2019年中國人工智能大會（Chinese Congress on Artificial Intelligence 2019，簡稱“CCAI 2019”）將于9月21日-22日在青島召開。平安集團首席科學家肖京博士將為本次大會作題為《智能+金融戰略實踐》的主題演講。

肖京長期從事人工智能與大數據分析挖掘相關領域研究，多次當選重要國際學術會議委員會及中美國家基金評審專家委員會委員，先后在愛普生美國研究院及美國微軟公司擔任高級研發管理職務。目前肖京在平安集團負責創新技術及產品研發應用，包括智能化大數據分析等技術在金融、醫療、智慧城市等領域的研發和應用。

深度學習在人臉識別、機器翻譯以及人機對弈等領域取得的進步，引起了新一輪“人工智能熱”。在大會開幕前，我們不妨先了解一下，身處產業一線的科學家肖京，如何看待當前人工智能行業的發展？關于智能化在未來的推進和落地，他又有過哪些思考呢？

未來人工智能應像“烏鴉”

肖京在公開場合提過，人工智能并不是新事物。早在上世紀70年代，電視廣告里就出現了人工智能助手，幫助人查閱郵件，還能實現語音交互，只不過當時計算能力很弱；到90年代，由于互聯網的出現，數據、存儲能力、算法都有顯著提升，人工智能技術又開始蓬勃發展起來；再后來深度學習出現，為非結構化數據的處理帶來了非常大的突破，產生了非常多的應用場景，于是就形成了今天我們看到的人工智能熱潮。

對于當前火熱的深度學習，肖京表示它存在很多不足。比如，深度學習只考慮相關性而忽視因果關系，AlphaGo知道棋子下在哪會贏，但不知其所以然，不具備解釋性。另外，深度學習僅是分類而不能量化，它告訴你能贏，但不知道能贏多少。最后，深度學習還過于依賴大數據，以AlphaGo Zero來說，它不需要大數據訓練，因為圍棋規則明確、信息完備，機器可以通過結合深度學習和強化學習，實現自我訓練學習，然而絕大多數場景是不滿足信息完備等條件的，因此模型精度還是依賴大量的訓練數據，這往往是很難獲得的。因此，肖京針對性地提出，需要改進深度學習的方法，讓機器實現可解釋、可量化、小數據學習、可讀寫、自適應等能力。

在更宏觀的層面，肖京把人工智能的發展分為弱人工智能、強人工智能和超人工智能三個階段。他認為，當前人工智能還處在第一階段，會“計算”但不會“算計”，其計算智能已遠超人類，但在感知智能、認知智能等方面，還達不到人類的水平。肖京曾以烏鴉為例子，提出未來人工智能的進化方向。愛吃堅果的烏鴉，會主動停在交通燈上，在綠燈時丟下堅果，讓過往汽車碾碎，等紅燈時再下去吃。肖京說，未來人工智能至少要先能像烏鴉一樣，會“算計”和思考。

通用AI留給科研機構，企業應專注解決實際業務痛點

當前人工智能取得的突破，主要集中在專用領域，不少業內聲音認為，通用人工智能才是未來的趨勢。對此，身在企業界的肖京有自己的看法。

在肖京看來，通用人工智能起碼要等到強人工智能階段才會出現。他認為通用人工智能是個非常有意思的研究方向，不過在大多數實際業務中，通用人工智能未必能像專用智能一樣帶來附加的應用價值。

因此他提出，通用人工智能的研究，應該留給科研機構來研究攻關；對企業來說，應該更專注于研發智能技術，來解決實際的業務痛點。即便要瞄準通用人工智能，也應該作為遠期目標來規劃，否則就有不切實際之虞。

對于現階段人工智能的應用，他指出，定義清楚目標場景和問題是很重要的，問題定得太大、太通用，常常得不到很好的效果，應該在目標清晰有的放矢，應用獲得成功后，再考慮如何標準化并拓展應用。

企業如何實現智能化轉型？

隨著人工智能發展的進步，越來越多的企業提出了智能化轉型目標，希望借助人工智能的“東風”，實現發展躍遷。

肖京認為，相對于過去20年的互聯網革命，今天的智能化更加復雜。在他看來，過去20年互聯網的創新模式是相對簡單的，它只是把傳統業務轉移到線上，創造了新的渠道，但對于業務本身并沒有做出太多改造。

而智能化是技術上的創新，要在對傳統業務流程非常熟悉的前提下先做信息化改造，實現信息流通，再完成數據化。

肖京總結過傳統企業智能化轉型，需要具備的五個因素：

第一，要有技術、算法，計算平臺、計算能力；

第二，要有數據，實現數據化；

第三，要有場景，并在實際場景中不斷迭代，才能讓智能化方案不斷改進，最終真正發揮效用；

第四，要有行業專家的指導，這樣智能化改造才能有效解決實際痛點，而不僅是炫技；

第五，要有自上而下的機制來協調推動。

肖京還提出，智能化的實施要逐步展開。一上來就用最復雜先進的深度學習，不是最好的辦法。

在肖京看來，數據挖掘的價值主要體現在三個階段。

第一階段是業務規則和業務經驗，需要建立全面的確定性專家系統和規則引擎。業務流程中的許多環節深度依賴規則、經驗和知識，這些規則往往不能從歷史數據中獲取。

第二階段是商務智能階段，目的是要尋找到數據之間的關聯性，對用戶按數據特征合理分群并進行分類處理，主要應用于服務“頭端用戶”，即特征特別明顯的客戶群體。不過商務智能往往難以深入挖掘多目標、多因素復雜的關聯關系，尤其是對弱相關因子的挖掘和利用。而在大數據時代有顯著的長尾現象，需要盡可能挖掘大量的弱相關因子，才能充分利用大數據的價值。因此需要進入第三階段。

第三個階段是人工智能階段，利用機器學習及深度學習等人工智能技術，深度挖掘并充分利用大數據的價值，實現更精準分析。通常來說，由于長尾客戶沒有很明顯的特征，彼此間也缺乏關聯性，因而需要通過機器學習等深度智能的方法來觸達。而這時，根據不同項目、不同人群、不同場景進行建模就顯得尤為重要。