從虛擬助手到巨大的商業(yè)效益，人工智能正在重塑信息時(shí)代，作為著名的人工智能先驅(qū)者之一，Yann LeCun又是怎么看待這一領(lǐng)域的發(fā)展、近期的變化和潛力的呢？

20世紀(jì)80年代中期，人工智能的研究陷入了完全停滯的狀態(tài)。首先，計(jì)算機(jī)缺乏將事情促成的處理能力，與現(xiàn)代智能手機(jī)相比，軟盤驅(qū)動(dòng)設(shè)備在先進(jìn)程度上相形見絀，直到1989年，計(jì)算機(jī)芯片才能夠容納100萬個(gè)元件，相比之下，現(xiàn)代的高端計(jì)算機(jī)芯片則能夠容納80億個(gè)元件。

另一個(gè)障礙也阻礙了人工智能的成形，1984年，美國(guó)人工智能協(xié)會(huì)召開了一次重大會(huì)議，行業(yè)先驅(qū)馬文·明斯基(Marvin Minsky)在會(huì)上警告商界，投資者對(duì)人工智能的熱情最終將會(huì)變成大失所望，果然，人工智能領(lǐng)域的投資開始劇降。

那時(shí)候，像Yann LeCun這樣的夢(mèng)想家選擇了不去過多關(guān)注那些負(fù)面的東西，這是一件好事，當(dāng)這位法國(guó)人加入位于新澤西的AT&T貝爾實(shí)驗(yàn)室適應(yīng)性系統(tǒng)研究部門時(shí)，他還不到30歲，在那里，他對(duì)人工智能充滿著熱情。在貝爾實(shí)驗(yàn)室，LeCun開發(fā)了許多新的機(jī)器學(xué)習(xí)方法，包括模仿動(dòng)物視覺皮層的卷積神經(jīng)網(wǎng)絡(luò)，LeCun的研究也促進(jìn)了圖像和視頻識(shí)別以及自然語言處理的發(fā)展。

“整個(gè)人工智能背景下的統(tǒng)計(jì)學(xué)習(xí)概念在1960年代末似乎消失不見了?！盠eCun回憶道，“人們或多或少拋棄了它，然后在80年代末，神經(jīng)網(wǎng)絡(luò)又重新成為人們關(guān)注的焦點(diǎn)。因此，當(dāng)訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法在80年代中期出現(xiàn)時(shí)，它引起了人們的興趣?！?/p>

在捕捉這場(chǎng)革命的過程中，LeCun一直都極其謙遜，甚至謙遜過頭了，他的發(fā)現(xiàn)創(chuàng)造了歷史，但他卻很少提及自己的名字或成就，他不會(huì)自視非凡，事實(shí)上，他的個(gè)人網(wǎng)站上有一整個(gè)區(qū)域都是關(guān)于雙關(guān)語的，其中有這樣的自我告誡：“禁止酷刑的日內(nèi)瓦公約以及禁止施加殘酷和非常懲罰的美國(guó)憲法，禁止我連續(xù)寫出三個(gè)以上兇殘狠毒的雙關(guān)語?！?/p>

LeCun也不愿滿足于他在計(jì)算機(jī)科學(xué)上取得的任何應(yīng)得的榮譽(yù)，如今，他擔(dān)任Facebook的首席人工智能科學(xué)家，在那里他孜孜不倦地努力實(shí)現(xiàn)新的突破，而今天，他帶領(lǐng)我們進(jìn)行一次特權(quán)之旅——比坐在前排看明星表演還要過癮，因?yàn)樗褪沁@場(chǎng)秀的明星主角——洞悉人工智能的發(fā)展、近期的變化和潛力。

關(guān)于Yann LeCun，他在人工智能研究領(lǐng)域，Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio一直被公認(rèn)為深度學(xué)習(xí)三巨頭，他是計(jì)算機(jī)科學(xué)家，被譽(yù)為“卷積網(wǎng)絡(luò)之父”，為卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Networks）和圖像識(shí)別領(lǐng)域做出了重要貢獻(xiàn)，以手寫字體識(shí)別、圖像壓縮和人工智能硬件等主題發(fā)表過190多份論文，研發(fā)了很多關(guān)于深度學(xué)習(xí)的項(xiàng)目，并且擁有14項(xiàng)相關(guān)的美國(guó)專利。

目前，Yann LeCun是Facebook人工智能研究院院長(zhǎng)，紐約大學(xué)的 Silver 教授，隸屬于紐約大學(xué)數(shù)據(jù)科學(xué)中心、Courant 數(shù)學(xué)科學(xué)研究所、神經(jīng)科學(xué)中心和電氣與計(jì)算機(jī)工程系。加盟Facebook之前，Lecun已在貝爾實(shí)驗(yàn)室工作超過20年，期間他開發(fā)了一套能夠識(shí)別手寫數(shù)字的系統(tǒng)，叫作LeNet，用到了卷積神經(jīng)網(wǎng)絡(luò)，已開源。他在 1983 年在巴黎 ESIEE 獲得電子工程學(xué)位，1987 年在 Université P&M Curie 獲得計(jì)算機(jī)科學(xué)博士學(xué)位。在完成了多倫多大學(xué)的博士后研究之后，他在 1988 年加入了 AT&T 貝爾實(shí)驗(yàn)室（AT&T Bell Laboratories /Holmdel, NJ），在 1996 年成為 AT&T Labs-Research 的圖像處理研究部門主管。2003 年，他加入紐約大學(xué)獲得教授任職，并在 NEC 研究所呆過短暫一段時(shí)間。2012 年他成為紐約大學(xué)數(shù)據(jù)科學(xué)中心的創(chuàng)辦主任。2013 年末，他成為 Facebook 的人工智能研究中心（FAIR）負(fù)責(zé)人，并仍保持在 NYU 中兼職教學(xué)。

“人工智能”的開端

作為一個(gè)研究人工智能歷史的學(xué)生，LeCun可以一個(gè)不漏地說出該領(lǐng)域的里程碑事件：始于1956年夏天在達(dá)特茅斯舉行的一次頭腦風(fēng)暴會(huì)議，“人工智能”一詞就是在那次會(huì)議上被創(chuàng)造出來的。僅僅一年之后，弗蘭克·羅森布拉特（Frank Rosenblatt）在康奈爾航空實(shí)驗(yàn)室發(fā)明了感知器。第一個(gè)實(shí)現(xiàn)版本是Mark 1 Perceptron感知器，那是一個(gè)巨大的矩形機(jī)器，包含400個(gè)隨機(jī)地連接到簡(jiǎn)單的圖形檢測(cè)器的光電池，以及一個(gè)可訓(xùn)練分類器。

“它是第一個(gè)能夠?qū)W會(huì)以一種不平凡的方式識(shí)別簡(jiǎn)單模式的神經(jīng)網(wǎng)絡(luò)?！盠eCun說，“你可以用它們來進(jìn)行簡(jiǎn)單的圖像識(shí)別，但不能識(shí)別照片中的物體，也不能進(jìn)行任何推理或規(guī)劃?！?/p>

十年以前，模式識(shí)別系統(tǒng)一直都需要人類完成大量繁重的工作才能夠識(shí)別自然圖像中的物體?！澳阈枰龊芏嗟墓ぷ鱽順?gòu)建一個(gè)工程模塊，將圖像轉(zhuǎn)化成一種代表性的東西——通常是一個(gè)長(zhǎng)長(zhǎng)的數(shù)字列表，它們能夠被簡(jiǎn)單的學(xué)習(xí)算法處理。所以基本上你必須親手完成這項(xiàng)工作?！彼a(bǔ)充道，早期的語音識(shí)別和由計(jì)算機(jī)驅(qū)動(dòng)的翻譯也是如此：手動(dòng)工程意味著付出巨大的努力，卻沒有得到多少回報(bào)。

那么是什么改變了計(jì)算機(jī)科學(xué)呢？“在所有的那些應(yīng)用中，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)已經(jīng)在性能上帶來了顯著的改善——同時(shí)也大大減少了必要的體力勞動(dòng)?！盠eCun說道，“這使得人們可以將這些應(yīng)用擴(kuò)展到很多不同的領(lǐng)域?！?/p>

這就提出了這樣一個(gè)問題：計(jì)算機(jī)首先是如何“學(xué)習(xí)”的。神經(jīng)網(wǎng)絡(luò)相當(dāng)于對(duì)大腦的一種軟件模擬；它們處理諸如視覺圖像的信息，并試圖得到一個(gè)正確的答案。但如果答案不是那么正確呢？輸入“反向傳播”(backpropagation)，這是一種促使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的反饋流算法。

Yann LeCun和反向傳播算法

反向傳播的突破性發(fā)現(xiàn)出現(xiàn)在1986年。當(dāng)時(shí)，杰弗里·辛頓（Geoffrey Hinton）教授成為最早描述計(jì)算機(jī)通過反復(fù)執(zhí)行任務(wù)來學(xué)習(xí)的方法的研究人員之一。在學(xué)習(xí)的過程中，計(jì)算機(jī)的神經(jīng)網(wǎng)絡(luò)每次都會(huì)“往減少錯(cuò)誤的方向進(jìn)行調(diào)整”。

LeCun不僅很好地利用了辛頓所打下的基礎(chǔ)——他還幫助奠定了基礎(chǔ)。20世紀(jì)80年代初，辛頓第一次提出了“反向”（backprop）的想法，但后來他放棄了，因?yàn)樗J(rèn)為這個(gè)想法行不通。

但在1985年，LeCun寫了一篇論文來描述反向傳播的一種形式。論文是用法語寫的，基本上沒有被很多人讀過——但至少被一個(gè)重要的人讀到了。那就是辛頓。在開始在AT&T貝爾實(shí)驗(yàn)室(晶體管的誕生地)工作之前，LeCun在多倫多大學(xué)在Hinton手下工作，擔(dān)任博士后研究員。

“所有的機(jī)器學(xué)習(xí)都是關(guān)于糾錯(cuò)的?！盠eCun解釋道。想象一下，給計(jì)算機(jī)展示”成千上萬張汽車和飛機(jī)的圖片，每一次參數(shù)都自行調(diào)整一點(diǎn)，輸出結(jié)果隨之距離正確的參數(shù)近一點(diǎn)——如果你足夠幸運(yùn)的話，最終會(huì)達(dá)成一個(gè)讓機(jī)器能夠準(zhǔn)確識(shí)別出每一輛汽車和每一架飛機(jī)的配置?！?/p>

描述最終結(jié)果的時(shí)候，他激動(dòng)地說：“機(jī)器學(xué)習(xí)的神奇之處在于，即使是系統(tǒng)從未見過的圖像，也會(huì)被正確地分類?！?/p>

不過，他還是忍不住有點(diǎn)愛開玩笑?！坝懈鞣N各樣的技巧可以讓反向傳播發(fā)揮作用，而且它還是有點(diǎn)黑色藝術(shù)——但現(xiàn)在我們有了一個(gè)秘方。如果你按照秘方來做，它每次都會(huì)奏效。”

數(shù)據(jù)、人工智能和商業(yè)：天空與極限

人工智能時(shí)代的數(shù)據(jù)被以各種各樣的方式描述：新的黃金，新的石油，新的貨幣，甚至新的培根。到目前為止，每個(gè)人都明白：從審計(jì)到電子商務(wù)，數(shù)據(jù)對(duì)企業(yè)來說都很有價(jià)值。但也要理解數(shù)據(jù)能做什么和不能做什么，這是眾多商界人士仍必須面對(duì)的一個(gè)區(qū)別。

“數(shù)據(jù)對(duì)于把機(jī)器學(xué)習(xí)變成一門生意很重要?！盠eCun坦言，“你需要數(shù)據(jù)來訓(xùn)練你的系統(tǒng)，你的數(shù)據(jù)越多，你的系統(tǒng)就會(huì)越精準(zhǔn)。所以，從技術(shù)目標(biāo)和商業(yè)角度來看，數(shù)據(jù)越多越好?！?/p>

但也有數(shù)據(jù)會(huì)變成油膩的培根的時(shí)候，如果你愿意的話：也就是說，它不能讓使用人工智能的機(jī)器變得更智能?！霸谌斯ぶ悄艿难芯糠矫妗覀?cè)贔acebook研究的東西，還有很多在DeepMind、谷歌和其他地方的人研究的東西——我們不使用內(nèi)部數(shù)據(jù)來測(cè)試它們?！盠eCun說，“我們使用公共數(shù)據(jù)，原因是我們喜歡將我們的方法與學(xué)術(shù)研究領(lǐng)域的其他人進(jìn)行比較。擁有更多的數(shù)據(jù)對(duì)于開發(fā)更好的方法并不重要。事實(shí)上，很多努力都是為了減少達(dá)到給定性能水平所需的數(shù)據(jù)量?！?/p>

這一點(diǎn)在學(xué)術(shù)界尤為明顯。在學(xué)術(shù)界，關(guān)鍵的任務(wù)不是分析處理海量的數(shù)據(jù)，而是充當(dāng)LeCun所說的“新思想的先鋒”。與此同時(shí)，在尋找解決方案之前，建立人工智能戰(zhàn)略的企業(yè)需要自我評(píng)估。“這取決于人工智能對(duì)你的操作有多重要，”LeCun指出。“如果你只是想應(yīng)用現(xiàn)有的人工智能方法，你可以使用許多公司提供的云服務(wù)?！边@是相對(duì)容易的?！耙恍┢髽I(yè)和出租技術(shù)可以幫助人工智能的部署；LeCun以蒙特利爾的AI元素為例。

對(duì)于企業(yè)來說，最大的挑戰(zhàn)是建立自己的工程團(tuán)隊(duì)?！盎旧希斯ぶ悄?a target="_blank">工程師和科學(xué)家現(xiàn)在需求量很大，所以你得高薪聘請(qǐng)他們。他們不便宜，因?yàn)樗麄兒芟∮??！?/p>

兩種學(xué)習(xí)方式，一種光明的未來

LeCun概述了構(gòu)成當(dāng)今人工智能基礎(chǔ)的兩種不同類型的學(xué)習(xí)方式：監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)。在監(jiān)督式學(xué)習(xí)中——適用于超過95%的機(jī)器學(xué)習(xí)應(yīng)用——人類操作員訓(xùn)練機(jī)器來逐漸提升對(duì)圖像或其他形式的輸入的識(shí)別能力。打個(gè)比方，把它看作你可以無意識(shí)地調(diào)整的旋鈕，越是調(diào)整，機(jī)器就會(huì)越接近產(chǎn)生你想要的那個(gè)輸出結(jié)果。

非監(jiān)督式學(xué)習(xí)（或者說“自我監(jiān)督式學(xué)習(xí)”）擁有著巨大的潛力，盡管它在今天的機(jī)器學(xué)習(xí)中所占的比例要小得多?！八举|(zhì)上是根據(jù)我們從世界上的其他事物中感知到的東西來預(yù)測(cè)一切。”LeCun說。他以“視頻預(yù)測(cè)”為例：“給機(jī)器播放一小段視頻，然后讓它預(yù)測(cè)接下來會(huì)發(fā)生什么。”

現(xiàn)在的情況有點(diǎn)像是在預(yù)測(cè)接下來會(huì)發(fā)生什么，從而實(shí)現(xiàn)這種特殊的突破。但可以肯定的是，對(duì)于科學(xué)家、學(xué)者和高科技巨頭來說，追求非監(jiān)督式學(xué)習(xí)有著十分巨大的吸引力。非監(jiān)督式學(xué)習(xí)的好處在于，能夠完成我們目前無法完成的所有應(yīng)用?！盠eCun說道，“我們想要擁有智能的虛擬助手，你可以和它們交談，它們可以理解你所說的一切。它們會(huì)有足夠的背景知識(shí)來在日常生活中給你提供幫助。”

他停頓了一下。“這有點(diǎn)像電影《她》（Her）。你看過那部電影嗎？”簡(jiǎn)單介紹一下：在斯派克·瓊斯(Spike Jonze)2013年執(zhí)導(dǎo)的這部電影里，華金·菲尼克斯(Joaquin Phoenix)飾演一個(gè)孤獨(dú)的作家，愛上了他的虛擬助手，該助手由斯嘉麗·約翰遜(Scarlett Johansson)配音。原來LeCun很喜歡這部電影。

“它對(duì)人們和變得智能的虛擬助手之間可能會(huì)發(fā)生的互動(dòng)刻畫得不差?！盠eCun表示，“我們還遠(yuǎn)沒有那樣的人工智能技術(shù)能讓我們制造出那樣的機(jī)器。這主要是因?yàn)楝F(xiàn)在的機(jī)器不具備常識(shí)?！?/p>

常識(shí)？但機(jī)器不是很多時(shí)候都比人類更善于做決定嗎？機(jī)器必須要有常識(shí)——它們有嗎？LeCun解釋了它們?yōu)槭裁礇]有常識(shí)：“我們沒有能力讓機(jī)器去學(xué)習(xí)龐大的背景知識(shí)：我們?cè)诔錾院蟮淖畛鯉字芎蛶讉€(gè)月里所獲得的關(guān)于這個(gè)世界的龐大背景知識(shí)——很多動(dòng)物也獲得了這種背景知識(shí)?！?/p>

正因?yàn)槿绱?，我們?duì)機(jī)器人的一些最簡(jiǎn)單的假設(shè)就站不住腳。“我們不可能有靈巧的機(jī)器人。”LeCun說道，“我們不可能有能夠把我們的洗碗機(jī)裝滿然后清空的家用機(jī)器人。這超出了當(dāng)今機(jī)器人技術(shù)的水平，這并不是因?yàn)槲覀儾荒苤圃鞕C(jī)器人。而是因?yàn)槲覀儾恢廊绾谓o它們制造大腦。我們不知道如何訓(xùn)練它們，讓它們知道該如何握住東西，如何繞過障礙物，如何裝載東西?！彼a(bǔ)充說：“家貓都比最聰明的機(jī)器有常識(shí)得多。”

鑒于LeCun在將人工智能帶入生活中所扮演的重要角色，這聽起來或許有些輕率。但當(dāng)他想到一個(gè)光明的人工智能未來在醫(yī)學(xué)等領(lǐng)域正以閃電般的速度逼近時(shí)，他也表現(xiàn)出了極大的熱情——甚至驚奇。

“對(duì)于醫(yī)學(xué)圖像分析，我們能夠訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)來從CT掃描圖或MRI（核磁共振成像）圖像檢測(cè)腫瘤，或者從皮膚圖像檢測(cè)黑色素瘤?！彼Q，“我認(rèn)為這將會(huì)對(duì)放射學(xué)產(chǎn)生深遠(yuǎn)的影響。”

不管持有什么樣的觀點(diǎn)，LeCun都一直充滿著樂趣，一如當(dāng)初第一天到貝爾實(shí)驗(yàn)室工作的的那個(gè)二十來歲小伙。

7月8日是LeCun 58歲生日那天，他發(fā)布推文說：“深度神經(jīng)網(wǎng)絡(luò)既漂亮，又光亮透明?！?/p>