Yann LeCun，人工智能界的著名學(xué)者、人工智能三巨頭之一（另兩位是 Hinton 與 Bengio）、紐約大學(xué)終身教授、NYU數(shù)據(jù)科學(xué)中心創(chuàng)始人、Facebook人工智能研究實(shí)驗(yàn)室負(fù)責(zé)人、“神經(jīng)網(wǎng)絡(luò)先鋒獎(jiǎng)”得主。在 20 余年的研究歷程中，他已累積發(fā)表了超過 180 篇論文，他最廣為人知的研究在 1988 年，LeCun 參與開發(fā)了著名的「卷積神經(jīng)網(wǎng)絡(luò)」，可以識(shí)別手寫數(shù)字。隨著數(shù)據(jù)訓(xùn)練的不斷持續(xù)，這種革命性的系統(tǒng)開始從圖片像素中識(shí)別視覺特征，這就像為計(jì)算機(jī)打開了雙眼，讓它們可以從數(shù)據(jù)中自我學(xué)習(xí)。

Yann LeCun表示，AI已經(jīng)遍布在世界的角角落落，它在日常生活中產(chǎn)生了巨大的變化。但這不是在科幻電影中看到的AI，也沒有神經(jīng)緊繃的科學(xué)家猛擊鍵盤，試圖阻止機(jī)器摧毀世界。

人們的智能手機(jī)、房子、銀行和汽車已經(jīng)每天都在使用AI。AI將通過推動(dòng)自動(dòng)駕駛汽車的發(fā)展、改善醫(yī)學(xué)圖像分析、促進(jìn)更好的醫(yī)療診斷和個(gè)性化醫(yī)療，從而帶來社會(huì)的重大轉(zhuǎn)變。AI 也將是支撐未來許多最具創(chuàng)新應(yīng)用和服務(wù)的基本架構(gòu)。但對(duì)許多人來說，AI 仍然很神秘。

Yann LeCun認(rèn)為，在人工智能的發(fā)展過程中，有三個(gè)學(xué)習(xí)方式，具體來說：

強(qiáng)化學(xué)習(xí)——這是關(guān)于代理應(yīng)該如何行動(dòng)以獲得最大化獎(jiǎng)勵(lì)的問題，它受行為心理學(xué)理論的啟發(fā)。在特定情況下，機(jī)器挑選一個(gè)動(dòng)作或一系列動(dòng)作并獲得獎(jiǎng)勵(lì)。強(qiáng)化學(xué)習(xí)通常用于教機(jī)器玩游戲和贏得比賽，比如國(guó)際象棋、西洋雙陸棋、圍棋或簡(jiǎn)單的視頻游戲。強(qiáng)化學(xué)習(xí)存在的問題是，單純地強(qiáng)化學(xué)習(xí)需要海量的試錯(cuò)才能學(xué)會(huì)簡(jiǎn)單的任務(wù)。

監(jiān)督學(xué)習(xí)——基本上，監(jiān)督學(xué)習(xí)就是我們告訴機(jī)器特定輸入的正確答案：這是一幅汽車的圖像，正確答案是“汽車”。它之所以被稱為監(jiān)督學(xué)習(xí)，是因?yàn)樗惴◤膸?biāo)簽數(shù)據(jù)學(xué)習(xí)的過程類似于向年幼的孩子展示圖畫書。成年人知道正確的答案，孩子根據(jù)前面的例子做出預(yù)測(cè)。這也是訓(xùn)練神經(jīng)網(wǎng)絡(luò)和其他機(jī)器學(xué)習(xí)體系結(jié)構(gòu)最常用的技術(shù)。舉個(gè)例子：給出你城市中大量房屋的描述及其價(jià)格，嘗試預(yù)測(cè)你自己家房子的售價(jià)。

無監(jiān)督學(xué)習(xí)——人類和大多數(shù)其他動(dòng)物學(xué)習(xí)，是在其生命的前幾個(gè)小時(shí)、幾天、幾個(gè)月和幾年，以沒有人監(jiān)督的方式學(xué)習(xí)：人們通過觀察和得知人們行動(dòng)的結(jié)果了解世界如何運(yùn)作。沒有人告訴我們所看到的每一個(gè)對(duì)象的名稱和功能。我們學(xué)會(huì)非?；镜母拍?，比如世界是三維的，物體不會(huì)自行消失，沒有支撐的物體會(huì)往下落。當(dāng)前我們還不知道如何在機(jī)器身上實(shí)現(xiàn)這一點(diǎn)，至少無法達(dá)到人類和其他動(dòng)物的水平。缺乏用于無監(jiān)督或預(yù)測(cè)學(xué)習(xí)的AI技術(shù)，是限制當(dāng)前AI發(fā)展的原因之一。

Yann LeCun指出這都是 AI 是經(jīng)常使用的方法，但是對(duì)于任何計(jì)算設(shè)備而言，都有很多從根本上無法解決的問題。這就是為什么即使修建出了擁有超越人類智慧的機(jī)器，這些機(jī)器仍然能力有限。這些機(jī)器可能在下國(guó)際象棋時(shí)打敗人類，但卻不知道在淋雨時(shí)躲進(jìn)屋里。

Yann LeCun認(rèn)為當(dāng)下人類對(duì)深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，用的大部分還是監(jiān)督學(xué)習(xí)的方式。比如說將一張圖片展現(xiàn)給系統(tǒng)并告訴它這是一輛車，它就會(huì)相應(yīng)調(diào)整它的參數(shù)并在下一次說出“車”。然后你再展現(xiàn)給它一張桌子，一個(gè)人。在幾百個(gè)例子、耗費(fèi)幾天到幾周的計(jì)算時(shí)間之后，它就弄明白了。“這其實(shí)并不是一個(gè)非常復(fù)雜的概念。”

其次，對(duì)于一個(gè)AI系統(tǒng)來說，預(yù)測(cè)+規(guī)劃=邏輯分析（Predicting + Planning = Reasoning）。如果想要讓機(jī)器能夠了解并且預(yù)測(cè)世界的規(guī)律，強(qiáng)化學(xué)習(xí)（Reinforcement Learning）需要建立一個(gè)世界模擬器（World Simulator），模擬真實(shí)世界的邏輯、原理、物理定律等。不過真實(shí)世界太過復(fù)雜，存在大量的表征學(xué)習(xí)參數(shù)，使得機(jī)器學(xué)習(xí)的計(jì)算量相當(dāng)冗余，聽起來似乎很誘人，但是在有限的時(shí)間內(nèi)無法學(xué)習(xí)到成千上億的參數(shù)。

而無監(jiān)督學(xué)習(xí)需要機(jī)器處理大量沒有標(biāo)記的數(shù)據(jù)，就像給它一堆狗的照片，卻不告訴它這是一條狗。機(jī)器需要自己找到區(qū)分不同數(shù)據(jù)子集、集群、或者相似圖像的辦法，有點(diǎn)像嬰兒學(xué)習(xí)世界的方式。

無監(jiān)督學(xué)習(xí)的一大困難之處在于：對(duì)不確定性的預(yù)測(cè)。比如當(dāng)你將一支筆直立在桌面上時(shí)，松開手的那一刻，你并不知道這只筆將會(huì)朝哪個(gè)方向倒下。如果系統(tǒng)回答這只筆會(huì)倒下，卻判斷錯(cuò)誤了倒下的方向，這時(shí)需要告訴系統(tǒng)，雖然你不是完全正確，但你的本質(zhì)上是正確的，我們不會(huì)懲罰你。此時(shí)需要引入曲面的成本函數(shù)，只要系統(tǒng)回答在曲面之下的數(shù)據(jù)，都是正確的答案。

Yann LeCun認(rèn)為越來越多的人類腦力活動(dòng)將與智能機(jī)器關(guān)聯(lián)起來。人之為人，便是因?yàn)閾碛兄腔?；而人工智能便是智慧的延伸?/p>

“在建設(shè)真正智能機(jī)器的征途中，我們正在發(fā)現(xiàn)可應(yīng)用并將改善人們今天、明天、明年日常生活的新理論，原則，方法與算法。這些技術(shù)中，有許多已經(jīng)很快找到了應(yīng)用到 Facebook 的產(chǎn)品和服務(wù)中的途徑，如圖像理解，自然語言理解等。”

談到在 Facebook 的人工智能時(shí)，Yann LeCun表示他們有一個(gè)長(zhǎng)期目標(biāo)：即了解智能并構(gòu)建智能機(jī)器。這不僅僅是一個(gè)技術(shù)挑戰(zhàn)，還是一個(gè)科學(xué)問題。什么是智力？又該如何在機(jī)器中將其再現(xiàn)？這仍是人類所探尋的問題。這些問題的答案不僅會(huì)對(duì)建立智能機(jī)器有所幫助，也讓人們更加洞見神秘人類意識(shí)與大腦的工作方式。但愿它將能夠幫助人類更好地理解生而為人的意義。