导语：在 5 月 26 日，机器之心和小 i 机器人共同承办的「人工智能遇上大数据」分论坛上，小 i 机器人的创始人、总裁兼CTO 朱频频博士为在座观众带来主题为《人工智能与产业应用正向循环》的精彩演讲。
以下为朱频频博士演讲整理（有删减）：
今天我演讲的题目是人工智能与产业应用正向循环，我要表达的意思是什么？刚刚很多专家都谈到了人工智能技术的发展路径，从我的角度来看，人工智能需要大数据来驱动的。这些大数据从什么地方来呢？这些大数据从产业化的应用里来，获得的这些数据，通过现有的人工智能算法产生更好的智能，更好的为产业应用服务。
几年前出了一份报告，说人工智能会有一个爆发期。国际大公司在人工智能上投入了很多精力，其中包括谷歌，AlphaGo 的事情大家也都清楚。FaceBook 在开源方面比谷歌早，很早就开源了一个深度学习工具。另外 IBM 在认知智能方面，也投入了巨大的精力。
人工智能的发展有三个必要条件：一是更强的计算能力，不断增强 CPU 计算能力和 GPU 浮点计算能力，另外也包括专用芯片或者量子计算的能力；二是大数据的几个推动。很重要的一点是更强的算法。
这个图讲的是人工智能中的一些产业路径图，牵扯到很多技术和应用。其中有几个方面是小 i 机器人比较关注的，第一个方面是虚拟客户助手，也就是平时所说的智能客服；第二个是智能机器人，我们看到智能机器人产业的发展属于爬升期阶段；还有 Siri 这样的虚拟个人助手，这种助手还处于一个比较早期的阶段。
小 i 在 2004 年，在 MSN 上推出了这样一种机器人，没想到应用发展很快。也做了其他特定功能的机器人，比如查天气的、看股票的，还有可以聊天的。在 2006 年的时候就尝试能不能教给机器人一些相应知识，开发所谓的虚拟客户助手，这种机器人的好处显而易见。比如这是为招商银行做的微信上的智能客服，在手机 App、营业厅里面都有这个机器人的出现，有虚拟的也有实体的。他们可以辅助人工提高工作效率，做到全天候、全业务的覆盖。
中国建行使用了虚拟客户助手之后，给我们反馈了这样的数据：他们大概节省了 6 千个坐席。另外交通银行使用后都取得非常好的实际效果。
还有一种虚拟个人助手，类似 Siri 模式，另外也包括 Cortana、度秘等。这个产品还没有真正发布，是 Viv。
图片中是一些应用，机器人与人很自然的交流。除了聊天客户服务的虚拟需求之外，给机器加上外壳以及其他功能，在特定场景上进行服务，这是智能服务机器人。比如这里把小 i 大脑连接进去，可以让它跳舞、回答问题。最右边这款机器是我们跟韩国合作的机器，适合在银行大厅里面为客户服务。
现在演示的是一款叫索非亚的机器人，里面有小 i 的人机交互能力，可以模拟人类自然表情。业界把计算机智能分成计算智能、感知智能和认知智能。感知智能应用主要是图象识别，越来越接近人的水平。对人类特有的认知智能而言，把对整个世界的认识抽象化，用知识的形式表示出来，进行分享和传承，这才是具备认知智能。
现在很多人在研究语言、知识、常识这样的能力。实体的机器人有一个人类外观不一定是完全，分为感觉、运动、思考三个层面。最重要的是思考，决定是不是智能机器人有没有思维能力？
Bot 是早期国外就有的虚拟的机器人，小 i 也已经做了很久。最近 Bot 在国际上成为了新的热点。 这个会颠覆人机的交互方式，并且取代搜索，成为互联网的入口。
小 i 无疑是国内智能机器人的第一品牌，我们每年的交互数超过百亿、拥有领域相关的知识库，这需要长期不断的积累。我们在国内行业的定位，在智能领域遥遥领先，也参加了国际标准的制定。
最近，我们同 Nuance 成立了联合实验室。中国人工智能产业发展联盟也刚成立，我们是这个联盟的早期发起单位之一。另外在资本方面，也获得的资本的一些青睐，拥有很多资本资源。
刚刚提到发展和应用，我们用什么技术来做机器人呢？有一个发展的过程，早期的输入符号有点像把你的逻辑交给机器人，充分发挥很强的计算能力，非常像演绎的方法。做一个比喻，比如规则系统就像流水线上的一个工人，你让它干什么，它就干什么，照你说的做。
怎么看待深度学习的特点？最重要的能够自动找到跟结果最关联的一些特征。所以打个比喻，就像一个职业经理人，你去告诉他任务，给他足够的资源，他能够找到合适的方法来解决这个问题。现在很多人讨论，机器未来会怎样？会不会实现完全自主？也许有可能，但这不是目前产业界能看到的状态。
机器学习其实不仅仅有人工神经网络这块，起码分为五块。这里面用到比较多的符号主义。目前怎么解决智能问答的问题？我们有一个非常领先的智能引擎，它已经发展到第10代了。小 i 在长期积累过程中，积累了自己的知识模型，包含有海量的数据。这些数据包括从概念到本体的知识方面，还有专家系统以及语言方面的数据。
更重要的一点是什么？小 i 机器人知识学习体系分三部分，我们有专家、运营人员和机器。三方共同实施这个过程，其中运营人员进行审核，因为很多数据都是垃圾信息。
我们的主要数据来源有结构化的数据，还有非结构化的数据，我们最终的目标是把它转换成知识性的数据。这需要对聊天日志进行聚类，会发现很多新的语义表达方式。挖掘出新的表达方式在后台显示，由工作人员审核，检验其正确性。这整个流程可以完成对知识的学习和分析，这款产品准备明天正式分布。
除了在知识学习过程中，我们会用到机器学习跟智能学习。我们还在引擎方面做了一些尝试，我们使用了深度学习在自然语言方面的一些结果。比如这个副引擎，跟主引擎一起工作。当主引擎不能很好的完成工作时会由副引擎完成。这里面用到了深度学习方法。中间这个是词向量的模型，我们要训练一个背景知识，然后再进行训练解决问答里的任务。当一个用户发出一个输入的时候，会先经过这个词向量上的引擎，然后再经过下面的一些模型完成整个问答过程。大概就是这样一个过程，我没有非常细节的描述。
在基于 CNN 的深度学习模型里面做情感分析，我们看到右边会出现一些实时情感分析的结果，红色代表负面信息，绿色代表正面信息。
我们把深度学习的结果跟传统分类算法学习做了一个类比。这个表格中，在三百万左右的训练集上面，二者的结果差别非常大。
总结
小 i 以虚拟机器人和实体机器人的形式，把人工智能商业化，包括语言智能自动化、硬件智能人性化、智能服务营销化等。我们已经拥有了很多客户，比如银行、政府机构这些大型客户。也包括其他产业内的客户，比如电子商务、航空、汽车等等。
我们从客户那里获得了大量数据。这里我用实际的数据来表达小 i 机器人成长和学习的过程。这是某大型商业银行做的一个客户服务效果统计：这是 2015 年 10 月份的结果，当时大概有一千万的绑定用户，接近 2 万条的知识，应答准确率达到 98%。机器人可以处理 95% 内容，处理不了的 5% 转人工服务。
可以非常清晰的看到，机器人在不断的学习和成长。因为我们有很多的客户和产业应用，获得了大量的数据提升自己。我们希望把这一套形成产业的正向循环。人工智能需要产业的正向循环。我们从大量的业务中获取大数据，通过学习的方法（包括专家参与），进一步获得大量领域中的知识和语义，这又能更好促进产业应用和发展，形成产业良性循环。
