那么，有了這樣的一個思路，我們也可以放眼看一下，我們現(xiàn)在有了這樣的成績，今后在人工智能哪些會是熱點？如果大家去過這些比較高端的學術會議，會發(fā)現(xiàn)有一個新的名詞叫“Explainable AI”（可解釋的人工智能），現(xiàn)在是非常地火爆。為什么會出現(xiàn)這樣的詞呢？因為可能過去一些爆點，像深度學習都是以一種黑箱的形式出現(xiàn)，我們并不知道它如何工作的，所以如果能夠解釋人工智能的引擎現(xiàn)在就變成一個非常急迫的任務，比如在關鍵的落地場景、決策、醫(yī)療、教育、包括政府的經(jīng)濟的決策，都需要這種“白箱”，這種透明，能夠和人們解釋后面的原因、因果。還有就是人工智能能不能夠把門檻降低，像第四范式就在努力地做這樣的一個先知平臺，使得普通人也可以用人工智能的產(chǎn)品在上面搭建應用。還有一個就是非結構化數(shù)據(jù)，這個數(shù)據(jù)往往是以自然語言的形式出現(xiàn)，可能以其他的信號形式出現(xiàn)，這里面因為有大量的人工需要清理數(shù)據(jù)的需求，所以它的進步相對于其他人工智能領域相對較慢，但是它的應用面卻更加地廣泛。還有就是如何讓人工智能的訓練過程能夠變得更加敏捷，就是如何能夠Speedup machine learning的流程。最后是人工智能能不能給大家提供服務，就像我們打開自來水一樣，我們能夠自動地得到這種服務，這樣使得社會分工更加清晰，使得不懂得AI的人能夠得到AI的好處。能夠做到這一點，就是AI能不能為所有的人服務，我們一定要研究這方面的技術，有一個技術是我和我的學生一直以來在研究的叫作遷移學習，遷移學習就是說如何能夠把已經(jīng)有的一個非?？孔V的模型和經(jīng)驗能夠遷移到一個類似的領域，使得在新的領域不用花那么大的資源就可以獲得一個很好的模型，遷移學習為什么有用呢？第一是它可以應對小數(shù)據(jù)，就是說在一個類似的領域，我們可以只依靠這個領域的小數(shù)據(jù)和前一個領域的大數(shù)據(jù)一起來建立一個新的模型，在小數(shù)據(jù)新的場景。第二個是它可以解決很多隱私方面的問題。假設我們要把數(shù)據(jù)遷移到一個個人的終端，這個終端如果有能力把一個通用的模型給適配到一個個性化的模型，它也可以很快地建立一個很靠譜的個性化模型，在手機上有新聞推薦等等之類的，都可以使用到這一點，在做的過程當中我們可以保證個人的隱私不外流。這個在企業(yè)服務上就非常地重要，如果一個企業(yè)建立了一個模型，為另外一個企業(yè)服務，另外那個企業(yè)不必要，不需要把數(shù)據(jù)傳到前一個企業(yè)去，它在本地就可以進行模型的遷移，這種就可以使得AI as a service可以實現(xiàn)。
我們實驗室做的工作，比如通過讓機器理解人的知識，能夠讓機器進行輿情分析，在一個領域做好一個輿情分析的模型以后能夠把它遷移到相關的領域，同時可以做跨領域的多媒體的，比方說文字到圖像的知識遷移。還有對話系統(tǒng)，假如說我們有一個通用型的對話系統(tǒng)，我們可以遷移到個性化的每個人的手機上，可以進行對話，可以推薦，為個人進行服務。
總結：第四范式的口號“AI For Everyone”一樣。這一點怎么得到呢？真正得到這一點需要我們大家不僅需要在學習上、在工業(yè)上要努力地把AI的門檻降低，如果真正能做到這一點，就像一個新的大數(shù)據(jù)和模型驅動的經(jīng)濟演進，這個就是我要講的，謝謝大家。