■楊強及其團隊展示「魔鏡」運作。劉國權 攝對於AI發展來說，機器學習（machine learning）毫無疑問是重大技術突破，只要透過大量的數據供電腦「學習」，便能讓其建立「智能」模型，就相關情況自動運作分析。
不過楊強直言，機器學習的缺點亦非常明顯，因為其中必須依賴大數據，大大限制其應用的普及性。為此科學家參考人類智能，開發「遷移學習（transfer learning）」技術，希望讓電腦於一個數據不多的新領域，也可以從已有大量數據的相似領域，將學習模型「遷移」過來，令成效大大提高。
「遷移學習」聽起來像是一個艱深新概念，但楊強表示，類似情況於人類生活其實俯拾皆是，「例如人類先學會踏單車，學會了再去學開電單車，就容易好多，這是因為在學電單車時，人可以將踏單車的model搬過來；又或者如果打羽毛球打得很好，學網球可以學得很快，這是因為很多動作都是類似的，這就是人的能力。」
再闊一點的話，就像俗語所說的「一理通，百理明」；然而在「一理通」之後，為何或如何可以做到「百理明」，才是科學家最重要的研究目標。楊強提到，在上世紀50年代美國著名心理學家Harry Harlow，便曾發現如向猴子教授類似的東西，其學習速度會愈來愈快，說明猴子同樣具備「遷移學習」能力；而在教育專業範疇，也有存在了超過100年的「學習遷移（transfer of learning）」理論，「要怎麼看一個老師教得好不好？不是考試，而是學生學下一門課時，學得有多容易，你就教得有多好。」即是以另外一門課衡量這一門課的教學表現，當中的「遷移」有多成功。
研機器辨「源領域」間相似度
「遷移學習」理論背景深厚，要讓機器亦能做到，便需要透過電腦語言、算法及模型等落實。楊強解釋指，當中會涉及一個已有很多數據、學到了很多知識的「源領域」，比方說系統已學會了法語；之後則有一個新的「目標領域」，例如說是英語，雖然數據及練習量都很少，但因為法語和英語於語法、詞和意思都有很多類似模式可以「遷移」過來，讓系統很快地學會。而當中的實現方法，可以包括樣本遷移、特徵遷移、關係遷移等。
楊強表示，現時「遷移學習」的理論研究重點，在於怎樣能夠識別兩個領域是相似的，此亦是當中重大挑戰，「就是說任意給你兩個領域，告訴我是像或是不像；但這即使對人來說都是很難的，我們希望機器能自動識別這一點。」 ■記者 任智鵬