得“虛無縹緲”。

作為人工智能領域的下一個“弄潮兒”，基于“遷移學習”的ai技術也逐步浮出水面。正如香港科技大學計算機與工程系主任楊強教授所言，如果說“深度學習”是人工智能技術的今天，那么“遷移學習”必將是“明天”，“遷移學習”的出現，讓人工智能從此擺脫龐大數據量的困擾，在小數據集的環境下“舉一反三”，真正令ai變得“靈活”起來，這對于ai技術的更進一步發展及推廣應用都是大有裨益的。