杨强教授：用联邦迁移学习打破数据墙

杨强教授：非常荣幸，祝贺来也南区开业。非常高兴在深圳又多了一个老朋友，之后我们可以一起工作，一起奋斗。

跟来也的结缘是这样的，我长期以来从事人工智能的研究，一个很巧合的机会，当时我们在进行一个人工智能强化学习方面的研究，做一个智能音箱的对话系统，也就是做一个自动的Chatbot技术。我们做得很早，当时国内还没有像今天这样，没有大公司在做。所以，我当时就惊讶来也是正在做这个方向的一家公司。因为这个机会就把我们带到北京来也公司，当时是在知春路上的一个小楼里面。

刚开始上去以为走错了，走到哪个居民区去了。结果敲开门发现里面好热闹，我们非常惊讶地发现，来也能够把这些客服人员的工作当做一个强化学习的算法。这个算法里有各种角色，他们所进行的一系列操作都是很规整的，按照强化学习的方法来做的。

到现在，来也用强化学习、机器学习来做RPA+AI，我觉得是非常自然的一个走向。

杨强教授：大家在座的或多或少都在进行人工智能的工作，像来也自己在做RPA+AI，其实，不管是什么人做什么样的工作，只要是面向市场，都会面临这样一个场景，就是多方参与。这个多方参与的情况是一个非常棘手，非常不一样的情况。

尤其是像微众银行这样一个互联网的银行，有上百家合作方。我们一起为一个用户建立画像，但在建立的过程中，就会面临非常棘手的问题，就是数据不够。那么这个大数据在小银行的场景下，就没办法使用一些好的工具，比如深度学习。这个情况怎么办呢？

过去的做法是，在市场上大家把数据汇聚到一起来；但是现在呢，大家不便把数据共享，有政府监管方面的原因，也有大家对于隐私、安全各方面的考虑。我们知道，在一些大厂里，各个部门的数据互相之间也不互通。所以，就有人说深度学习受到了很大的威胁，人工智能也会因此衰落。但我不这样认为。

我认为，这对人工智能来说其实是一个新的机会，我们现在做“联邦学习”这样的工作，就是把各方看作一个联邦，然后让他们去共享这样一个模型。这个模型是依据各方数据来做的，但是建立这个模型的过程中，各方数据都在本地，只是大家在沟通的过程中分享一些加密参数。这就好像是我们在一起写一本小说，我们一起沟通进度，但是你看不到我写的，最后我们合起来是一本完整的小说。所以在这样的一个状态下，既可以满足大家的需求，也可以消除大家对于数据安全的恐惧。并且，我们发现在金融、医疗等行业都存在类似的问题，有对这个技术的需要。我觉得这件事情，是很有必要做的，所以我们也在致力于推进。

杨强教授：这个问题问得非常好。现在这个社会，并不是技术完善到百分之百，它就能自动地做什么事。就比方刚才说到的联邦学习，就是这样一个例子。首先，它不仅需要技术方面的创新，同时需要建立一个经济机制、建立一个经济市场，大家加入这个市场并且都能受益，才能吸引大家不断地加入。过去，当大数据的价值被意识到，各地的大数据交易所如雨后春笋般出现。但今天我们再回过头来看，大数据交易所并没有如我们预期的发展起来，主要原因是大家觉得交易数据是存在阻力和压力的。那通过联邦学习这种机制，我们主张交易价值，而不是交易数据本身，这引起了很多人的共鸣，包括政府。目前，我们和政府一起在建立一个国家标准，我们在国际上也在建立一个国际标准，也在吸引一些欧盟的人、美国的人加入。希望大家能够多关注，希望这样的技术可以推到每个行业。

杨强教授：那其实这个也是很奇妙的，有点像区块链早期的样子。不同企业有不同的喜好和价值体系，所以需要我们去完善这个机制。但是它是一个分布式的体系，需要依赖博弈论来帮助建立的相关的机制。那么博弈论来帮助建立组织，这个也是有先例的。比如说在国际上用博弈论经济学来驱动市场；再就是不同的运营商之间交换无线通信的频率，这样的经济模型机制都是非常领先非常成功的，这些其实都为我们现在的工作做了铺垫。

杨强教授：对，是有很多落地的场景的，其中一个场景就是在计算机视觉。我们跟一个视觉公司合作，目的是去监测工地工人的工作状况。但是每个工地并不想把工地的监控数据进行共享，因此我们就用联邦学习和计算机视觉，在实现监测的同时，又能保护隐私。

还有一个就是我刚才提到的再保险。再保险是保险公司需要知道一家公司的经营状况，而这些信息可能在不同的保险公司中，保险公司之间也是有竞争的，所以就需要在不共享数据的情况下实现共同来训练再保险的模型。

杨强教授：我觉得我在企业里每天都是一个小学生，我是很快乐的，因为学习是一件很幸福的事。在工业界，首先是要明确目标，怎么衡量一件事情做的好坏，在机器学习里这叫目标函数，一个好的目标函数很重要。在学术界目标可能是发一篇论文获得很高的citation，但在工业界目标是很不一样的。

其次，是周边要还有一个好的朋友圈，这个朋友可以是各色各样的。

最后，是你要学会合作，而且有的时候一个既合作又竞争的状态，这是一个非常有趣的事情。我也还在学习当中。

杨强教授：其实，现在看一下AI的教科书或者AI界前沿的一些技术，我们已经有很丰富的工具包。是不是我们的企业都要不断地去研究新算法呢？我觉得需要，但是没有必要。

企业要把AI落地，需要一个很重要的岗位叫AI产品经理。他能够发现业务中存在的问题，并且知道能用什么样的AI工具包来解决这个问题，能找到人去实现它，最后能够衡量AI带来的价值。比方说，RPA也好，联邦学习也好，到最后都变成一个可衡量的标准，这个标准可以用减少了多少工作量来算，也可以用它的价值来算，这就是AI产品经理的价值所在。

杨强教授：我觉得来也科技来得正是时候。这个周末中央刚刚把深圳定位为示范先行区，然后来也就来了，真是来对了，非常非常好。

深圳真的是科技铸造的一个城市，现在正是深圳科技发展的好时代，所以说"来也"真的是来对了地方。大家都各自发挥各自的优势，去助力科技发展。最近刚成立了大湾区人工智能与机器人联合学会，包括广东省人工智能与机器人学会，香港人工智能与机器人学会，澳门人工智能学会。希望来也科技的加入可以助力大湾区的科技发展能够更上一层楼。

杨强教授：目前我觉得中国最大的优势就是有我们这样的一批人存在。那像我，我平时喜欢坐地铁，一到地铁上看到的都是年轻人。所以我对深圳这个地方非常非常有期望，她非常有朝气。但是我觉得另一方面，人工智能也好，科学也好，这个都是有基因的，需要大家不断地去努力去学习，这个方面大家要继续努力。像AI落地，这就好像一个技术的落地实现，需要相应的架构和管理机制的建立。也许这个具体的方法论就会在深圳这块土地上发展起来的。

杨强教授：这个问题问得非常好。如果能够构建一个有效的协议，那么就像一个项目一样，人和人之间的沟通就好像企业和企业一样。首先呢它要有一个字典，这个字典就是代表一个标准；其次是这个字典里用的语法，就是说什么样的沟通是合法安全的，然后给安全定级，安全和效率挂钩，就是说你如果过于安全，肯定效率受影响，所以就可以分成几个安全级。如果满足某个安全评级的话，那对应的效率就是可以查得出来的。所以在两个企业合作的时候，他们可以根据制定的标准，用一些算法体现出效果和效率。然后在建立这个标准的同时，建立起这样典型的案例，就可以在各行各业，在医疗领域、在教育领域、在金融领域、在保险领域或者说在无人车领域等都可以培养。