除了刚才的应用还有其他的应用，比如文本的数据比图片的数据多，无论是互联网上还是离线的应用上。我们也可以试图用文本的数据来帮助我们进行图片方面的训练。通过文本的数据，加上一些很少的图片去进行图片分类。
我们发现这件事确实可以。用100张图片训练的模型，和200页书训练的模型的效果差不多。我们转化了一下，这就跟中国的古话差不多，叫一图胜千言。
谷歌也在尝试，在游戏上，使用迁移学习的技术，让机器变成游戏达人，什么意思？不仅玩一款游戏是达人，可以将模型迁移到别的游戏上，你玩所有游戏都是达人。
除了实验室的成果之外，“迁移学习”在工业界的实际应用上也有非常多的用途，比如说第四范式迁移学习帮助银行做汽车分期的推荐。
汽车分期这类大额的业务，银行在这方面的数据是非常少的，于是我们成功用小额信贷的数据帮助大额的信贷，最后达到效果的提升，这背后就使用了迁移学习。迁移学习可以帮助大家做到一个高频打低频的事情，用数据非常多的业务帮助数据非常少的业务来进行提升，从而打破寡头对数据的垄断。
回到最开始的问题，人工智能这件事是否可怕？我们认为无论是强人工智能，还是超级人工智能，其实并不可怕，可怕的是人工智能带来的红利只能被很少一部分人所获得。汽车的发明让所有人都不用走路了，但是人工智能的发明是否可以让所有人获益？
第四范式觉得，我们应该做的事情是要让人工智能这件事变成所有人都可以获得的一个能力。就像《狮子王》里的一样，我们不希望人工智能被刀巴这样的狮子所主宰，不希望它被垄断，而是希望所有人都可以用上人工智能。第四范式希望随着大数据和机器学习门槛的不断降低，让AI不再是少数人的“特权”，让每个人都能享受到人工智能红利。
这是我今天的分享，谢谢大家！
相关阅读：
相关推荐：
转载请注明出处。
相关文章
精彩导读
热门资讯
关注我们
