在 AlphaGo 勝利光芒的照耀下，各個(gè)國家、企業(yè)都開始圍繞人工智能（AI）展開激烈的競(jìng)爭，生怕慢一步，就會(huì)錯(cuò)過即將到來的全新科技曙光。

但 Yann LeCun 卻說，“這條路我們無法預(yù)測(cè)有多遠(yuǎn)要走，可能要越過崇山峻嶺，翻過第一個(gè)山頭后，還有無數(shù)的山頭等待著被征服?！?/span>

Yann LeCun是誰？這個(gè)名字對(duì)于不太關(guān)注人工智能的人來說或許會(huì)稍顯陌生。但事實(shí)上，業(yè)內(nèi)對(duì)于這位 Facebook 人工智能研究院（FAIR）的掌門人評(píng)價(jià)極高，一致認(rèn)為他是人工智能領(lǐng)域內(nèi)的大師。

但就是這樣一位大師的人物也無法準(zhǔn)確的告知世人AI的未來究竟是怎樣的！他唯一指出的是：科研人員的通病就是太高估短期的進(jìn)展，卻低估了長期的發(fā)展效益，對(duì)于 AI 發(fā)展，現(xiàn)在能做的就是奔向那些等待被世人征服的高山。   

圖丨Facebook人工智能研究院（FAIR）院長Yann LeCun

人工智能的發(fā)展并非從現(xiàn)今才開始，學(xué)術(shù)界從上世紀(jì)60年代就已展開了研究，例如 Frank Rosenblatt 提出的感知器（The Perception）。“當(dāng)時(shí)的神經(jīng)科學(xué)帶動(dòng)了后續(xù)的機(jī)器學(xué)習(xí)及AI的發(fā)展”，LeCun說。

但歷經(jīng)了一波狂熱之后，整體科學(xué)界對(duì) AI 研究卻走向沉寂，大家所投入的興趣、資金均大幅減少，于是就來到了業(yè)界人士口中所謂的“AI寒冬”（AI Winter）時(shí)期。直到近年來，計(jì)算機(jī)軟件系統(tǒng)及 GPU 的效能提升及價(jià)格降低，云端服務(wù)開始普及，大數(shù)據(jù)的概念深入人心，以及 Google、Amazon、Facebook等各大巨頭積極投入，在天時(shí)地利人合下，AI成了顯學(xué)，AI First是順理成章的成了人人必喊的口號(hào)。

今年適逢蘋果 iPhone 推出十周年，人們對(duì)于蘋果創(chuàng)辦人喬布斯歷經(jīng)失敗、重返榮耀的故事耳熟能詳。然而，現(xiàn)在身為人工智能大師的LeCun，一路走來也并非順風(fēng)順?biāo)苍贿吘壔?，他認(rèn)為讓機(jī)器建立有知覺的神經(jīng)網(wǎng)絡(luò)（Neural Network）以及開發(fā)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Nets）理論在當(dāng)時(shí)都不受到青睞。

LeCun自己就舉了一個(gè)有趣的例子。過去他在AT&T貝爾實(shí)驗(yàn)室（AT&T Bell Labs）做研發(fā)，在1988～1992年間，Bell Labs的Adaptive Systems Research Department開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM）。人工智能祖師級(jí)人物、英偉達(dá)的機(jī)器學(xué)習(xí)顧問Larry Jackel當(dāng)時(shí)是部門的主管，研究小組成員包括Yann LeCun和統(tǒng)計(jì)學(xué)習(xí)理論之父Vladmir Vapnik等人。

圖丨Larry Jackel、Vladmir Vapnik和Yann LeCun

1995年，Jackel 和 Vapnik 打了兩個(gè)賭，誰輸了就要請(qǐng)誰吃一頓高級(jí)豐盛的晚餐，LeCun則是這場(chǎng)賭注的見證人。

第一個(gè)打賭是什么呢？Jackel 認(rèn)為，到了 2000 年人們會(huì)了解，大型神經(jīng)網(wǎng)絡(luò)可以很好地應(yīng)用在龐大的資料庫中。

但，他輸了。

第二個(gè)打賭則是，Vapnik 認(rèn)為，直到 2000 年以前沒有人會(huì)使用他們?cè)?1995 年就已經(jīng)擁有的神經(jīng)網(wǎng)絡(luò)架構(gòu)。但他認(rèn)為，每個(gè)人都會(huì)使用支持向量機(jī)。

Vapnik 不僅在 2000 年輸了，而且 2012 年 Google 和微軟都部署了神經(jīng)網(wǎng)絡(luò)的案例更加證明他的失算。

LeCun 回憶并笑著說，2000 年他們?cè)诩~約的 Siam Garden 餐廳享用了這頓晚餐，Jackel 和 Vapnik 平分帳單。但這個(gè)有名的打賭說明了現(xiàn)今 AI 主流技術(shù)是歷經(jīng)了多年才被眾人所接受及應(yīng)用。

圖丨三位大師對(duì)人工智能相關(guān)技術(shù)的打賭，來自Yann LeCun的Google+賬號(hào)

LeCun 近期在大陸和臺(tái)灣展開了一系列的學(xué)術(shù)演講。在演講上，他先是帶大家回顧了AI技術(shù)發(fā)展的歷程，例如監(jiān)督式學(xué)習(xí) （Supervised Learning）、深度學(xué)習(xí)（Deep Learning）、多層神經(jīng)網(wǎng)絡(luò)（Multi-Layer Neural Nets）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Nets）等。

再加上前不久 Facebook 宣布全球用戶突破 20 億，使得外界更加好奇FAIR都在做什么？又已經(jīng)做出了什么？不過 LeCun 并未透露太多，只表示有些已經(jīng)應(yīng)用在Facebook網(wǎng)站上，例如照片的人臉、物體辨識(shí)、建議用戶可標(biāo)示朋友。同時(shí)，也有希望將AI技術(shù)應(yīng)用在打擊恐怖主義上。

英國詩人雪萊曾說：“冬天來了，春天還會(huì)遠(yuǎn)嗎？”如今，人工智能走過發(fā)展的寒冬，正迎接看似欣欣向榮的春天，但是，LeCun毫不諱言還是有很多阻礙在前，例如：

第一，機(jī)器必須學(xué)習(xí)或了解世界是如何運(yùn)作的，包括物理的世界、 網(wǎng)絡(luò)的世界、人際互動(dòng)等，必須具備一定程度的常識(shí)知識(shí)；

第二，它們必須透過觀察或行動(dòng)來學(xué)習(xí)大量的背景知識(shí)；

第三，機(jī)器必須感知世界；

第四，機(jī)器必須持續(xù)更新、記憶所預(yù)估的世界狀態(tài)；

第五，機(jī)器要能推理和計(jì)劃。

LeCun因此提出一個(gè)公式：智能＋常識(shí)＝感知＋預(yù)測(cè)模型＋記憶＋推理及計(jì)劃。

“有了常識(shí)就能填補(bǔ)空白?！盠eCun說。但是，我們?cè)撛趺醋寵C(jī)器學(xué)會(huì)常識(shí)呢？他認(rèn)為，答案可能是非監(jiān)督式學(xué)習(xí)（Unsupervised Learning）或預(yù)測(cè)學(xué)習(xí)（Predictive Learning）。

監(jiān)督式學(xué)習(xí)（Supervised Learning）是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分支，是將資料標(biāo)示出各種標(biāo)簽，機(jī)器就在這些標(biāo)簽中尋找或建立一個(gè)模型，并據(jù)此模型進(jìn)行實(shí)際上的推測(cè)，例如利用歷史股價(jià)來預(yù)測(cè)未來的股價(jià)走向。

非監(jiān)督式學(xué)習(xí)則強(qiáng)調(diào)不必人工加入標(biāo)簽，而是讓機(jī)器觀察世界運(yùn)作，建立起常識(shí)，就能做出直覺的反應(yīng)或判斷，就像小孩的學(xué)習(xí)一樣。他認(rèn)為，光有監(jiān)督式學(xué)習(xí)是不夠的，還需要非監(jiān)督式學(xué)習(xí)，而訓(xùn)練一個(gè)大型的學(xué)習(xí)機(jī)器需要多少的范例，則是取決于我們希望它能預(yù)測(cè)出多少信息。

預(yù)測(cè)未來20年人工智能的藍(lán)圖是什么

從某種程度上來說，AI已經(jīng)充斥著我們生活的各個(gè)角落了，每個(gè)人對(duì)于AI的想像及期待各有不同，未來呢？可以預(yù)測(cè)從現(xiàn)在未來AI的發(fā)展的樣貌嗎？

LeCun很直接的說：“我無法預(yù)測(cè)！”他進(jìn)一步表示，“科研人員往往太過高估某項(xiàng)技術(shù)在短期的進(jìn)步，而低估了長期的推進(jìn)?！蓖ǔ?，我們認(rèn)為只要能找出某件事、某些東西背后的原理，我們就能建立起它們，最后它們就會(huì)運(yùn)作成功。

但是，回想一下，很久以前我們就發(fā)現(xiàn)了火箭背后的原理，但從發(fā)現(xiàn)原理到將火箭送上天，這中間是很大的一步路，因?yàn)樘珡?fù)雜了。這就是我們低估了短期內(nèi)實(shí)踐的復(fù)雜度。同時(shí)，我們也低估了長期的演進(jìn)，因?yàn)闆]有人可以預(yù)先看到革命的到來。

過去有人預(yù)測(cè)AI的發(fā)展，但都失敗了，所以我提出很多目前我們都還無法解決的阻礙，盡管我們可能有一些想法，但尚未發(fā)展成解決方法。“AI在我心中，就是我們有一座很高的山必須跨越。而且當(dāng)我們跨越了之后，我們不知道還有多少座在前方等著我們?！盠eCun說。

不過，LeCun也強(qiáng)調(diào)，從自然界找靈感，模仿自然是個(gè)思路，但是也不宜過多，我們必須理解很多事，例如我們?cè)撛趺粗滥男┘?xì)節(jié)很重要、哪些細(xì)節(jié)只是演進(jìn)的結(jié)果、哪些是生物模仿是受到限制的。就像飛機(jī)的發(fā)明一樣，人類在發(fā)展了空氣動(dòng)力學(xué)和流體力學(xué)之后，就會(huì)知道羽毛和拍打翅膀其實(shí)并不重要。

“所以，問問自己，智能領(lǐng)域的‘空氣動(dòng)力學(xué)’會(huì)是什么？”這是LeCun留給大家思考的問題。

-End-

此文來自駐臺(tái)北編輯詹小嫻

欲知會(huì)員計(jì)劃詳情，請(qǐng)點(diǎn)擊以上圖片