继人工智能技术正式入驻商用市场以来，“深度学习”就被广大媒体和企业标榜为AI研究领域的核心。特别是近年来深度学习技术在图像及语音的分类和识别、物体检测以及轨迹预测和规划等诸多计算机语音及视觉任务上均取得了巨大的成功，引领各大应用领域走向“AI+”热潮。但随着应用的逐渐深化，“深度学习”技术也逐渐暴露出根本性的问题---由于对数据规模的强烈依赖性，再加上缺乏反馈机制，“深度学习”难以适应数据量较小的环境，无法在更多的细分领域得到进一步应用和拓展。除此之外，无论现在还是将来，庞大的数据量也只有少数的政府机关和大型企业集团才能真正接触到，对于中小型企业而言，基于“深度学习”的人工智能技术好似“天方夜谭”，而AI技术的推广普及就更显得“虚无缥缈”。

  作为人工智能领域的下一个“弄潮儿”，基于“迁移学习”的AI技术也逐步浮出水面。正如香港科技大学计算机与工程系主任杨强教授所言，如果说“深度学习”是人工智能技术的今天，那么“迁移学习”必将是“明天”，“迁移学习”的出现，让人工智能从此摆脱庞大数据量的困扰，在小数据集的环境下“举一反三”，真正令AI变得“灵活”起来，这对于AI技术的更进一步发展及推广应用都是大有裨益的。

  “深度学习”进退维谷 人工智能何去何从?

  毋庸置疑，深度学习对于目前智能设备上普遍使用的图像识别、语音识别等功能来说可谓是绝佳的解决方案，但如果转向其他领域，深度学习并不一定适用。这主要归因于深度学习的算法模型对数据训练时间上存在的延迟反馈问题，例如在机器人的应用方面，谷歌的AlphaGo在下围棋时，建立的深度学习模型需要循环的训练，通过不断的获取越来越大的训练数据集后，才能够再度进行深度学习模型VC维度的提高，从而对下一个行动作出正确的反馈。除此之外，在某些应用领域，深度网络不仅在训练上而且在线上也都需要部署GPU进行支持，如GooLeNet CPU的单张图片识别及处理就需要耗费Intel E5620 5s的时间，而且使用NVIDIA GeForce GTX970也需要160ms，因此在很多应用场景下我们所得到的反馈都是延迟的，而这种延迟反馈是深度学习所不能解决的。目前许多应用领域都对系统的延时有相当高的要求，就比如我们比较熟悉的无人机图传系统模块，对于延时的要求就必须要低于50ms以内，才能达到稳定的图像传输，可见延时反馈对于AI技术的进一步落地构成了很大的障碍。

  除了缺乏反馈机制之外，对于“大数据”的依赖性也成为该技术持续发展过程当中的一大“掣肘”。虽然目前的深度学习在语音识别和图像识别领域取得了突破性的进步，但如果把深度学习用于绝大多数的其他领域，比如说无人自动驾驶、实体机器人(比如无人机)等，就会面临一个来自于真实世界的非常大的挑战，那就是可训练的数据量严重不足。

  就以目前大热的无人驾驶技术为例，最大挑战在于要开发出在交通事故的预判和预防上远超人类驾驶员的AI系统软件。如果使用现有的深度学习去实现这一点，那就需要大量的事故数据，但这方面的数据供给非常有限，而采集数据的难度又很大。首先，没有人能够准确预测何时何地会发生何种事故，因此无法系统地提前做部署以采集真实事故数据;其次，从法律上来说我们不能靠人为制造事故来采集数据;第三，也无法模拟真实数据，因为事故更多涉及实时的传感以及与物理世界的互动，模拟出来的数据与真实数据差距很大，这从DARPA机器人的挑战赛当中就能看出来;最后，像谷歌的AlphaGo那样，在规则定义明确的简单环境下自行创造大量训练数据的方式，在复杂而真实的环境中更加难以发挥作用。

  如果遇到数据量不足的情况，同时又很难通过之前那些行之有效的方式去增加数据供给，那就无法真正发挥出人工智能的优势。而更重要的是，我们还会遇到数据类型不一样的问题，物理世界中是通过不同传感器来获取实时的数据流，而现在深度学习在信息世界中的应用，比如说图像识别，使用的数据都是基于图片的数据点，而非数据流。由此可见，深度学习虽然已在某些领域获得了成功，但如果要延伸到真实物理世界更多的应用领域，已经越来越难。

  突破限制：“迁移学习”成就AI的“明天”

  作为人工智能技术的“明天”，“迁移学习”已日渐崭露头角。它具体是指将通过某个领域大数据学习、训练好之后的模型，应用到与之相关联的新领域，以做到在新领域中，只需一部分数据或相对较小数据量就能实现机器学习，打破了人工智能长期以来需要大量数据集作为支撑的限制。“迁移学习”被国际人工智能领域公认为是继深度学习之后，下一个为人工智能带来突破的技术，此前，DeepMind创始人Demis Hassabis在《经济学人》上也公开表示Google正在探索迁移学习技术、斯坦福研究者也在利用迁移学习来帮助判断非洲各地区的贫困程度。

  而就在本月17日刚举办的“2016中国人工智能产业大会”上，原百度Top10专家，国际“迁移学习”领域大牛戴文渊就表示：“迁移学习，让机器不再‘就事论事'，而是拥有了人类‘举一反三’的能力，并可以基于此去预测、概述未来发生的事情，克服了深度学习和强化学习强烈依赖数据量才能运转的特性，，而且迁移学习所能够提供的快速反馈机制也是深度学习和强化学习所不具备的优势，由于对数据集的规模需求更小，因此也能够提供相比深度学习和强化学习更为快速的反馈，从而令AI技术真正达到合乎时代潮流的应用水平，同时也让更多的中小型企业个体甚至是个人用户能够真正感触到人工智能技术带来的诸多便利。”

  而在超高“VC维”方面，迁移学习也开启了一个全新的路径，戴文渊表示，业内在讨论深度学习、强化学习的应用效果时，“VC维”是最核心的衡量指标。而继深度学习、强化学习之后，“迁移学习”能够在相对较小的数据集基础上做出超高维度的人工智能，从而极大的拓展了机器学习在商业领域的应用范围。以图像识别领域为例，根据国际权威的ImageNet图像分类大赛数据，随着“VC维”从2010年的约30万上升到了2015年的大于1亿，图像分类错误率降低了8倍，最终实现在识别正确率上机器比人类更高一筹。

  同时，迁移学习未来在手机领域的应用也将会是一大看点，随着手机智能化的程度越来越高，未来不排除会有真正的AI系统集成到手机设备上，成为真正的“AI手机”。它能够实现比如让我们每个人自己的手机都能够记住自己的一些使用习惯及个人的生活习惯，并根据这些习惯，通过采集不同生活场景中的小数据集，来对时间和事件进行最优化分配，同时也可以根据这些数据集来为我们推荐最优化的解决方案，这样就可以避免我们浪费更多的时间和做出错误的安排和决定，从而提高生活质量和效率。那么，我们怎么才能让手机实现这一点呢?其实就可以通过迁移学习把一个通用的用户使用手机的习惯集合成一个数据模型，再迁移并匹配到个性化的数据集上面，我想这种情况以后会越来越多，“迁移学习”也将成为手机AI领域应用的一大新趋势。

  综上可得，人工智能技术的推广和应用落地离不开数量庞大的中小型企业和个人用户，同时，基于“深度学习”的AI技术受限于庞大的“特权”数据，为新一代的AI技术的突破及发展让步也是理所当然。“迁移学习”的到来也是时代发展的主流趋势，它改变了人工智能长期以来对于“数据规模”强烈依赖的尴尬局面，让AI真正成为一个能够普惠于民的实用性技术，而不是高高在上，可望而不可即。