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人工智能研究實驗室負責(zé)人、“神經(jīng)網(wǎng)絡(luò)先鋒獎”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別視覺特征，這就像為計算機打開了雙眼，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，試圖阻止機器摧毀世界。

人們的智能手機、房子、銀行和汽車已經(jīng)每天都在使用AI。AI將通過推動自動駕駛汽車的發(fā)展、改善醫(yī)學(xué)圖像分析、促進更好的醫(yī)療診斷和個性化醫(yī)療，從而帶來社會的重大轉(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)。但對許多人來說，AI 仍然很神秘。

Yann LeCun認為，在人工智能的發(fā)展過程中，有三個學(xué)習(xí)方式，具體來說：

強化學(xué)習(xí)——這是關(guān)于代理應(yīng)該如何行動以獲得最大化獎勵的問題，它受行為心理學(xué)理論的啟發(fā)。在特定情況下，機器挑選一個動作或一系列動作并獲得獎勵。強化學(xué)習(xí)通常用于教機器玩游戲和贏得比賽，比如國際象棋、西洋雙陸棋、圍棋或簡單的視頻游戲。強化學(xué)習(xí)存在的問題是，單純地強化學(xué)習(xí)需要海量的試錯才能學(xué)會簡單的任務(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)，是因為算法從帶標簽數(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。這也是訓(xùn)練神經(jīng)網(wǎng)絡(luò)和其他機器學(xué)習(xí)體系結(jié)構(gòu)最常用的技術(shù)。舉個例子：給出你城市中大量房屋的描述及其價格，嘗試預(yù)測你自己家房子的售價。

無監(jiān)督學(xué)習(xí)——人類和大多數(shù)其他動物學(xué)習(xí)，是在其生命的前幾個小時、幾天、幾個月和幾年，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的結(jié)果了解世界如何運作。沒有人告訴我們所看到的每一個對象的名稱和功能。我們學(xué)會非?；镜母拍?，比如世界是三維的，物體不會自行消失，沒有支撐的物體會往下落。當(dāng)前我們還不知道如何在機器身上實現(xiàn)這一點，至少無法達到人類和其他動物的水平。缺乏用于無監(jiān)督或預(yù)測學(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，但是對于任何計算設(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器，這些機器仍然能力有限。這些機器可能在下國際象棋時打敗人類，但卻不知道在淋雨時躲進屋里。

Yann LeCun認為當(dāng)下人類對深度神經(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，一個人。在幾百個例子、耗費幾天到幾周的計算時間之后，它就弄明白了。“這其實并不是一個非常復(fù)雜的概念。”

其次，對于一個AI系統(tǒng)來說，預(yù)測+規(guī)劃=邏輯分析（Predicting + Planning = Reasoning）。如果想要讓機器能夠了解并且預(yù)測世界的規(guī)律，強化學(xué)習(xí)（Reinforcement Learning）需要建立一個世界模擬器（World Simulator），模擬真實世界的邏輯、原理、物理定律等。不過真實世界太過復(fù)雜，存在大量的表征學(xué)習(xí)參數(shù)，使得機器學(xué)習(xí)的計算量相當(dāng)冗余，聽起來似乎很誘人，但是在有限的時間內(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)需要機器處理大量沒有標記的數(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：對不確定性的預(yù)測。比如當(dāng)你將一支筆直立在桌面上時，松開手的那一刻，你并不知道這只筆將會朝哪個方向倒下。如果系統(tǒng)回答這只筆會倒下，卻判斷錯誤了倒下的方向，這時需要告訴系統(tǒng)，雖然你不是完全正確，但你的本質(zhì)上是正確的，我們不會懲罰你。此時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認為越來越多的人類腦力活動將與智能機器關(guān)聯(lián)起來。人之為人，便是因為擁有智慧；而人工智能便是智慧的延伸。

“在建設(shè)真正智能機器的征途中，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，Yann LeCun表示他們有一個長期目標：即了解智能并構(gòu)建智能機器。這不僅僅是一個技術(shù)挑戰(zhàn)，還是一個科學(xué)問題。什么是智力？又該如何在機器中將其再現(xiàn)？這仍是人類所探尋的問題。這些問題的答案不僅會對建立智能機器有所幫助，也讓人們更加洞見神秘人類意識與大腦的工作方式。但愿它將能夠幫助人類更好地理解生而為人的意義。