在 AlphaGo 胜利光芒的照耀下，各个国家、企业都开始围绕人工智能（AI）展开激烈的竞争，生怕慢一步，就会错过即将到来的全新科技曙光。
但 Yann LeCun 却说，“这条路我们无法预测有多远要走，可能要越过崇山峻岭，翻过第一个山头后，还有无数的山头等待着被征服。”
Yann LeCun是谁？这个名字对于不太关注人工智能的人来说或许会稍显陌生。但事实上，业内对于这位 Facebook 人工智能研究院（FAIR）的掌门人评价极高，一致认为他是人工智能领域内的大师。
但就是这样一位大师的人物也无法准确的告知世人AI的未来究竟是怎样的！他唯一指出的是：科研人员的通病就是太高估短期的进展，却低估了长期的发展效益，对于 AI 发展，现在能做的就是奔向那些等待被世人征服的高山。
图丨Facebook人工智能研究院（FAIR）院长Yann LeCun
人工智能的发展并非从现今才开始，学术界从上世纪60年代就已展开了研究，例如 Frank Rosenblatt 提出的感知器（The Perception）。“当时的神经科学带动了后续的机器学习及AI的发展”，LeCun说。
但历经了一波狂热之后，整体科学界对 AI 研究却走向沉寂，大家所投入的兴趣、资金均大幅减少，于是就来到了业界人士口中所谓的“AI寒冬”（AI Winter）时期。直到近年来，计算机软件系统及 GPU 的效能提升及价格降低，云端服务开始普及，大数据的概念深入人心，以及 Google、Amazon、Facebook等各大巨头积极投入，在天时地利人合下，AI成了显学，AI First是顺理成章的成了人人必喊的口号。
今年适逢苹果 iPhone 推出十周年，人们对于苹果创办人乔布斯历经失败、重返荣耀的故事耳熟能详。然而，现在身为人工智能大师的LeCun，一路走来也并非顺风顺水，他也曾被边缘化，他认为让机器建立有知觉的神经网络（Neural Network）以及开发的卷积神经网络（Convolutional Nets）理论在当时都不受到青睐。
LeCun自己就举了一个有趣的例子。过去他在AT&T贝尔实验室（AT&T Bell Labs）做研发，在1988～1992年间，Bell Labs的Adaptive Systems Research Department开发了卷积神经网络和支持向量机（SVM）。人工智能祖师级人物、英伟达的机器学习顾问Larry Jackel当时是部门的主管，研究小组成员包括Yann LeCun和统计学习理论之父Vladmir Vapnik等人。
图丨Larry Jackel、Vladmir Vapnik和Yann LeCun
1995年，Jackel 和 Vapnik 打了两个赌，谁输了就要请谁吃一顿高级丰盛的晚餐，LeCun则是这场赌注的见证人。
第一个打赌是什么呢？Jackel 认为，到了 2000 年人们会了解，大型神经网络可以很好地应用在庞大的资料库中。
但，他输了。
第二个打赌则是，Vapnik 认为，直到 2000 年以前没有人会使用他们在 1995 年就已经拥有的神经网络架构。但他认为，每个人都会使用支持向量机。
Vapnik 不仅在 2000 年输了，而且 2012 年 Google 和微软都部署了神经网络的案例更加证明他的失算。
LeCun 回忆并笑着说，2000 年他们在纽约的 Siam Garden 餐厅享用了这顿晚餐，Jackel 和 Vapnik 平分帐单。但这个有名的打赌说明了现今 AI 主流技术是历经了多年才被众人所接受及应用。
图丨三位大师对人工智能相关技术的打赌，来自Yann LeCun的Google+帐号
LeCun 近期在大陆和台湾展开了一系列的学术演讲。在演讲上，他先是带大家回顾了AI技术发展的历程，例如监督式学习 （Supervised Learning）、深度学习（Deep Learning）、多层神经网络（Multi-Layer Neural Nets）、卷积神经网络（Convolutional Nets）等。
再加上前不久 Facebook 宣布全球用户突破 20 亿，使得外界更加好奇FAIR都在做什么？又已经做出了什么？不过 LeCun 并未透露太多，只表示有些已经应用在Facebook网站上，例如照片的人脸、物体辨识、建议用户可标示朋友。同时，也有希望将AI技术应用在打击恐怖主义上。
英国诗人雪莱曾说：“冬天来了，春天还会远吗？”如今，人工智能走过发展的寒冬，正迎接看似欣欣向荣的春天，但是，LeCun毫不讳言还是有很多阻碍在前，例如：
第一，机器必须学习或了解世界是如何运作的，包括物理的世界、 网络的世界、人际互动等，必须具备一定程度的常识知识；
第二，它们必须透过观察或行动来学习大量的背景知识；
第三，机器必须感知世界；
第四，机器必须持续更新、记忆所预估的世界状态；
第五，机器要能推理和计划。
LeCun因此提出一个公式：智能＋常识＝感知＋预测模型＋记忆＋推理及计划。
“有了常识就能填补空白。”LeCun说。但是，我们该怎么让机器学会常识呢？他认为，答案可能是非监督式学习（Unsupervised Learning）或预测学习（Predictive Learning）。
监督式学习（Supervised Learning）是机器学习领域的一个分支，是将资料标示出各种标签，机器就在这些标签中寻找或建立一个模型，并据此模型进行实际上的推测，例如利用历史股价来预测未来的股价走向。
非监督式学习则强调不必人工加入标签，而是让机器观察世界运作，建立起常识，就能做出直觉的反应或判断，就像小孩的学习一样。他认为，光有监督式学习是不够的，还需要非监督式学习，而训练一个大型的学习机器需要多少的范例，则是取决于我们希望它能预测出多少信息。
预测未来20年人工智能的蓝图是什么
从某种程度上来说，AI已经充斥着我们生活的各个角落了，每个人对于AI的想像及期待各有不同，未来呢？可以预测从现在未来AI的发展的样貌吗？
LeCun很直接的说：“我无法预测！”他进一步表示，“科研人员往往太过高估某项技术在短期的进步，而低估了长期的推进。”通常，我们认为只要能找出某件事、某些东西背后的原理，我们就能建立起它们，最后它们就会运作成功。
但是，回想一下，很久以前我们就发现了火箭背后的原理，但从发现原理到将火箭送上天，这中间是很大的一步路，因为太复杂了。这就是我们低估了短期内实践的复杂度。同时，我们也低估了长期的演进，因为没有人可以预先看到革命的到来。
过去有人预测AI的发展，但都失败了，所以我提出很多目前我们都还无法解决的阻碍，尽管我们可能有一些想法，但尚未发展成解决方法。“AI在我心中，就是我们有一座很高的山必须跨越。而且当我们跨越了之后，我们不知道还有多少座在前方等着我们。”LeCun说。
不过，LeCun也强调，从自然界找灵感，模仿自然是个思路，但是也不宜过多，我们必须理解很多事，例如我们该怎么知道哪些细节很重要、哪些细节只是演进的结果、哪些是生物模仿是受到限制的。就像飞机的发明一样，人类在发展了空气动力学和流体力学之后，就会知道羽毛和拍打翅膀其实并不重要。
“所以，问问自己，智能领域的‘空气动力学’会是什么？”这是LeCun留给大家思考的问题。
-End-
此文来自驻台北编辑詹小娴
欲知会员计划详情，请点击以上图片
