不同于以提升點選率和轉化率等優化名額為主的機器學習模型，認知計算以實作算法和智能化為核心，訓練智能體的自主學習能力，以及多個智能體之間的協作和配合能力，和原來優化大資料和算法具有很大的差別。近日，筆者就認知計算、應用場景、算法優化、深度學習以及雲計算&大資料技術的關系等問題與阿裡認知計算實驗室研究員、資深總監袁全進行了深入探讨。
阿裡認知計算實驗室研究員、資深總監袁全（左一）
“人工智能時代，我們專注認知計算研究，以積累核心算法系統為首要目标”——袁全。
袁全的研究始于06年開始的個性化推薦，彼時他在ibm研究院率先研發這一新技術。在12年加入阿裡後，他主要負責手機淘寶、天貓的個性化推薦技術，包括算法、平台和産品的協同。袁全和他的團隊緻力于個性化推薦算法，典型産品有“有好貨”、“猜你喜歡”等。15-16年團隊主要研究淘寶首頁的全面個性化，在去年年中的時候，以alphago為代表的人工智能、認知決策技術的更新帶來了非常多的新理念和新技術，袁全所帶領的新團隊也轉戰認知計算這一領域，目标是在人工智能時代，積累核心算法系統和能力。
“最大的挑戰在于它是一個非常新的多種類交叉學科，涉及内腦科學、認知心理學、機器學習甚至是博弈論，是一個全新的開始”——袁全。
推薦是經典的機器學習&大資料任務，依賴于每天産生的上億使用者資料，而認知計算最核心的能力是實作算法的智能化，提升智能體的自主學習能力，對大資料依賴性會變弱。從商品推薦到認知計算這一轉變過程中，最重要的是要依靠認知科學來啟發算法的認知設計，袁全表示，因為人腦是我們唯一所知的具有舉一反三學習能力的物體，是以其中最大的挑戰就在于它是一個非常新的多種類的交叉學科，涉及腦科學、認知心理學、機器學習甚至是博弈論，是一個全新的開始。
應用于《星際争霸》遊戲中的雙向協調網絡（bicnet）
深度學習作為認知學習中重要推動力和實驗工具，也已演化成研究智能的一個非常重要的平台，包括越來越多的國内外高校都在用深度學習去模拟人腦結構，尤其是深度神經網絡對人腦的羅列和實作能力。當然後續也會結合其他流派的一些算法，例如結合符号主義、機率推理等，進而實作更好的學習能力。
機遇與挑戰并存，更好的學習能力往往意味着更艱難的當下。袁全表示，在應用過程中，團隊不斷改進算法等技術，以期實作更佳的效果和使用者體驗。細化到算法調優上，不僅從agent通信機制間提高通信效率，還兼顧agent個體和全體收益，智能體的回報激勵機制優化、全局和動态資訊的組合運用等，使得模型的通用性和擴充能力大大增強。
不過随着智能發展的火爆，各種ai威脅論也随之發酵。從團隊的整個學習過程，以及alphago等例子來看，智能的學習能力确實很有可能超越人類，機器協同效率遠高于人的協同效率，很可能是一個催化要素，加之硬體和算法不斷進步，智能對人類的威脅的确可能存在。現在看來最好的方式，是開放研究、共享新技術，多方共同逼近和實作目标；同時在ai的機制設定上，多引導其往人類不擅長、解決不了的問題上進行，與人類形成良性協作，互相增強。
另外，袁全還談到了雲計算、大資料與認知學習的微妙關系。誠然，智能體的訓練對海量資料的處理能力提出了更高的要求，三者相輔相成，但是目前從很多的進展來看，小樣本學習的技術也在不斷提升，是以資料量級并非越大越好，學習能力越強的智能體對資料的依賴程度越低，這也是一個新的認知。
“引進智能化，理想情況就是說，每個使用者背後都會有個智能體在專注地為他服務”——袁全。
在研究認知計算的過程中，袁全的團隊由淺入深，不斷補綴；結合ai在推薦等領域的應用，袁全認為利用ai去解決推薦的驚喜性問題，是一個技術和商業的很好結合。基于ai提供使用者需要但自身并未意識到的商品和資訊服務，逐漸引進智能化，理想情況就是說，每個使用者背後都會有個智能體在專注地為他服務。
對于想要從事個性化推薦、認知計算、通用智能的同學，袁全表示，紮實的功底必不可少，包括基礎的程式設計能力和數學能力。在此之上，再根據個人的特點選擇分支：甚至是一些偏深入研究的方向，例如，受腦神經科學啟發的認知學習機制；或者選擇通用智能領域，很多做通用智能的人都具有紮實的機器學習、強化學習背景；最後是非常重要的工程和系統架構能力，這是實作智能必不可少的一點。