从人工智能到迁移学习之简述

在人工智能发展早期，人们认为智能来自逻辑，希望通过对计算物理符号的排列组合来实现人工智能，因此研究了诸如下棋、推理、路径规划等问题，并取得了一些成就。 经过十几年发展，人们发现智能也可以来自程序的自我学习，并发明了各种各样的机器学习方法，包括神经网络。

近年来，随着机器计算能力的大幅度提高，上述方法的可行性均得到部分验证。1997年，“深蓝”通过在状态空间搜索打败了国际象棋世界冠军卡斯帕罗夫，其本质上是物理符号空间的排列组合计算。 随着大数据时代的到来，更加有效的机器学习方法，如卷积神经网络和深度神经网络等，使得从数据中获取智慧这一方案在语音处理、图像识别等诸多领域取得了巨大的成功。强化学习是一种“无中生有”的智能创造方式，其通过在AlphaGo项目中与深度学习 “联姻”，引起了人们的广泛关注。AlphaGo的进阶版本AlphaZero更是通过纯粹的强化学习方法获得了优于AlphaGo的棋力。

上述研究均取得了很大成就，但都需要耗费巨大的计算资源和数据资源。然而，反观人类从蒙昧无知的婴儿逐渐长大成人的过程，你会觉得很有趣。知识和智慧的增长速度一开始很慢，但随着知识量的增加，人类学习新知识的速度越来越快。这其中涉及到的一个关键问题是人类具有举一反三，或者说知识迁移的能力，这使得人类通过极少量的样本就可以完成有效的学习。 比如，会骑自行车的人更容易学会骑摩托车；精通一门编程语言的人，学习其他编程语言也会觉得十分简单。

受到这一想法的启发，近年来迁移学习开始受到关注。 而除了模仿和解释人类学习的机理之外，机器学习依赖大量数据的困扰也是迁移学习发展的动力。虽然在某些领域，我们已经积累了大量的数据，但仍有许多领域处于数据匮乏的状态，在这些领域应用人工智能技术会异常困难。如果我们能使用迁移学习的方法，就可以迎刃而解这些问题。例如，我们可以在和小数据领域A相邻的领域找到拥有大量数据的领域B，如果B和A之间的知识迁移成功，那么在A领域就不用收集如此庞大的数据集了。基于其对人工智能领域的重要意义，迁移学习被认为是下一轮的人工智能落地的关键技术方法。