正文
来源：The Verge
编译：Tom Ren
作为人工智能界的大牛之一，Yann Lecun已经在这一领域深耕了数十年。同时他还是卷积神经网络的发明人之一，这一结构已经广泛应用于图像识别、自动驾驶和人脸识别等场景中去。现在作为facebook人工智能研究院的领军人，他正致力于让AI从实验室走向现实生活。他所领导的团队研制出了可以为盲人自动标注照片的系统，同时每天处理着高达45亿次AI驱动的翻译请求。
近日，Lecun在接受The Verge采访时表示：“我们现在产品的影响了已经远远超过了小扎的期待。但是对于我们来说，AI还有很长很长的路要走，现在的水平仅仅与婴儿甚至动物差不多。”他还呼吁大家不要在AI的相关文章中使用终结者的图像了...
Facebook Prineville数据中心
问：最近Facebook最大的新闻之一便是紧急关停了所谓的AI 机器人，因为它们"创造"了自己的语言来进行交流。很多人都误解了这一研究，您和您的同时对这件事请是怎样看的呢？
Lecun：刚刚开始的时候我们对它只是一笑而过，但在媒体的一篇文章报道了这个故事后，很多报道就像潮水般涌来，完全误解了事实的真相。
这次事件也教育了我们，让我们明白了媒体操控的力量，也明白了我们可以有很多方法来应对。我在第一时间就发Facebook澄清这件事情，并和很多想了解事情真相的媒体进行座谈以正视听，同时撰写了文章来阐述事实的真相。
问：在过去的一些年里，您觉得这样的报道是更多还是更少了？
Lecun：我觉得是更少了，感觉媒体人士和公众逐渐了解了事情的本来的面目，过去基本每一本关于AI 的杂志文章上都会配有终结者的图片，但是现在逐渐在减少。但是偶尔还是会有一些媒体误读这一领域的技术和发展，发表一些文章来质疑AI。
问：当您看到这样的文章时，您最想想公众传达什么？您想对公众说些什么？
Lecun：在面对公众的时候总是在重复这样的话——我们现在离造出真正的人工智能还有很远很远的距离。我们现在看到的所有东西包括自动驾驶汽车、自动医学影像识别、能够超过围棋高手的AlphaGo，所有的这些都是非常狭义的智能，他们都是为特殊的目的训练的，我们能够做到这些是因为我们可以为它们收集很多的数据来做训练。
我们用AlphaGo作为例子（这是一项非常重要的工作，我并没有任何轻视的意思），很多人把它视为我们通向通用人工智能的重要一步，但这种想法是不正确的。因为机器可以在棋盘上打败人类并不意味着它可以在街上驾车安全行驶，甚至对于这一问题没有任何帮助。这是两个完全分离的问题，虽然别人会有不同的意见但是我是这么认为的。
我们距离研制出能够像人类和动物一样能学习大多数基本概念的人工智能还有很长很长的路要走。的确，在某些领域机器就像超人一样做的十分完美，但是对于通用人工智能来说它真的比老鼠都还差很多很多。我们认为在近期和中长期人工智能是没有危险的。人工智能的确会带来一系列危机，但绝不是终结者中的样子。
问：DeepMind表示他们可以将AlphaGo的算法用于真实世界中的科学研究，比如用于研究新药和蛋白质的折叠构型。您认为要在世界范围普遍应用这一类型的技术容易吗？
Lecun：AlphaGo使用的是强化学习算法，这对于游戏来说很有用：因为游戏的规则和可能的行动方式有限，同时在很多很多很多的尝试后使得系统可以很好的工作，即使很复杂的系统也可以胜任。最近的AlphaGo Zero在几天之内下了数百万上千万盘棋，已经有可能超过围棋发明以来人类所有下过的棋的总和了。由于围棋的规则和环境十分简单，大规模的超级计算机可以再1s钟内进行上千次对弈，但这对于真实世界来说并不可行，因为我们无法让真实世界运行的比真实的时间还快。
注：强化学习是一种电脑基于试错的方法进行学习的方式。一个软件主体只需要很少的指令就能在虚拟环境中不断的通过尝试、错误、继续尝试的过程实现目标。例如最近Google就发明了可以进行Atari游戏的程序。
我们只有利用机器，通过学习，来建立真实世界的模型，从而可以在虚拟环境中更快速地进行模拟。但我们现在还缺失着关键的一环，我们不知道如何让机器为世界去建立准确的模型。
我常常用人类学习驾驶的例子来阐述这件事，当我们学习驾驶之前，我们已经在心里拥有一个世界的基本模型（认知），告诉我们不能将车开飞出路边，不能撞到树，要不然会有灾难发生，我们知道需要保持车辆在对应的车道中行走，不能冲出护栏。但是如果在纯粹的强化学习环境中，一个系统也许要模拟40000次以上撞树，它才会明白这一策略是一个糟糕的选择。所以那些声称仅仅需要强化学习就能实现智能的观点是错误的。
问：你是否认为AI目前还缺失着一些基本的工具来突破目前的局限？AI先驱Hinton最近表示这一领域依赖某一个点太多了，是时候推倒一切重新来过了？
Lecun：我认为他的观点有些被过度解读了，但是我很同意我们需要在AI领域进行更多的基本研究。例如Hinton曾经在1985年提出过一个称为玻尔兹曼机（Boltzmann）的模型，这是一个非常优美的算法，但在实际中的运行表现并不是太好。我们都致力于为玻尔兹曼机找到一种本质上优美并间接的解法，同时也在寻找反向传播算法的高效解法。这是我们（我、Hinton、Bengio）在2000年前后重新开始深度学习研究的原因。让我们感到惊讶的是，真正解决问题的是与反向传播算法结合的深度网络。
Facebook 正在大力研发虚拟助手 ，但目前仍远落后于亚马逊 Alexa 等竞争对手
问：随着AI发展的深入，您认为对于大多数消费者来说如何从AI中受益？Facebook是如何规划的？
Lecun：我认为虚拟个人助手是十分重要的一种产品形式，目前的助手大多数是基于脚本化和一些可能答案树形结构来回答用户的问题进行对话的，这使得创建助理机器人十分昂贵、枯燥同时也十分不稳定，也使得它们只能在限定场景下为用户服务。下一步我们希望能在系统中集成一定的学习功能，这也是我们现在正在进行的工作。这个助理同时还可以阅读长文本并且回答相关问题，这会是一个十分有用的功能。
再进一步就是常识的理解了，使机器和人类拥有相同的背景知识。但我们还远做不到这样的水平，除非我们可以找到一个方法让机器可以通过观察学习这个世界。就像通过看电视和读书来学习，这是接下来几年科学技术所面临的重大挑战。我将它称之为预测学习，或者成为无监督学习。
虚拟助手将会在未来几年取得一系列进展，它将变得越来越有用，成为你生活中得心应手的好帮手。它将能学会为用户做很多设计者没有写到脚本中的事情，而这也是Facebook正在努力的方向之一。
-END-
现已涵盖CV、机器人、NLP、ML、IoT等多个当下火热的技术话题。我们每周邀请来自产学研的优秀技术人进行线上分享，目前群里已汇聚数千位上述领域的技术从业者。
入群方式>>关注“将门创投”（id:thejiangmen）微信公众号，在后台回复关键词“技术社群”，提交入群申请表。通过审核后，我们会在第一时间发出邀请。
