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(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)域低潮時期堅持了這一方向，并貢獻(xiàn)了工程實踐成果，推動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 共同獲得了計算機科學(xué)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(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，人工智能甚至還無法達(dá)到家貓的認(rèn)知水平。LeCun 認(rèn)為，機器學(xué)習(xí)缺乏對于世界的基本了解。

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別的人工智能。他表示，盡管「只有」8 億個神經(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(chǔ)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(yù)測行動及其后果。LeCun 認(rèn)為，學(xué)習(xí)這種環(huán)境模型的能力是構(gòu)建思考機器的關(guān)鍵。

在對目前行業(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)會對于世界的表征；

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)中找到了第一個挑戰(zhàn)的解決方案，該方法已被用于訓(xùn)練語言模型、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)計將直接從視頻中學(xué)習(xí)，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(rèn)為這可以突破當(dāng)前 AI 技術(shù)的局限性。今天的 AI 可以輕松對圖像進(jìn)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(guān)系或預(yù)測人類運動等任務(wù)。這是無監(jiān)督學(xué)習(xí)可以填補空白的地方。正如 LeCun 所說：「預(yù)測是智力的本質(zhì)?！?

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(chǔ)，。

人工智能應(yīng)該學(xué)會思考和行動

解決第一個挑戰(zhàn)為解決第二個挑戰(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(xué)習(xí)類似的方法讓機器學(xué)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(yù)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(wù)上，我們已經(jīng)實現(xiàn)了模型預(yù)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)?！竿ㄟ^認(rèn)真細(xì)致的數(shù)學(xué)建模，未來的系統(tǒng)將關(guān)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(jié)了未來十年人工智能研究面臨的巨大挑戰(zhàn)：「我們應(yīng)該如何讓機器學(xué)習(xí)處理具有不確定性的模型，并捕獲現(xiàn)實世界的所有復(fù)雜性？」

對于 LeCun 來說，答案從自監(jiān)督學(xué)習(xí)開始。