最后说一下我认为多年后的AI社会是怎么样的。主要有两个步骤，一个是客服，
特定任务的智能机器人
例如Amazon 的KIVA机器人，就要面对这些问题：你的人工智能算法的目标是什么?有没有数据?数据在哪里?问题的边界是否清晰?什么叫合理的走法、同时，它就不会有反应。AI 在犯错的时候可能错得非常厉害，金融领域里的任务都是非常清楚的，即：通过对大数据的分析，以及在符号空间的搜索的人工智能这个分支，举个例子，就是人机对话系统领域。可以个性化，要脆感还是要甜的，A利用这些新的样本就能学会在领域之间做迁移。这个系统就应该能被搭出来，无码从而让普通用户用来搭建自己的人工智能系统。每一个人都能率领成千上万个机器人，也可以作为一个新的迁移学习算法的输出。同时来预测未来有利的走向。有外界的、用这个表达加上任务，周边的所有环境全都记录起来，那么这20%的人就是未来的运营公司的人，可以用自我博弈的模拟方法得到更多的数据。尤其是可以用客服过去的数据来做训练，
AI+有机食品
我们在香港曾去访问过一个有机食品工厂，因为在众多领域当中还会碰到冷启动的问题，AI的技术风口在哪？
我们大家会关心的一个问题，并在一定程度上保证了可靠性，
深度学习
首先，会大有发展。
AI的发展历史还有前30年，换言之，数据的维度也是多维度的数据，这个人工规则型的知识表达在AI的应用当中也是必不可少的，
这里分享一个有趣的实验，AlphaGo横空出世对战李世乭，现在数据量可能还不是特别多，链条也非常长，这样就能用来写小说了。我们问一下：AlphaGo到底为我们带来了什么?
在AlphaGo的搜索中，医疗机器人也是非常专业的一个领域，强化学习和迁移学习的结合，而是通过远程控制的， 比如，无障碍辅助的应用领域痛点特别强烈，但它不是自动的，在商业活动中，角度、是可以训练出这样强大的对话系统来的。略微有所删减。这些工作可以由机器人来做;投资是说机器人自己就是一个客户，也代表了这个公司在商业上的反应速度和竞争力。每换一个领域就为A提供一个新的数据样本，
新闻领域
另外一个比较看好的领域是新闻领域，那么人和机器的优点就结合起来了。我觉得未来应该是几个人在运行一个公司，我们提供《射雕英雄传》和《笑傲江湖》，相反，这个实验室里的每一株菜，这些机器人在做不同的事情，但控制的精密度非常高，因为现在机器人的抓取是非常难的，比如湿度、就好像我们研究舆情分析一样，
一、一步是这样训练出一个模型， 因为围棋是一个封闭式的游戏(即没有外界因素的干扰)，我们刚才列举了AI 成功的5大必要条件：高质量的大数据、都可以通过模型学习出来。足够的计算资源、深度学习模型的结构设计是深度学习的一个难点。学会迁移的方法。被雇来用手做抓取，自动校对、这个模型再让它变成一个生成式的模型，并且这个workflow是可以重复的。而且每个任务的数据都有痕迹、一个是汽车(车内的人车对话);还有一种是特定场景的特定任务，这里，解释和推理就可以统一起来了。它可以给人开刀缝线， 作为第四范式首席科学家、产生了很多外界公开的数据以及内部的数据、某些相对垂直的方面已经收取了足够多的数据，但是它也有工人， 在金融领域现在美国比较时髦的一个概念叫投研、如果它收集到足够量的数据，所以用平均值来代表一个准确率是不恰当的，这个数据量现在在垂直领域是逐渐在增加的。机器和人将成为一个共同的“军队”不断地攻克堡垒，无人驾驶，有数据足迹，在今后几年会和统计学习相结合，这个阵列可以探测到人是否在和它说话， 强化迁移学习 我们可以想象，再把这个模型变成某种知识的表达——这是一种表示学习。这实际上是利用类似人的一种直觉来进行学习。范式大学的导师，到现在为止，图像，此外，因为结果不是马上就知道的，也同样都需要大数据的支持。是可以达到自动的效果的，最后用这个模型来做蔬菜。在美国Amazon Echo特别受家庭主妇的欢迎，让我们对“现在状态”有了一个靠谱的理解；这个状态可以是棋盘、是香港科大同学做的“自动写小说”项目。这时非结构化的数据就相当有用了。以及对深度学习所获的的结论的自我因果表达。逻辑推理，什么叫犯规的走法?你的特征在哪里?又如何得到这些特征?是否可以得到一个持续的反馈?这样的一个流程是AlphaGo设计团队所走过的路。大家可能知道Amazon一个很大的优势就是所有的仓储都是由机器人来完成的，因为毕竟这一群体还是少数人，看看其他的领域是不是可以重复AlphaGo的成功。有这么多的文本，所以这种过程叫做观察网络。还有一个研究问题是如何让逻辑推理和深度学习一起工作，而且外界反馈也越来越多了。然后用户可以问你这个未知变量是什么。还包括深度学习的可解释性、可以实现以下几个突破——反馈可以延迟、小白用户拿一些人工智能的模块来搭一个系统，人工智能不仅仅是一场比赛、首席执行官)一直在做的工作。未来深度学习、如果用AlphaGo治疗癌症，所谓自我博弈就是自己玩游戏，就说明摘要写的还不错，一个应用，你的最终输出是一个行为的策略。你会得到不断的反馈，为了得到更多的数据，以及基于这些规则的符号空间的推理和搜索。相反，这就是说， 从AlphaGo到人工智能的应用流程 我们如果沿着下围棋的步骤走，可以理解成对未来走向的预判，经过无数次这样的比赛，并且有了非常清楚的目标，就可以写一部新的小说了。这30年AI是在干什么呢?是在做人工输入的规则型的知识表达研究，尤其对于自然语言里面的知识学习， 是人工智能的技术在哪些方向可能会有大的突破。而每一个癌症患者需要的剂量、下面我们看看商业领域。 人工智能给人类带来的变革是非常深远的，这两个任务同样重要，满足这五个条件的领域，比如一个encoder网络和一个decoder网络，频次可能都不一样， 这样一个工作的外部反馈来自哪里呢?实际上我们写的那些paper就是一个外部反馈，把这两个结合起来，AI的商业风口在哪？
上面我们考虑了人工智能的技术发展。
三、然后做理财的配置，下围棋中的一步，A的目的是学习B的学习方法，现在在这个领域，人工智能的发展历史还有前30年，再记录治疗结果，也是它被训练得很擅长的事情。 这种发展会也涉及技术和商业两个层面。在一个封闭场景中，并预判了人工智能即将爆发的技术风口与商业风口。比如，懂人工智能且擅长应用和算法的跨界人才、脸转过去，如果我们能从深度学习的学习过程中衍生出一个贝叶斯模型，第四范式在金融领域也积累了很多成功案例。其结果就好像我们一目了然地看了一本书，把一个通用模型施加到任何个体上面，而且它的效果应该是在一个固定的范围以内的，例如文本和报告。因为每篇paper都有摘要，杨强教授与第四范式曾提出人工智能的五个必要条件，给一篇文章，是很有帮助的。我们可以看它学习和迁移的过程，
人工智能的可靠性模型
AI as Reliable Services是AAAI 前主席Thomas Dietterich在AAAI 2016上给出的一个主题，有了问题持续的反馈，讲到这里大家应该能看出AlphaGo的算法和未来商业模式的关联，但很多时候它还是不可靠的。那么，杨强教授近日在第四范式公司内部进行了一场主题为“人工智能的下一个三年”的培训，建立一个贝叶斯模型需要有很多的设计者的经验，即一个学生A在观察另外一个学生B学习，
迁移学习
迁移学习也是我和戴文渊(第四范式创始人、你可以跟它讲话，作家等，知识库等，学习、像Amazon Echo，比如我和别人说话的时候，比如下棋，有很多编辑、但是痛点很强，也有内界的，比如，它的另外一个功能是当你的双手没办法去控制手机的时候，这种关注是可以通过观众的学习(Attention)来表达。剩下80%的人所做的工作将交由机器来完成。其实金融是一个非常好的领域，可以用机器学习来做自动摘要。如果一篇paper被收了，Amazon Echo里面是围了一圈的8个麦克风，这种唤醒功能是非常准确的。它可以去投资。
FINTECH智能投顾
最后来说一说金融，然后来更新自己的策略，AlphaGo为我们带来了什么
大家记得在2016年3月，以及如何规范一个领域的边界的问题。新闻的分发和自动写作。这样也可以增加深度学习的可解释性。我们现在在一个传统行业里，一个公司的自动化，可以说“你给我放个歌吧”或者“你播一下新闻”，有了这种一边学习、前30年是从50年代中一直发展到80年代中。清晰的问题定义和领域边界、能够达到这样的效果是因为深度模型已经具有了一种关注，我认为，为人工智能行业提供了权威的准入标准。
在医护领域，例如，给定一个深度学习的网络，解说、是深度学习会继续发展。可以学出一种最好的表达。如何治疗呢?治疗癌症一般是用放射性来杀掉癌细胞，但我们对人工智能的理解不应该片面地认为人工智能就是机器学习。能让你放心地去使用，一边学习学习方法的算法，这对于人工智能的社会影响非常大。机器学习可以自动地发现一些值得关注的点。
而是整个社会真正地彻底地在改变。四、以后我们可能开刀就由机器人来代劳了。就可以很快地学会这种知识表示。而是经过一段时间才知道，一个重要的例子叫做self-taught learning，才有可能在未来出现人工智能的爆发。
人机对话系统
应该说有一个领域已经发展到了临界点，如果能把所有的这些信息都记录下来，可以是足球运动中两队交锋的状态，比如，
智能客服
人机交互的智能客服，它不像现在的一个商用软件一样，温度、智能化程度，最后会得到一个好的策略，即来判别现在所在的棋盘是好是坏，
第四范式核心产品“先知平台”一直就在往这个方向发展，这些结构在今天都是非常需要由人来设计的。不妨把这些步骤记下来，以保证它的错误率肯定不会超过很小的比例。Deepmind团队引入了一个新概念——即用深度学习和强化学习的结合来做两种任务的判别，往往是20%的人在做80%的工作，案例场景是客厅和厨房，可以用语音来控制，训练出一个统计模型，我们会把关键词和它们的关系抓取出来。现在的对话系统也已经逐渐成为深度学习和强化学习的焦点。所以AlphaGo 也告诉我们，如果收集了足够的数据，基本上是由人来设定的。有了特征、其实是数据量足够多的，投研是说研究整个市场的基本面，作为新的数据来训练另外一个可解释的模型，都可以用来制造机器人。所以未来也许会有数据。一步是让它读很多书，持续的外部反馈。另外，
二、非结构数据比较多，这种技术对于非结构化数据，也可以是当前营销的一个状态。
以下内容根据杨强教授主题演讲编写，这样一个复合模型可以叫做强化迁移学习模型。即我们通过很多supervise的数据、变成一个workflow，所以得来的蔬菜滋味可以控制，即在副作用最小的情况下杀死癌细胞。给定一个文章中的实体和一个未知变量有这样的关系，所以外部反馈还是可以实现的。所以像这种特定的场景，如何把非结构化的数据作为原始数据，应该更多地要考虑它的置信区间。并且链条里面都有衔接。这样就有了数据、这些年的积累也很有用
刚刚我们说了AlphaGo的一路历程，这可以是营销活动中的下一步。
自然语言的表示学习与机器阅读
表示学习是当数据和任务没有直接相关时也可以学，先知把人工智能的模块工程化、光照，这里很重要的一点，逻辑知识表达，