杨强院士客座《机器学习》课程，助力我院AI人才培养——微众金融科技学院 “机器学习”课程纪实杨强院士客座《机器学习》课程，助力我院AI人才培养——微众金融科技学院 “机器学习”课程纪实

2025年3月14日，加拿大工程院及加拿大皇家学院院士、微众银行首席人工智能官、香港科技大学荣休教授杨强先生，受邀为学院人工智能专业研究生一年级学生讲授《机器学习》课程。作为人工智能领域的顶尖学者，杨强以其深厚的学术积淀和丰富的产业经验，从机器学习基础理论到大模型前沿技术，系统梳理了人工智能的发展脉络，并结合实际案例与未来挑战，为学子们呈现了一场兼具深度与广度的知识盛宴。

从智能规划到联邦学习：机器学习的演进之路

课程伊始，杨强教授以个人科研历程为线索，回顾了机器学习领域的核心研究方向与技术突破。

1. 智能规划：早期AI的逻辑探索

上世纪80至90年代，杨强教授的研究聚焦于智能规划（Planning）。他提出，智能规划的核心是“如何根据问题描述生成最优策略”，例如机器人路径规划问题。然而，早期研究面临知识表达复杂、搜索空间庞大等挑战。为解决这些问题，杨强团队提出“抽象空间自动生成”方法，通过分层抽象与约束满足优化搜索效率。这一阶段的探索为后续基于数据的机器学习奠定了基础。

2. 基于案例的推理：小数据时代的突破

1995年至2001年，杨强教授转向基于案例的推理（Case-based Reasoning），旨在解决小样本场景下的建模难题。以“海上搜救”为例，如何在数据稀缺的情况下融合逻辑图谱与统计建模。他提出“单样本建模=逻辑+统计”的创新方法，通过案例库推理实现知识迁移，为后续迁移学习研究埋下伏笔。

3. 迁移学习：跨领域知识复用的革命

2000年后，杨强教授开创性地提出迁移学习（Transfer Learning）框架，解决“如何将知识迁移到新领域”的核心问题。例如，如何利用互联网图像数据提升医疗影像模型的性能。他系统梳理了迁移学习的三大关键问题——“迁移什么（What）”、“如何迁移（How）”、“何时迁移（When）”，并提出基于实例、特征、模型的迁移方法。这一理论在工业界广泛应用，成为破解数据孤岛与冷启动难题的重要工具。

4. 联邦学习：隐私保护下的协同智能

2018年至今，杨强教授主导的联邦学习（Federated Learning）技术成为学术界与产业界的热点。针对数据分散、隐私严苛的场景，如跨机构金融建模或手机端模型更新。他提出横向联邦、纵向联邦、联邦迁移学习等范式，并构建“数据可用不可见”的联邦生态。他特别强调：“联邦学习的核心不仅是技术突破，还需设计激励机制与标准协议，推动多方共赢。”

大模型时代：AI的“大一统”思想与物理学的启示

在课程的“大模型”章节中，杨强以其深厚的物理学背景为锚点，提出了一个宏大的命题：“人工智能的终极目标，是构建一个能统一解释和生成所有智能现象的‘大一统模型’，正如物理学追求解释自然规律的根本理论。”这一思想贯穿了他的技术解析与未来展望。

1. 物理学的镜子：从统一场论到AI的统一模型

杨强在从事AI研究工作的多年间，都深受物理学中“统一理论”的启发。他类比道：“爱因斯坦穷尽后半生追寻统一场论，试图用一组方程描述引力与电磁力；而今天的AI学者，则在探索如何用一个模型框架覆盖语言、视觉、推理等所有智能任务。”

他以大语言模型（LLM）为例解释这种统一性：“GPT系列模型通过海量文本预训练，不仅学会了语法和知识，还能生成代码、解析图像、甚至模拟逻辑推理——这像极了物理学中标准模型对基本粒子的统一描述。尽管两者领域迥异，但内核都是‘用最少假设解释最多现象’。”

2. 判别式与生成式AI的分野

杨强教授深入剖析了生成式AI与大模型（LLM）的技术本质与发展趋势。他首先对比了判别式模型（如传统分类器）与生成式模型（如ChatGPT）的差异：前者基于数据分布完成预测任务，后者则通过学习数据规律生成新内容。杨强教授指出：“生成式AI的突破在于其创造性，但需警惕‘幻觉’问题，即模型生成内容的真实性与安全性。”

3. 大模型的三驾马车：规模、数据与算力

杨强教授引用“Scaling Law”理论，强调大模型的性能取决于参数量、数据量与算力规模。他特别提到：“参数规模较小时，增加参数量对效果的提升远优于增加数据或算力。”然而，数据质量与多样性同样关键。他援引研究预测：“高质量文本数据将于2026年耗尽，中文数据枯竭速度更快，多语言模型与数据合成技术将成为破局关键。”

经典算法的生命力：决策树与聚类的现代启示

尽管大模型风头正盛，杨强教授在课程后半程着重强调了经典机器学习算法的持久价值。

1. 决策树：可解释性与小模型的优势

通过《决策树》（Decision Tree）专题，杨强教授剖析了ID3、C4.5等算法的核心逻辑——基于信息增益、增益率或基尼指数选择分裂属性，最终构建可解释的分类模型。他提出犀利问题：“在LLM时代，为何仍需关注决策树等小模型？”答案在于其天然的可解释性、低计算成本以及对缺失数据的鲁棒性。“在医疗、金融等高风险领域，决策树仍是不可替代的‘白盒’工具。”

2. 聚类分析：无监督学习的艺术

在《聚类》（Clustering）章节，杨强教授巧妙设计了一场以学生为中心的互动实验，将抽象的K-means算法转化为一场生动的“角色扮演游戏”，让学生在动态参与中领悟无监督学习的精髓。杨强教授以沉浸式互动简化K-means算法的核心步骤，他随机选择两名学生作为初始聚类中心，其余学生模拟二维数据点，计算座位与“中心”的距离，自主选择归属簇。随后，“中心”学生根据簇内成员的平均位置调整坐标，完成一轮迭代。

经过两次动态调整后，簇分布趋于稳定。他借机点出算法特性：“初始中心随机性可能导致结果偏移，且边缘‘噪声点’会干扰均值计算——这正是K-means的局限。”短短十分钟的模拟，学生亲历了聚类从初始化到收敛的全过程，直观理解了无监督学习中“迭代优化”的本质。最后，杨强教授以一道思考题收尾：“如何将聚类转化为分类问题？”

产研融合：AI人才的培养方向

课程尾声，杨强教授结合微众银行的产业实践，对AI人才培养提出三点建议：

1. 夯实理论基础：深入理解机器学习数学本质，避免陷入“调参工程师”陷阱；

2. 关注技术伦理：在追求模型性能的同时，重视隐私保护、公平性与社会责任；

3. 拥抱跨学科思维：AI的未来在于与金融、医疗、法律等领域的深度融合，复合型人才将主导下一代技术创新。

结语：站在巨人的肩膀上眺望未来

杨强教授的课程不仅是一次知识的传递，更是一场思想的启蒙。从智能规划到联邦学习，从决策树到千亿参数大模型，他以其独到的学术视野与产业洞察，为学子们勾勒出人工智能的壮丽图景。正如他曾在开学典礼上所言：“AI的未来属于探索者，在微众银行金融科技学院这片沃土上，新一代AI人才正蓄势待发，迎接智能时代的星辰大海。”

课后，杨强教授与学院党委书记刘海山、院长陈海强、副院长葛锐就学院研究生、博士生培养体系建设进行深入研讨交流。本次公开课是学院人工智能专业硕士项目核心课程《机器学习》的客座专题之一。学院作为与微众银行共建的产业学院，我院将持续深化产教融合，创新校企协同育人模式，着力打造具有示范效应的校企合作课程体系，欢迎大家持续关注。