AI与信息传播的深度融合最终能为内容生产与消费带来怎样的变数？AI又将在人机协同机制中扮演怎样的角色？
技术正在重塑内容行业，这其中，处于焦点位置的人工智能所扮演的角色愈发重要。在许多业内人士看来，人工智能俨然已成为内容行业通往智能化道路的最佳载体，智能创作的激活、智能分发的强化、智能平台的搭建，都有赖于一个可行性更高、覆盖面更广的人工智能体系的完善。
然而，即便是算法推荐风靡全球的今天，人工智能对内容领域的赋能也还是能用“方兴未艾”来形容。当技术的发展行进到阶段性突破的边缘，在制造焦虑的同时，也孕育了更多憧憬。AI与信息传播的深度融合最终能为内容生产与消费带来怎样的变数？AI又将在人机协同机制中扮演怎样的角色？
凭空想象无用，我们需要更专业的解读。本期全媒派（ID: quanmeipai）聚焦一位最合适的解惑者——微众银行首席人工智能官、国际人工智能协会（AAAI）执行委员会委员杨强，他眼里的AI，或许没有那么艰深晦涩。
AI大神是怎样“练成”的？
作为人工智能领域最重要的华人学者之一、迁移学习领域国际领军人物，杨强很早便获得了“AI大神”的称号。其出生于书香世家，父亲杨海寿生前曾在北京大学任教，主要从事天体物理的相关研究。对于杨强而言，投身于前沿科学事业，似乎是一件顺理成章的事情。但他的故事，也绝非坊间一句“AI大神”就能简单概括。
学界久负盛名者
其实，杨强原本的人生目标，是要成为一名物理学家。
在一次接受《中国科学报》的采访中，杨强透露，小时候他受到父亲的影响，对天文学情有独钟，因此1978年参加高考时，毅然选择了北京大学的天体物理专业。
上大三时，由李政道教授发起的中美联合培养物理类研究生计划（CUSPEA）开始了第三年的招生，杨强花了一整个夏天备考，成为本系唯一通过考试的大三学生，顺利进入美国马里兰大学攻读天体物理学硕士学位。
就在研究生期间，杨强阴差阳错地开启了一段与计算机的奇妙缘份，从此一发不可收拾。据介绍，起因是在一次研究天体物理的过程中，杨强急需卫星采集数据，而计算机可以完成这个任务，生产其所需要的数据。经过初步学习，杨强对计算机产生了浓厚的兴趣，并开始恶补计算机课程，以超乎寻常的努力完成了相关课程的学习，并成功转到计算机系。
1989年获得计算机科学专业的博士学位后，杨强先后在加拿大多所高校担任教职，积累了丰富的基础理论知识。2001年，他进入香港科技大学任教，并于2015年成为港科大计算机与工程学系主任。
在过往30年的漫长研究旅程中，杨强开展的重磅研究主要集中在迁移学习和联邦学习领域，其发表的论文高达400余篇，被引用次数超过两万次。与此同时，也创建过数份影响力颇高的学术期刊。
除了著作等身，他在学界的影响和造诣也直接体现在了一个又一个荣誉上。2013年，杨强当选为国际人工智能协会（AAAI）院士，这是人工智能届的最高荣誉，而杨强是第一位获此殊荣的华人；2016年，杨强成为AAAI执行委员会委员，是第一位也是唯一一位华人执委；2017年，杨强当选为国际人工智能联合会理事会（IJCAJ）主席；而就在上个月，他获得了“中国智能科学技术最高奖”——吴文俊人工智能科学技术奖。
多重光环下，杨强堪称是人工智能学界当之无愧的执牛耳者，不过，他在AI领域的探索并未止步于理论研究，在应用实践的阵地上，杨强也逐渐成为领军人物。
业界开拓急先锋
杨强对人工智能具体应用的探索，最早可以追溯到上世纪末。1999年至2000年，他曾于微软亚洲研究院担任过访问研究员。此后多年，杨强一方面活跃在AI研究的一线，同时也乐于为业界分享最前沿的动态。近年来，伴随着人工智能研究范围的不断深入和扩大，其应用前景受到市场广泛期待。在这一大背景下，杨强也积极投身于应用领域，参与了不少新型应用型研究。
2012年，杨强应华为邀请参与创办从事人工智能及大数据研究的诺亚方舟实验室。2015年，腾讯微信团队和香港科技大学成立人工智能联合实验室，该实验室以人工智能为主要研究方向，旨在改善用户的生活服务体验，借助大数据拓展机器学习的边界，这个WHAT Lab联合实验室便是由杨强负责的。
此外，杨强还是人工智能企业第四范式的联合创始人之一，这家公司自主研发了企业级AI生产服务赋能平台“先知”和智能推荐系统“先荐”，并在银行、零售、医疗等多个领域帮助企业应用AI技术。去年一月，第四范式作为代表企业，以“AI for everyone”成为麻省理工学院的“全球十大突破技术”榜单首位，在今年2月又入选了CBInsights全球AI百强榜单。
杨强在AI应用领域的最新身份是微众银行首席人工智能官，在他的带领下，微众银行在“AI+金融”的赛道上成功领跑行业。今年8月，微众银行自主研发的人脸引擎在国际AI顶级赛事WIDER Face Challenge中赢得冠军，并且在2019年国际人工智能联合会议期间举办了一场重量级研讨会。
所以，如果说吊足了全世界胃口的人工智能需要一场大型祛魅与解惑，那么作为在学界和业界均获得成功的跨界者，杨强可能是最有话语权的研究人员之一。
AI赋能内容，究竟还有多少戏？
2019年以来，杨强在公开场合谈得比较多的是AI在金融领域的应用。另一方面，他也长期关注着该技术在具体的开发与应用层面存在的新机遇和新挑战。
4年前，杨强就曾总结过“AI+Media”的五大方向：
AI+新闻编辑室
AI+信源捕获
AI+资讯视频
AI+智能分发
AI+资讯服务
在杨强当时的设想里，人工智能不仅可以帮助内容产业实现自动写作，通过循环神经网络和迁移学习实现自主内容创作，还能抽取关键词自动写作摘要和导语。基于机器学习，内容生产甚至还能直接实现从文本到视频的转换。另外，基于知识库、传感器等技术的人工智能，也可以为内容业进行更加高效的信源采集。
除了创作模式，杨强认为，人工智能还能影响内容分发的方式。通过深度神经网络、强化学习和迁移学习等技术，人工智能可以精准把握用户需求，不仅能给用户推送感兴趣的内容，还能预测用户长期的兴趣变化，甚至可以推动对话式机器人的研发，以人机对话的方式为用户提供内容推送。
这几年人工智能在内容行业的数字化转型中的应用，逐渐验证了杨强的预判。人机协同机制，某种意义上更是这些理念和方法论的集大成者。可见，技术在不断扩充人的想象力的同时，的确也在丰富更多的现实体验。扮演预言家角色的杨强，终究没有骗人。
但不可否认的是，人工智能在新闻业当中的应用，仍然面临着不少挑战。用户隐私和数据保护就是其中的两座大山。基于大量数据基础的AI技术，是否会对用户隐私造成威胁？不同企业、不同部门之间的数据资料相互独立，是否会形成数据孤岛？各类小数据库之间的壁垒，是否已经阻碍了理想中“大数据时代”的实现？
在今年的CCF青年精英大会上，杨强就曾以《用户隐私，数据孤岛和联邦迁移学习》为主题发表报告，针对这些问题一一作答。在这份报告里，杨强介绍了“联邦迁移学习（Federated Transfer Learning）”的概念，指出这才是保护用户隐私、突破数据孤岛的办法。
联邦迁移学习建立在联邦学习概念的基础之上，后者将不同企业间比作不同的州，在“一个国家、一个联邦政府”的前提下，彼此不交换数据，也能实现联合建模。
联邦学习主要分为三个模式，第一种被称作横向联邦学习，一般应用于用户重叠较少、但用户特征重叠较多的数据集。
第二种模式则被称为纵向联邦学习，应用于用户特征重叠较少、但重叠用户多的数据集。
而联邦迁移学习进一步推广了联邦学习的概念，将联邦学习与迁移学习相融合。这样一来，即便是用户群体与特征维度重合度很低的领域，也可以实现跨界合作。在杨强的带领下，微众银行还开源了全球首个工业级的联邦学习框架平台，让各类机构入驻平台，在不泄露自有数据的前提下参与跨界合作。
在为《第一财经》写作的专栏文章中，杨强总结道：当前的人工智能技术仍然囿于“点”的限制，整个产业是割裂的。而联邦迁移学习技术的成熟，连点成面，扮演了实现“人工智能应用的最后一公里”的角色，把数据孤岛连成一片智能的大陆，为各行各业建立起贯通的AI深度应用生态，这才是真正的“大数据时代”。
杨强眼中的AI，不只是少了些艰深晦涩，而且还包罗万象，生机勃勃。这些科学家的实践也表明，从走出孤岛到行业破壁，AI进化带来的驱动力，值得人类社会年复一年的翘首等待。但毕竟，对于普通人而言，今天的人工智能依然有点空中楼阁的感觉，它如何突破技术本身的屏障，又如何在其它领域全面落地开花，依然充满未知性。
参考链接：
1.https://www.yicai.com/news/100314197.html
2.https://www.yicai.com/news/100316236.html?
3.http://www.citnews.com.cn/citnews/roll/201905/97678.html?
4.https://www.thepaper.cn/newsDetail_forward_4607386?
