編輯：澤南、小舟，來(lái)源：機(jī)器之心在最近一次訪談中，Meta AI 人工智能先驅(qū) Yann LeCun 點(diǎn)出了下一代人工智能技術(shù)的三大主要挑戰(zhàn)。
Yann LeCun（楊立昆）出生于 1960 年，他一直被認(rèn)為是世界上最重要的人工智能研究者之一。20 世紀(jì) 80 年代，LeCun 參與了卷積神經(jīng)網(wǎng)絡(luò)的發(fā)明，在 AI 領(lǐng)域低潮時(shí)期堅(jiān)持了這一方向，并貢獻(xiàn)了工程實(shí)踐成果，推動(dòng)了人工智能圖像分析技術(shù)的突破。
2018 年，LeCun 因深度學(xué)習(xí)的研究貢獻(xiàn)，與 Yoshua Bengio、Geoffrey Hinton 共同獲得了計(jì)算機(jī)科學(xué)最高榮譽(yù)圖靈獎(jiǎng)。
Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio。2013 年，馬克 · 扎克伯格聘請(qǐng) 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(shí)驗(yàn)室 FAIR（現(xiàn) Meta AI）。LeCun 今天仍在擔(dān)任該公司首席人工智能科學(xué)家和副總裁。作為人工智能業(yè)界的領(lǐng)軍人物，Yann LeCun 對(duì)于技術(shù)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(wú)法達(dá)到家貓的認(rèn)知水平。LeCun 認(rèn)為，機(jī)器學(xué)習(xí)缺乏對(duì)于世界的基本了解。自監(jiān)督學(xué)習(xí)是人工智能理解世界的關(guān)鍵現(xiàn)在是 2022 年 1 月，LeCun 表示自己仍然沒有看到貓級(jí)別的人工智能。他表示，盡管「只有」8 億個(gè)神經(jīng)元，但貓腦遠(yuǎn)遠(yuǎn)領(lǐng)先于任何巨大的人工神經(jīng)網(wǎng)絡(luò)。因此乍一看，關(guān)于通往高度發(fā)展的認(rèn)知能力和人類智能長(zhǎng)期規(guī)劃途徑的推測(cè)似乎毫無(wú)意義。貓和人類智能的共同基礎(chǔ)是對(duì)于世界的高度理解，基于對(duì)環(huán)境的抽象表示以形成的模型，擅長(zhǎng)于預(yù)測(cè)行動(dòng)及其后果。LeCun 認(rèn)為，學(xué)習(xí)這種環(huán)境模型的能力是構(gòu)建思考機(jī)器的關(guān)鍵。在對(duì)目前行業(yè)和科研進(jìn)展的分析后，LeCun 得出了 AI 研究面臨的三大挑戰(zhàn)：AI 必須學(xué)會(huì)對(duì)于世界的表征
AI 必須能以和基于梯度的學(xué)習(xí)兼容的方式，進(jìn)行思考和規(guī)劃
AI 必須學(xué)習(xí)行動(dòng)規(guī)劃的分層表征
LeCun 在自監(jiān)督學(xué)習(xí)中找到了第一個(gè)挑戰(zhàn)的解決方案，該方法已被用于訓(xùn)練語(yǔ)言模型、圖像分析系統(tǒng)等。他認(rèn)為這些系統(tǒng)的成功表明人工智能能夠創(chuàng)建復(fù)雜的世界模型。然而，下一代人工智能預(yù)計(jì)將直接從視頻中學(xué)習(xí)，而不是使用語(yǔ)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(qiáng)調(diào)了無(wú)監(jiān)督的重要性，他認(rèn)為這可以突破當(dāng)前 AI 技術(shù)的局限性。今天的 AI 可以輕松對(duì)圖像進(jìn)行分類并識(shí)別聲音，但不能執(zhí)行諸如推理不同對(duì)象之間的關(guān)系或預(yù)測(cè)人類運(yùn)動(dòng)等任務(wù)。這是無(wú)監(jiān)督學(xué)習(xí)可以填補(bǔ)空白的地方。正如 LeCun 所說(shuō)：「預(yù)測(cè)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(chǔ)。它們的理解反過(guò)來(lái)將讓系統(tǒng)具備多種能力（例如抓取物體或自動(dòng)駕駛）的基礎(chǔ)，。人工智能應(yīng)該學(xué)會(huì)思考和行動(dòng)解決第一個(gè)挑戰(zhàn)為解決第二個(gè)挑戰(zhàn)奠定了基礎(chǔ)。與人工智能最初的研究不同的是：思維系統(tǒng)不應(yīng)再由根據(jù)邏輯規(guī)則運(yùn)行的符號(hào)系統(tǒng)和手動(dòng)編程的世界知識(shí)組成。相反，必須使用和深度學(xué)習(xí)類似的方法讓機(jī)器學(xué)會(huì)思考和規(guī)劃。LeCun 還沒有解決第三個(gè)挑戰(zhàn)的方法。他說(shuō)：「要在現(xiàn)實(shí)世界中行動(dòng)的人工智能系統(tǒng)，無(wú)論是機(jī)器人還是自動(dòng)駕駛汽車，必須要能夠預(yù)測(cè)每種行動(dòng)的后果并選擇最佳行動(dòng)。在一些情況下，例如移動(dòng)機(jī)械臂或控制火箭的任務(wù)上，我們已經(jīng)實(shí)現(xiàn)了模型預(yù)測(cè)控制（MPC）?！?/span>但他表示，未來(lái)我們還需要能夠處理所有情況的系統(tǒng)?！竿ㄟ^(guò)認(rèn)真細(xì)致的數(shù)學(xué)建模，未來(lái)的系統(tǒng)將關(guān)注我們?cè)谑澜缟纤^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(shuō)道。視頻——圖靈獎(jiǎng)得主 Yann LeCun 訪談，人工智能的三大挑戰(zhàn)：LeCun 用一個(gè)問(wèn)題總結(jié)了未來(lái)十年人工智能研究面臨的巨大挑戰(zhàn)：「我們應(yīng)該如何讓機(jī)器學(xué)習(xí)處理具有不確定性的模型，并捕獲現(xiàn)實(shí)世界的所有復(fù)雜性？」對(duì)于 LeCun 來(lái)說(shuō)，答案從自監(jiān)督學(xué)習(xí)開始。https://mixed-news.com/en/metas-ai-chief-three-major-challenges-of-artificial-intelligence/干貨學(xué)習(xí)，點(diǎn)贊三連↓
