正文共：1682-6圖
預計閱讀時間：5分鐘
在最近一次訪談中，Meta AI 人工智能先驅(qū) Yann LeCun 點出了下一代人工智能技術的三大主要挑戰(zhàn)。
Yann LeCun（楊立昆）出生于 1960 年，他一直被認為是世界上最重要的人工智能研究者之一。20 世紀 80 年代，LeCun 參與了卷積神經(jīng)網(wǎng)絡的發(fā)明，在 AI 領域低潮時期堅持了這一方向，并貢獻了工程實踐成果，推動了人工智能圖像分析技術的突破。2018 年，LeCun 因深度學習的研究貢獻，與 Yoshua Bengio、Geoffrey Hinton 共同獲得了計算機科學最高榮譽圖靈獎。
Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio
2013 年，馬克 · 扎克伯格聘請 Yann LeCun 為 Facebook 人工智能研究員，后者幫助建立了 Facebook 人工智能研究實驗室 FAIR（現(xiàn) Meta AI）。LeCun 今天仍在擔任該公司首席人工智能科學家和副總裁。作為人工智能業(yè)界的領軍人物，Yann LeCun 對于技術的發(fā)展經(jīng)常給出自己的看法，他在 2018 年左右的一次演講中曾透露，盡管人工智能研究取得了近期所有這些成功，人工智能甚至還無法達到家貓的認知水平。LeCun 認為，機器學習缺乏對于世界的基本了解。現(xiàn)在是 2022 年 1 月，LeCun 表示自己仍然沒有看到貓級別的人工智能。他表示，盡管「只有」8 億個神經(jīng)元，但貓腦遠遠領先于任何巨大的人工神經(jīng)網(wǎng)絡。因此乍一看，關于通往高度發(fā)展的認知能力和人類智能長期規(guī)劃途徑的推測似乎毫無意義。貓和人類智能的共同基礎是對于世界的高度理解，基于對環(huán)境的抽象表示以形成的模型，擅長于預測行動及其后果。LeCun 認為，學習這種環(huán)境模型的能力是構建思考機器的關鍵。在對目前行業(yè)和科研進展的分析后，LeCun 得出了 AI 研究面臨的三大挑戰(zhàn)：
LeCun 在自監(jiān)督學習中找到了第一個挑戰(zhàn)的解決方案，該方法已被用于訓練語言模型、圖像分析系統(tǒng)等。他認為這些系統(tǒng)的成功表明人工智能能夠創(chuàng)建復雜的世界模型。然而，下一代人工智能預計將直接從視頻中學習，而不是使用語言或圖像。Meta 目前正在為新一代 AI 收集第一人稱視頻數(shù)據(jù)，這一工作成本很高。
LeCun 的蛋糕強調(diào)了無監(jiān)督的重要性，他認為這可以突破當前 AI 技術的局限性。今天的 AI 可以輕松對圖像進行分類并識別聲音，但不能執(zhí)行諸如推理不同對象之間的關系或預測人類運動等任務。這是無監(jiān)督學習可以填補空白的地方。正如 LeCun 所說：「預測是智力的本質(zhì)?！?/span>
LeCun 表示，人工智能系統(tǒng)可以從這些視頻中理解世界的物理基礎。它們的理解反過來將讓系統(tǒng)具備多種能力（例如抓取物體或自動駕駛）的基礎，。解決第一個挑戰(zhàn)為解決第二個挑戰(zhàn)奠定了基礎。與人工智能最初的研究不同的是：思維系統(tǒng)不應再由根據(jù)邏輯規(guī)則運行的符號系統(tǒng)和手動編程的世界知識組成。相反，必須使用和深度學習類似的方法讓機器學會思考和規(guī)劃。LeCun 還沒有解決第三個挑戰(zhàn)的方法。他說：「要在現(xiàn)實世界中行動的人工智能系統(tǒng)，無論是機器人還是自動駕駛汽車，必須要能夠預測每種行動的后果并選擇最佳行動。在一些情況下，例如移動機械臂或控制火箭的任務上，我們已經(jīng)實現(xiàn)了模型預測控制（MPC）。」但他表示，未來我們還需要能夠處理所有情況的系統(tǒng)。「通過認真細致的數(shù)學建模，未來的系統(tǒng)將關注我們在世界上所觀察到的一切：包括人類的行為和各種物理系統(tǒng)，它們是人類可以輕松抽象表征并建模的內(nèi)容，」LeCun 說道。視頻——圖靈獎得主 Yann LeCun 訪談，人工智能的三大挑戰(zhàn)：LeCun 用一個問題總結了未來十年人工智能研究面臨的巨大挑戰(zhàn)：「我們應該如何讓機器學習處理具有不確定性的模型，并捕獲現(xiàn)實世界的所有復雜性？」對于 LeCun 來說，答案從自監(jiān)督學習開始。來源?| 機器之心
版權聲明：本號內(nèi)容部分來自互聯(lián)網(wǎng)，轉(zhuǎn)載請注明原文鏈接和作者，如有侵權或出處有誤請和我們聯(lián)系。
