AI训练所期望的大数据。

这时，一些新的方法应运而生。

小样本学习是推动深度学习发展的新方向，也是现阶段腾讯天衍实验室研究的重点方向之一，腾讯天衍实验室主任郑冶枫在会上介绍了两个小样本学习算法，用于将来解决医疗影像数据量不足的问题。

第一个方法是迁移学习，即将某个任务（源域）上训练好的模型迁移到另一个任务（目标域）。通过这种方式，我们能够通过源域上的大量数据辅助目标域的小样本数据进行学习，具体表现为“预训练+微调”的模式。

郑冶枫以一个有趣的例子对迁移学习的原理进行了表述：“假设你想做一个‘识别老虎’的计算机视觉项目，但你却没办法经常接触它，观察它。不过，若你能够养一只橘猫，便能在与它的朝夕相处中，捕捉它进食、玩耍、休憩等过程中的一些特征，进而用于老虎的识别。”

第二个方法是无监督域自适应学习，用以解决域偏移问题。在这个方向上，腾讯天衍实验室提出了新型无监督域自适应（UDA）的方法，来缓和域偏移所导致的性能下降，该方法仅仅需要源域的数据、标注以及目标域的部分图像，无需新的标注，即可实现两个领域的自适应。

算力重塑人工智能

不过，仅是对算法进行调整，能够解决医疗人工智能中的问题吗？其实，算法本身也有优化的空间。

南京大学计算机系主任周志华以当前最大人工智能模型“GPT3”为例，谈到了当前机器学习中的暴力美学。这个模型用到了45TB训练数据，1750亿参数模型参数，整个模型大小700GB。基于这个模型，很多困难的自然语言处理问题都取得大幅度进展。

如此来看，模型、数据的扩张确实能够有效改善模型的质量，但对于医学人工智能影像而言，同样会面对数据的问题。

假设医生能够标注足够多的影像，谁来负担高昂的运算费用呢？GPT3一次运算所耗费的算力大概价值1300万美元，即便是模型中存在BUG，也没人愿意对其修改，再耗费巨资跑上一遍。

对于这一问题，周志华与郑冶枫给出了不同的解题思路。

周志华在演讲中表示：“这样的模型能够解决很多问题，带来很大的性能提升。但是如此高昂的成本，也给我们从事人工智能研究的人带来了新的挑战，特别值得让学术界从事人工智能研究的学者思考一个问题：昂贵的成本必须换来效益回报，模型性能提升，在工业界能提升经济效益，有时哪怕性能提升一两个点，带来的回报可能足以弥补投入。但学术界如果花这么大成本，怎么能带来足够的回报？”