人工智能能做什么？

文/馬少平

人工智能能做什么？

文/馬少平

AlphaGo的出現(xiàn)，讓很多人對人工智能產生了不切合實際的幻想，究竟人工智能能做什么？1個半小時的分享，整理成如下內容，包含以下幾個部分：

●人工智能發(fā)展歷史

●人工智能典型應用

●當前行業(yè)中人工智能的應用情況

●如何指導科研工作

其實早在八十年代，國外就有一本書討論了計算機能做什么，不能做什么。我今天也想和大家討論一下類似的問題，首先一定要知道，有些事情人工智能技術今天不能做，未來也許不是問題。但是還有些題目今天的人工智能難以完成，從技術上來看，未來的人工智能可能也無法解決。

人工智能的發(fā)展大概可以被分為四個階段。

人工智能第一階段——前期階段

通用問題求解 定理證明 游戲機器翻譯等

1956年在達特矛斯會議上，人工智能的概念被首次提出來。到去年已經是整整60年了。當時的概念已經不是憑空提出的了，在1950年，圖靈就已經闡述過圖靈測試了。那個時候第一臺電子計算機已經問世十年了，所有人都期望用計算機為工具去實現(xiàn)很多人工智能的設想。

在當時達特矛斯會議上，大多數(shù)與會者都是二十幾歲的年輕人，他們對實現(xiàn)人工智能這一想法非常的樂觀，也很有自信。在人工智能提出的早期階段，就有人研究“通用問題求解”，簡稱GPS。當時的設想是通過一個通用的方法去求解所有的問題。除此之外，在那個時代，人們用當時的計算機做了很多的數(shù)學定理證明，甚至是證出了《數(shù)學原理》一書上的所有定理。這在當時的條件下是十分不易的。還有很多人研究游戲，因為游戲是可以反映人類智能的。當時就有很多人研究棋類游戲。在1956年達特矛斯會議上就有人演示了機器下棋的過程。

還有一個方面是機器翻譯，在當時人們認為有了計算機這個強大的工具，在后臺存儲一本龐大的電子詞典，就可以解決自然語言的翻譯問題了。但是，這些先驅者們很快就陷入了困境，發(fā)現(xiàn)這件事情不是那么簡單。他們失敗的關鍵點就在于“知識”。比如說我們要翻譯一本專業(yè)性很強的人工智能方面的書，把它交給一個沒有科技翻譯經驗的、學語言的學生，他肯定會翻譯得漏洞百出，即使他的外語和漢語能力都沒有問題。為什么呢？因為我們在做這方面的工作的時候，一定要先掌握相關的“知識”。人工智能技術其實也是這樣，要實現(xiàn)“智能”，必須要依靠“知識”。

人工智能第二階段——知識處理時代

關鍵詞：知識工程 專家系統(tǒng)

當人們意識到了這點的時候，人工智能就發(fā)展到了第二個時代——知識處理時代。這個時代主要的特征就是知識工程和專家系統(tǒng)。專家系統(tǒng)是先被提出來的概念，然后才是知識工程。專家的特點就是掌握相關領域的知識，如果知識能夠被總結出來，那么我們就可以用計算機來替代這些專家，去解決相關領域的問題了。繼專家系統(tǒng)之后，又提出知識工程，就是說我專家之所以是專家，就是因為他們掌握了這方面的知識，如果我把他的知識給總結出來，那么我就可以用計算機來代替專家來解決這方面的問題。

當時造了很多專家系統(tǒng)，最著名的大概就是六十年代中期MIT做過一個用于做血液病的診斷的專家系統(tǒng)MYCIN，這之后還有很多專家系統(tǒng)問世。雖然在這個過程中人們認識到了知識的重要性，但是知識獲取始終是一個難題。當時雖然機器學習的概念也被提了出來，有基于歸納法的學習、基于解釋的學習、基于演繹的學習等等各種理念，但是都沒能取得成功。所以知識獲取仍然是一個很大的瓶頸。

當時，也就是在大概80年代的時候，我也曾經參加制作過幾個專家系統(tǒng)。那是非常幸苦的工作，為了能和專家沒有障礙的交流，必須要學習和研究專業(yè)領域的專業(yè)知識，否則根本連專家在說什么也不知道。但是，即使是這樣，這種獲取知識的方式仍然是非常艱難的，因為很多知識是很難提煉和歸納的。比如說我不會騎自行車，一上去就會倒。我問會騎自行車的怎樣騎車不會倒。他肯定告訴我這種事情沒法口頭上教，只能找個沒事的禮拜天扶著練練才能會。這也就說明了人工去做知識的提取不光困難，而且效率很低。因此當年雖然做了很多的專家系統(tǒng)，但是真的成功應用的卻并不多。

人工智能第三階段——特征處理時代

關鍵詞：特征抽取 統(tǒng)計學習 優(yōu)化技術

時間進入了90年代末期，這是一個特征處理的時代。其實這個時代最主要的就是統(tǒng)計學習，試圖用統(tǒng)計機器學習的方法來讓機器自動地學習。不過機器學習的材料并不是原始數(shù)據，是我們從數(shù)據抽取出來的特征。比方說那個時候如果說要識別一個貓，那可能就得找各種各樣的特征，想做語音識別，也需要各種各樣的特征，然后在得到特征之后再用統(tǒng)計學習方法進行處理。

這個過程中難點其實更多的是找特征。比如那個時候做漢字識別，大家用的統(tǒng)計學習方法其實都差不多，關鍵在于怎么找特征，到底哪些特征才能把這漢字給描述出來，并且計算機還能處理。比如“橫豎撇捺”是漢字的特征，我們人腦就是這么識別漢字的，但是那個時候計算機抽取不出來。所以怎樣找特征才是一個真正的難點。

人工智能第四階段——數(shù)據處理時代

關鍵詞：深度學習（神經網絡）訓練算法

我們現(xiàn)在處在一個數(shù)據處理時代，我們應用各種數(shù)據進行深度學習。不過這些數(shù)據不再是我們抽取的特征了，而是原始的數(shù)據。讓機器自己從原始數(shù)據中進行學習。做語音識別的，只要把語音的采集信號交給機器就好。做圖片識別的，只要給機器圖像，讓它自己去判斷，也就不用抽取特征了。所以這個時代在技術上已經是更加進步的了。

這是人工智能的一個進階，從知識到特征再到數(shù)據處理，人的參與越來越少。在專家系統(tǒng)時代一定要專家級的人物參與才行?，F(xiàn)在數(shù)據時代，從我們準備的學習對象、處理對象來說，把原始數(shù)據交給系統(tǒng)就行了。這個程度上來說，人工智能是一點點進步的，人的干預程度了越來越少了。

人工智能的典型應用

應用場景1：對機器和人類都很容易

現(xiàn)在的人工智能的一些典型的應用可能大家也都是有一些了解的。比如說，現(xiàn)在我們這個階段深度學習領域，做的比較好的像是語音識別，比如2011年的微軟，首先將深度學習應用到語音識別中，一下把錯誤率拉低了30%。2016年谷歌也是這樣，它首先做了一個很完整的系統(tǒng)，就是基于神經網絡的機器翻譯。還有一個就是名聲大噪的圍棋人工智能AlphaGo，在比賽中連續(xù)戰(zhàn)勝頂尖高手李世石、柯潔。這個里邊一個很重要的東西都是就所謂的深度學習，也就是說神經網絡模型，這些是比較成功的應用。

應用場景2：對機器和人類都很難

我們再看一下比較難求解的領域，人工智能哪些事情做不了。比如說讓人工智能提出一個新的概念，或者是創(chuàng)立一個新的科學體系?；蛘呤窃跀?shù)學領域開創(chuàng)一個新的分支等等，這些事情對于計算機或者是人工智能而言都是無法完成的。至少現(xiàn)在還沒有辦法去處理。上面說到的幾件事情不僅僅是對于計算機，對于我們人類其實也是比較難以完成的。

應用場景3：對人類很容易，對機器很難

那么還有一些事情，對于我們而言是非常容易的，可是人工智能處理起來依然比較困難。比如說理解幽默、比如聯(lián)想能力、比如說漫畫識別等等。這些方面上至老人下至三歲小孩，我們的水平都比人工智能高很多。比如我舉一個例子，這是一個真實的事情，有一天我買東西，下了一個單，客服說一杯咖啡后，就會有人與我聯(lián)系，害得我趕緊下樓買了一杯咖啡，很顯然我做了一件十分搞笑的事情，我們正常人都能明白，但是機器就不知道幽默點在哪里。

所以為什么有的方面人工智能的水平能夠輕松超過人類，但是有一些人類看來很簡單的事情，機器卻難以完成呢？我們來分析一下。像剛剛講過的語音識別這些技術，我認為它之所以在人工智能領域里面能做，是因為“說得清”。這個說得清并不是指是別的材料說話很清楚，或者是通過什么數(shù)學公式能給它描述得清。這個“說得清”的意思是能夠明確地定義。這里所說的定義，并不一定指形式化的定義，可以是舉例、可以是假設等。比如說我們做貓狗等動物的識別，可以給出大量的動物照片，說這些是貓，這些是狗。可以很明確的用數(shù)據給出動物的“定義”。但是讓機器理解幽默就很難了，我們很難去說清楚為什么這句話是幽默，幽默點在哪里。

人工智能就是通過“定義”+算法，來求解問題。

這里面對于人工智能領域提煉出來一個原則就是，能說清楚的，能做；說不清楚的，至少現(xiàn)在還做不好。但是技術是在發(fā)展的。人工智能的發(fā)展就是由“說不清”變得“說得清”，也就涉及到了描述的問題和相應的算法求解的發(fā)展。比如說圍棋，過去沒找到方法，“說不清”，但是谷歌突然間有了這種方法，把圍棋說得清了，計算機圍棋問題也就解決了。也就是說能“定義”的就能求解。這個定義不是說簡單的一個文字，一個形式化的東西?，F(xiàn)在的人工智能就是一個“定義”再加上算法來求解問題。那么這些就是目前我們人工智能能夠做的。

當前行業(yè)中人工智能的應用

1.“貓”臉識別

我們結合具體的例子來看，比如我們做識別貓的應用，那么什么是貓？我們查了一下搜狗百科："頭圓、顏面部短，前肢五指，后肢四趾，趾端具銳利而彎曲的爪，爪能伸縮。夜行性。以伏擊的方式獵捕其他動物，大多能攀緣上樹。"，這個東西我們人能看懂，但是，我們自己識別貓的時候肯定不會按照這個去做?？赡芪覀兛吹揭粋€稀有的品種，或者是研究貓的專家會去研究這個定義。但是我們讓計算機去做，這是不行的，按照這個定義來，肯定識別不出貓。那我們現(xiàn)在怎么定義？給些圖片就行了，這就是現(xiàn)在大家做的。我給一大堆圖片，告訴系統(tǒng)類似于這個的都是貓，類似于這些的肯定不是貓。這就是我們下的一個定義。加上機器學習算法，可能就能識別貓了。

2.專家系統(tǒng)

比如說專家系統(tǒng)中，實際中應用專家系統(tǒng)并不多，這里面有各種各樣的原因，比方說、診斷血液病系統(tǒng)實際上就涉及到一個法律上的問題，一旦出了醫(yī)療事故，責任如何劃分。還有我們國內有人總結了中醫(yī)治肝病專家的經驗，開發(fā)了一套中醫(yī)的專家系統(tǒng)，但是這個也是有問題的，比如說中醫(yī)講號脈，但是當時號脈沒有這樣的機器。就必須把脈相手動的輸入到系統(tǒng)中。普通人又不會號脈，還得找個號脈好的中醫(yī)，人家號脈好的中醫(yī)又用不到這樣的系統(tǒng)。由于種種原因，這個系統(tǒng)就失敗了。

還有比如世界上第一個成功的商用專家系統(tǒng)R1。82年開始在DEC公司使用，是用來代替向廠家訂貨的工作的。當時據說可以節(jié)省4000萬美元一年，它通過幾千條的規(guī)則，覆蓋了所有可能出現(xiàn)的情況。

3.IBM深藍系統(tǒng)

再有一個是IBM的深藍系統(tǒng)，1997年，在國際象棋比賽當中戰(zhàn)勝了國際象棋大師卡斯帕羅夫引起了世界的轟動。其實深藍系統(tǒng)的主要算法叫做“alpha-beta剪枝算法”，這個算法很早被提出來了，但是直到深藍系統(tǒng)才獲得了很大的成功。這個算法依賴于局面的評估，在當前的局面下是對我有利還是對對方有利。IBM聘請了很多的象棋大師來為他總結經驗，用于對局的局面評估。運用這個算法一方面能剪掉不必要的分支，提高系統(tǒng)的效率，另一方面，它利用知識把局面的評估定義的非常清楚，到底什么樣的局面才是對我方有利的。

那為什么這種方法在20年前就達到了讓計算機國際象棋達到了世界大師的水平？就是因為無論是中國象棋、國際象棋都有這樣的特點，它相對來說容易說得清楚。比方說，殘局階段，比對方多個子就可以認為贏是沒問題的，或者說馬的位置可能就決定了誰勝負，然后再加上它很強的這個搜索能力，搜索深度可以達到十幾步。

由于象棋這種易于“說清”的特殊性，在二十多年前計算機就打敗了人類的頂尖選手，國內也是，十幾年前計算機也打敗了國內的頂尖高手。但是看到深藍在很多年就獲得了成功之后，很多人對象棋產生了誤解，認為象棋的可能情況不多，通過暴力窮舉就能解決。但其實不是，深藍的成功很大一部分也在于“Alpha-Beta剪枝”算法的應用。

95年主持IBM深藍項目的工程師到清華做過講座。當時我就問過他剪枝算法相比暴力窮舉的效率到底提高了多少。他們做過測算，如果單純是窮舉的話，要達到深藍的水平，每下一步棋需要十七年，用了剪枝算法之后，只需要幾分鐘。所以說除了“說清楚”外，算法也是很重要的。

4.AlphaGo

那為什么AlphaGo要到20年后才成功了呢？

其實即便是20年后計算機圍棋就取得了成功，也是出乎很多人的意料，很多人沒有想到2016年人工智能就可以達到這樣的水平了。為什么Alpha-Beta剪枝算法用在圍棋上不行呢？是因為“Alpha-Beta剪枝”算法嚴重依賴于局面的評估。原有的局面評估方式是建立在總結專家經驗的基礎上的。偏偏圍棋是很靠感覺的，幾個不同的圍棋棋手之間往往很難有一致的看法。在幾年前中、日、韓曾經舉辦過圍棋組團對抗賽這種友誼比賽，每個隊伍選出三名棋手組成團隊一起下棋。結果韓國隊配合最好。據說他們的隊伍里一個人只負責擺棋，一個人只負責買飯準備飲料，只有一個人在下棋。而中國、日本隊那邊往往還沒怎么下呢自己就吵起來了。所以說圍棋是很難總結專家經驗的，這也就是應用舊的“Alpha-Beta”剪枝算法的計算機圍棋，一直處于一種水平不高的狀態(tài)。

計算機圍棋的第一個里程碑在于蒙特卡洛樹搜索的引入。2006年法國的一個團隊首先把蒙特卡洛樹搜素的方法引入到了計算機圍棋中，這種方法也是為了解決局面評估的問題。

蒙特卡洛模擬本質上是一種隨機模擬的辦法。是什么意思呢？就是說該計算機下了，它就隨機下，隨便找一個點下，一直隨便下直到能判斷出一方勝利為止。然后再這個基礎上反復模擬十萬次、一百萬次然后看哪個點的勝率最高。哪個點勝率最高，那么計算機下次就下到哪個位置。后來改進的蒙特卡洛樹，每次模擬的結果可以重復利用，這就提高了搜索的效率。那么就是靠每一個可下棋的位置的勝率來解決局面評估的問題。

同時在蒙特卡洛樹搜索中，采用了一種叫做“信心上限”的決策方法，也就是“多臂老虎機”決策問題。每個老虎機有一定的概率贏錢，多個老虎機，不同的老虎機贏錢的概率不一樣。所以我可以站在旁邊先看別人玩，先找到贏錢概率最大的決策方法。在模擬選擇分支的時候，就把每一條路徑看做一個老虎機。這之后選擇最優(yōu)路徑然后繼續(xù)隨機模擬。模擬一輪后可能有勝有負，看勝率多少，然后把勝率最高的步驟傳回。

應用了這種方式，計算機圍棋可以說是從原來基本不會下棋的狀態(tài)進到了業(yè)余五、六段的水平。谷歌的AlphaGo是怎么解決接下來的問題的呢？單純是原來蒙特卡洛樹的隨機模擬是效率很低的。所以谷歌就把深度學習的技術引入進來用于解決搜索量大的問題。在AlphaGo中，采用策略網絡減少了模擬的寬度，采用估值網絡減少了模擬的深度，在整個模擬階段不一定從頭模擬到尾，這樣的話可以提高模擬的效率。實際上圍棋就不是靠知識了，是完全靠數(shù)據去定義了，通過人類的16萬棋譜和AlphaGo自己和自己下的三千多萬盤棋，再加上深度學習，就定義了下得好不好這件事。并且在算法中結合了蒙特卡洛樹、深度學習等技術，把算法本身的效率提高。

5.漢字識別

再舉一個我自己做的漢字識別的例子，20多年前，九十年代的時候，當時我們做的漢字識別屬于脫機漢字識別，也就是把漢字寫在紙上然后掃描出來識別。聯(lián)機漢字識別，比如直接在手機上寫字識別相對比較簡單，因為可以記錄筆畫順序。但是脫機的識別就比較難了。當時我們需要把《四庫全書》做成成電子版。

這個《四庫全書》是當年三千多人一起抄寫了十年才完成的。現(xiàn)存的完整版分別保存在國圖和臺北。但是要查詢《四庫全書》的內容就非常難了，當時臺灣出版過影印版，整體縮小四分之一，最后一套書的重量有兩噸半。因此很多人想出版成電子版。90年代的時候很多公司搶著想做這件事情。甚至還有公司在人民大會堂搶先開了新聞發(fā)布會，當然他們最后也沒做成。這些人都想找人采用人工錄入的方式，但是都沒有成功。

后來我們采用了一種“滾雪球”的算法讓機器學習前面人工錄入的內容，然后慢慢識別后續(xù)的文字。在識別的技術上我們用了模糊文字方向線素特征。這個描述的方法是把每個漢字歸一化之后，然后變成網絡，每一個網格里面統(tǒng)計字的邊緣的像素，抽取不同方向的像素特征。一個漢字就是256個特征。

我們當時的正確率能夠達到95%，后來再通過人工的一些方法，把錯誤率下降到了萬分之一的水平。這里我們等于做的也是一個對于漢字的描述。我們在做這些項目的時候，首要就是要想辦法把問題說清楚、給出它的定義。

如何指導科研工作

上面分享了一些行業(yè)中的成功實踐，這些實踐如何知道我們的科研工作。要讓機器理解人類希望他們處理的“問題”，還是要回到如何把問題說清楚，給出問題的“定義”。

1.垃圾網頁識別

垃圾網頁指的就是通過欺騙搜索引擎，用戶搜索的時候，即使是搜的與這個垃圾網頁沒有關系的詞，它也會通過欺騙搜索引擎，把自己的網頁排到前面去。非常影響用戶體驗。

但是識別這種垃圾網站非常難。因為作弊手段層出不窮，只能“一事一議”的進行處理。比如發(fā)現(xiàn)了一種作弊方法，我們提取了規(guī)則，說清了這個垃圾網站的特征，可能它稍微修改一下，我們就識別不到了。而且這種方法很慢，也很沒有效率，很多時候用戶點開了垃圾網站就直接關掉了，根本懶得反饋。后來我們通過了另一種思路，就是分析用戶打開網頁之后的行為。如果是秒關，那很有可能這是一個與搜索內容無關的垃圾網站?；蛘吣硞€網站的所有打開來源都是搜索引擎，幾乎沒有人通過訪問URL打開網頁。我們共總結了20多個類似的特征，用于描述垃圾網站。我們就通過這些特征去描述、去給垃圾網站下定義，再結合一些統(tǒng)計學習的算法，差不多就解決了垃圾網站的識別問題，實現(xiàn)了作弊手段無關的垃圾網站識別。

2.用戶點擊模型

另外一個例子，就是用戶點擊模型。這其實是一個“前人栽樹，后人乘涼”的工作，把搜索引擎上面的用戶反饋情況記錄下來分析用戶需求。有一個簡單的想法點擊量越高越有可能是用戶想要找的東西。

但是完全按照點擊量來判斷是不行的，因為網頁在搜索引擎的不同位置是影響這個結果的，從而影響客戶需求分析的準確性。

用戶有可能就點擊前幾個，然后隨手滾輪一滾動就點擊到第九、十個去了，我們要做的工作就是把這個影響消除掉。我們找一個簡單的例子來示意，比如這個CKIM會議的搜索結果，比如今年是2009年，今年的CKIM會議網站新出來，如果直接按點擊量排序，在搜索引擎上搜索，2008年的會議肯定會被排序到前面。

但是實際上大多數(shù)用戶想找的肯定是最新的會議上的消息。但是搜索點擊模型的目的是對文檔的相關性進行估計以及對于用戶的點擊進行預測。那么上面的這些因素都會影響用戶點擊模型的分析。我們要做的是消除這種影響，幫助搜索引擎更好地排序。這件事情比較復雜，因為每個用戶的點擊情況都不太一樣，所以我們需要引入一些假設把這個問題說清楚。

最早的點擊模型叫做單一點擊假設，他就認為用戶輸入后，用眼睛去找有關結果，然后只去點擊一個他認為的最有關的結果。顯然，這個假設不符合我們正常的使用習慣，我們往往要點擊很多次。很快就有人提出了多點擊假設。就是第一次點擊之后，用戶還回到搜索界面，以一個固定的概率去檢驗下面的條目。但是其實，用戶向下面檢驗的概率并不是固定的，它還受很多因素的影響。

后來有人提出了UBM模型，這個模型目前也被大量使用著。

它的分析方法就是用戶會不會繼續(xù)向下檢驗是和當前文檔的位置有關，也和前次被點擊文檔的距離有關。雖然這個模型效果已經不錯了，但是里面仍然存在著問題。比如說這個模型是建立在“順序瀏覽”假設上的?！绊樞驗g覽”假設是指用戶從上到下按順序瀏覽，不考慮有“回訪”的情況。

比如說用戶點擊了第一條、第三條然后是第五條。但是經過我們的統(tǒng)計，甚至是用“眼動儀”監(jiān)測眼睛在看搜索引擎界面時的位置，我們得出結論：實際使用中“回訪”的行為是大量存在的。往往用戶點擊第一條后直接點擊第五條，然后可能會最后再看看第二條的內容。所以這種情況是必須考慮的。因此我們需要對這種情況建立進一步的假設。為此我們引入了兩個假設，一個是局部有序性假設，也就是在兩次點擊之間，人眼不是從上往下看、就是從下往上看，人眼的觀察瀏覽是有順序的。這個就是局部有序性。

還有一個假設叫做階躍檢驗假設，人眼瀏覽的時候不一定是按照搜索引擎的結果一條一條順序看的，可能會出現(xiàn)中間跳躍的可能。這些都是符合我們眼動儀實驗結果的。

在這兩個假設的基礎上，再結合已有點擊模型的合理假設，我們構造了一個部分有序點擊模型PSCM。這樣，我們就在原有的UBM模型上，把用戶點擊模型的問題描述得更好、講得更清楚了。實驗也取得了非常好的效果，相關論文獲得了SIGIR2015最佳論文提名獎。

3.欺詐客服電話識別

比如說冰箱壞了，從搜索引擎上搜了一個廠家的客服電話，但是打開的網頁是個欺詐網頁，打的電話也是個詐騙電話。最后假的廠家客服上門了之后，才發(fā)現(xiàn)自己被詐騙了。

這種涉及到搜索引擎的詐騙問題也讓很多公司苦惱，甚至還有很多公司因為這個問題被訴訟了。我們當時也覺得這種欺騙電話識別很難做。因為詐騙網頁完全可以照抄廠家的官網，只是上面的客服電話不一樣。后來調研了一番，我們發(fā)現(xiàn)這個問題實際上是可以被描述清楚的。這里面有哪些挑戰(zhàn)呢？有的網站并不屬于我們定義的垃圾網頁范疇，所以采用垃圾網頁識別的方法并不能很好的解決這個問題。

后來經過我們調查發(fā)現(xiàn)，欺詐網站都有一個特點就是一個詐騙電話會偽裝成多個不同客服，可能在這個網頁是一個廠家的，另一個網頁是另一個廠家的。我們就試圖用這個特征去定義欺詐客服電話。

為此我們標記了一些真正的客服電話作為“正面”種子，定義了一些欺騙客服電話作為“負面”種子，我們定義了電話的共現(xiàn)關系圖。比如說和官方客服共現(xiàn)的一般是可信賴的電話，和欺詐電話共現(xiàn)的號碼一般是欺詐電話。通過在電話的共現(xiàn)關系圖中迭代傳播“正面”電話和“負面”電話，最終識別出欺詐客服電話，取得了很好的結果。

簡單地總結一下，我們通過這些實例總結了人工智能到底能夠做什么，得出來一個結論?，F(xiàn)階段所謂的人工智能就是通過定義加算法求解問題。關鍵是要想辦法把目前還不能解決的問題是否可以從新的角度進行定義，無論是依靠特征，或者依靠數(shù)據，或者依靠假設，想辦法把問題描述清楚，這之后再配以相應的算法，這樣的話問題就可能得以解決。對于我們工作中解決不好的問題，就朝著這個方向努力去做。這就是我今天的思想，希望能夠大家?guī)硪稽c啟發(fā)。

（來源：明略數(shù)據）

清華大學計算機系教授，博士生導師，中國人工智能學會副理事長，中國中文信息學會副理事長。主要研究方向為智能信息處理，包括文本信息檢索、網絡用戶行為分析、個性化推薦、社交媒體分析等。