CCAI 2017 | 人工智能进展惊人，但怎么解决关乎生死的医学疾病？

第三届中国人工智能大会（CCAI 2017）大会开幕在即，CSDN独家采访到南加州大学副教授、Zohrab A. Kaprielian工程院士Fei Sha博士。而Fei Sha博士作为本届CCAI的嘉宾，将于大会上为大家带来主题为“大数据如何帮助「小数据」”的分享，意在从其他任务和相关（大）数据集中寻求帮助，以研究有关小数据的方法和模型。报告将探讨相关方法的制定，以及如何将它们运用到实际问题中。

记者 | 仲培艺

整理 | AI科技大本营（rgznai100）

以下为采访正文

机器学习在医疗领域的逐步渗透

CSDN：是否方便透露您以及您的团队在现阶段的研究侧重点或下一步研究计划？

Fei Sha：目前，我的研究着重于统计机器学习的基础性与应用性研究。过去几年中，我们团队的工作涉及到了人工智能领域的各个子类，包括计算机视觉、自然语言处理和机器人技术领域。同时，对于实验室正在进行的一项新举措——尝试将机器学习和人工智能转化到医学的运用上，我们也感到非常兴奋。为此，我已经开始建立一个针对健康方面的数据、算法与系统的研究中心。

CSDN：是什么契机让您选择了统计机器学习这一研究分支，大数据的机器学习在人工智能的发展中扮演着怎样的角色？在与团队一同探索的过程中，曾陷入怎样的瓶颈时期？又是如何寻求突破的？

Fei Sha：在就读博士时，我就为统计机器学习的魅力心驰神往。彼时，我头一个博导Fernando Pereira、同为我博导的Lawrence K. Saul，还有Daniel D. Lee等杰出研究员都已经离开了AT&T的实验室，纷纷加入了宾夕法尼亚大学，投入学术界的怀抱。而我对于机器学习的理解，在很大程度上受到了他们的影响，还有我的博士后导师Michael Jordan这样的牛人也给了我很大影响。作为一个研究方向，机器学习在对智慧的运用上很能让人满足，我发现自己不断学习新的东西，欣赏到各式新奇的想法，并且实实在在地为解决真实世界的问题做出了贡献。

毫无疑问，近来人工智能那些惊人的进展，在很大程度上要归功于大数据、智能学习模型和算法，还有人们借助商用硬件所执行的大规模并行运算。

CSDN：在将机器学习以及其他人工智能技术应用到生命与医疗科学这条路上，您和您的团队做了哪些工作及部署？人工智能在医学战场上面临哪些挑战？谈谈机器学习在个性化医疗等医疗手段当中的应用？

Fei Sha：具有开拓精神的肿瘤专家，同时也是精准医学领袖David Agus博士带领着一支来自Lawrence J. Ellison转化医学研究院的团队。通过与他们合作，我在美国南加州大学的实验室在21世纪数字病理学的重新定义领域发挥着领导作用。目前有一些机器学习方面的研究项目正在进行，非常令人兴奋，其中包括有：直接从H&E染色图像中预测癌症标志物；根据组织学图像将癌细胞和非癌细胞成分进行分类；建立起精准与自适应疗法的新型数学与计算模式。我们相信，通过对机器学习技术和人工智能的不断优化，在我们的努力下，全世界的病理学家将会取得前所未有的进展，得以更好更快地做出疾病诊断。目前，我们联合了全世界顶尖的技术公司和行业领袖，共同合作将研究从大学实验室搬到现实社会，以便形成最大的影响力。

将人工智能应用于疾病的治疗或协助治疗方面，当然很激动人心。但是我们应当知道——疾病的治疗是一个复杂的决策过程，涉及到了多个方面。通常来说，虽然还在不断成长，但人工智能系统在其中只占据很小一部分。在我看来，其中最大的挑战就是开发出能转化成有重大临床影响的人工智能技术。

CSDN：据悉，您曾为DARPA 2010计算机科学研究小组成员，这个过程中是否有方便与大家分享的经历？

Fei Sha：为了训练空降能力，我曾试过12.8米高的跳台。

深度学习与机器学习间的辩证关系

CSDN：对于“深度学习是机器学习的最终发展方向”这一个观点，您怎么看？您曾经谈过有关深度学习“知识表示”的问题，能否具体展开？现阶段该问题仍存在吗？

Fei Sha：深度学习在基础研究、应用研究和开发、应用和实践等方面确实彻底改变了机器学习的格局。然而在我看来，不加限制条件就宣布深度学习是“最终的方向或目的”，是一种科学上不成熟、也不负责任的做法。关于深度学习的模式和实践，我们还有很多不了解的地方，还有很多对机器学习至关重要的问题尚在研究之中，而这些问题与深度学习模型呈正交关系。

使用深度学习的架构来表达某些人工智能领域的知识表述问题，是非常有趣而且很可能颇有前景的工作。但是类似这些方面，我们离获得定论还相距甚远。

CSDN：您在研究过程中也收获了大量的理论研究成果，那么在您看来，理论下的AI和实践中的AI之间，有着怎样的差距。您认为现阶段的AI发展存在哪些阻滞因素？

Fei Sha：目前，无论学术研究界还是行业社区中，关于人工智能系统的设计和实现，大家都在进行大量的理论知识与实践准则积累，以适应具体明确且垂直化的应用场景，比如识别口语、识别人脸等等。尽管如此，在这些方面所取得的成功只能算起步，我们欠缺优秀的理论来描述这些系统的鲁棒性和可靠性。对于特别复杂的系统，我们缺少评判其预测是否正确的工具，而且太过依赖于获取海量数据。此外，正如我在上文中提到的，人工智能系统通常只是某个复杂系统或进程中的一个小部分。那么，如何确保人工智能系统与其他组件顺利协作，是将人工智能推向实践和产品环节的关键步骤。

CCAI议题直击

CSDN：您将在本次CCAI上分享什么样的主题？侧重点将放在哪些问题上，旨在解开哪些疑惑，希望观众从中收获什么启示？

Fei Sha：我的演讲主题主要是：如何借助少量数据，甚至在没有数据的前提下构建机器学习模型。在许多应用的场景中，会假设我们已经拥有海量精准数据，而这并不现实。不过，我们还是可能有机会访问大量与所要解决的问题有关联的数据。在过去几年中，我们一直在研究如何在这类情况下，利用这些相关的数据。

CCAI专访 | 杨强教授谈深度学习泡沫、迁移学习机遇与人工智能入门

专访 | 今日头条李磊：顶级AI专家是不分学校和背景的，年轻人要有自己的判断

独家|蚂蚁金服漆远首谈刚完成的AI重大突破及紧缺人才，呼吁国内多点技术性强的大会，少点网红

CCAI专访 | 清华大学朱军：深度学习“盛行”，传统方法何去何从？

CCAI 2017 | 小数据学习对 AI 究竟有着怎样的影响？