杨强：深度学习、强化学习、迁移学习的结合及应用进展

作为首位美国人工智能协会（AAAI）华人Fellow，唯一AAAI华人Councilor，国际顶级学术会议KDD、IJCAI等大会主席，香港科技大学计算机与工程系主任杨强教授在国内外机器学习界声誉卓著。在此前接受CSDN采访时，杨强介绍了他目前的主要工作——致力于一个将深度学习、强化学习和迁移学习有机结合的Reinforcement Transfer Learning（RTL）体系的研究。那么，这个技术框架对工业界的实际应用有什么样的实际意义？在本文中，CSDN结合杨强的另外一个身份——国内人工智能创业公司第四范式首席科学家进行解读。

第四范式是原百度T10专家、杨强的弟子、迁移学习大牛戴文渊创立的公司，最初的定位是数据量丰富并且业务极为依赖数字化的金融领域，杨强在学术之余希望推广人工智能技术在国内的发展，参与了第四范式的创业。该公司最近发布了一个先知平台，自动化、智能化的机器学习全流程为一大卖点，核心技术就是RTL。杨强认为，人工智能成功的五个必要条件包括大数据、问题边界清晰、外部反馈、计算资源和顶级数据科学家，强化学习和迁移学习分别能够提供的反馈和适应性是单独的深度学习模型所不具备的，同时深度学习的重心已经到了从研究转向工业应用的时候。

参与创业的初衷

CSDN：您之所以参加第四范式的创业，除了师生关系，还有其他的驱动因素？

杨强：其实我们一直热衷于一件事：让我们的技术走向社会。我们一直在研究人工智能和迁移学习，另外我们也看到了很多大公司的局限，很多大公司有自己的想法和目标，一个研究者并不能百分之百地发挥自己的想象力，所以我们就想自己做一个有情怀的公司，来支持我们自己做一些想做的事情。一个很好的例子就是Google的Deepmind，他们就是做他们想做的事情，这对我们来说是一个更重要的启发。

在第四范式，我的主要工作涉及设计算法，包括强化学习、迁移学习的算法，而在工程方面团队有很多优秀的工程师已经在大公司受过很多的磨炼，所以我们是互补的。

CSDN：第四范式公开介绍的核心技术，包括您说到的深度学习、迁移学习、强化学习，还有一个记忆网络，第四范式的技术体系和您研究的RTL体系是完全一致的吗？

杨强：是一致的，当然是不是完全使用还看具体场景。我们比较认可的是强化学习、迁移学习，当用不同的结构把它们给组合起来，就是一种很新的好的学习方式。这种方式在现在还不是很流行，我们预计在今后几年都会用起来，也会通过我们的平台推动起来。

深度学习的局限

CSDN：您如何看待深度学习的优势和局限？

杨强：深度学习的局限来自于几个方面：

1. 表达能力的限制。因为一个模型毕竟是一种现实的反映，等于是现实的镜像，它能够描述现实的能力越强就越准确，而机器学习都是用变量来描述世界的，它的变量数是有限的，深度学习的深度也是有限的。另外它对数据的需求量随着模型的增大而增大，