臉書AI大神:別用"終結者"劇照給AI配圖了 太荒謬

本文系網易智能工作室（公眾號 smartman 163）出品。聚焦AI，讀懂下一個大時代！ 

【網易智能訊 11月3日消息】Yann LeCun是人工智慧領域最有發言權的人之一，所以當他說，「即使是這一領域最先進的技術也沒有讓我們更接近超級智能機器」，你就需要注意了。

Yann LeCun已經在人工智慧領域工作了幾十年，並且是卷積神經網絡的聯合創始人之一。這一程序被證明特別擅長分析視覺數據，並且能夠支持從自動駕駛汽車到面部識別等各種功能。現在，作為Facebook人工智慧研究中心（「FAIR」）的負責人，他推動了人工智慧從實驗室走向現實世界。他的團隊所設計的軟體會自動為盲人用戶提供圖片說明，並且能夠在一天內完成45億份人工智慧翻譯。

「我們對產品的影響超過了馬克?扎克伯格的預期，」揚·勒丘恩最近通過Skype接受美國科技媒體採訪時表示。但是，正如他在採訪中解釋的那樣，他很清楚，人工智慧還有很長很長的路要走，才能接近嬰兒的智力，甚至是動物的智力。哦，如果你不介意的話，順便提一句，他表示，如果我們在人工智慧文章中停止使用「終結者」影片中的照片，他會因此非常高興。

為了信息的清晰明了，下面的採訪內容經過了簡單的編輯：

關於Facebook人工智慧發展的最新報導之一是關於你所稱的「人工智慧機器人」的研究工作。這些人工智慧機器人在發明了自己的語言後被「停止」。有很多報導嚴重歪曲了研究結果，但你和你的同事對這類報導應該作何回應？

事實上，第一次看到這些報導的時候，我們就只是一笑而過。之後這就取決於這些報導造成的影響。這裡要特別提的是，曾經有一篇報導，一經報出就引起軒然大波，然後這非常令人苦惱，就像被扯頭髮一樣。「在報導裡，他們完全錯了！」這對我們來說很有啟發意義，因為它讓我們了解了媒體是如何運作的，我們也因此作了一些回應。我在臉書上發布了一個簡短的帖子，說這篇報導很荒謬，試圖先以一種幽默的方式回應，直到我們不得不以嚴肅的態度回應。我們一方面與一群想要了解真實情況的記者交流，另一方面寫一些文章強調某些報導完全是錯誤的。

在過去的幾年中，你認為我們看到的這類報導是多還是少？

事實上是少的，從某種意義上說媒體和公眾似乎對這些報導只是稍微了解一點點。過去的情況是，你在媒體上看到的關於人工智慧的文章，其中的配圖無不是關於《終結者》的。現在你看得更少了，這是一件好事。儘管你偶爾還是會看到某些媒體會以一種對所發生的事情完全誤解的方式提出問題。

當你看到這樣的報導時，你希望人們能從中獲得的信息是什麼？你對他們說些什麼？

每當我與公眾交談時，我都會不斷重複這一說法：我們距離創造出真正的智能機器還很遠。你現在所看到的一切，所有這些人工智慧的壯舉，比如自動駕駛汽車，解讀醫學圖像，打敗世界冠軍等等都是非常狹隘的智力，它們真的只是為了特定目的而被訓練的。因為在這些情況下，我們可以收集到大量的數據。

舉個例子，雖然我並不想輕描淡寫DeepMind的朋友們對AlphaGo（阿爾法狗）的工程和研究工作所作出努力，但是當人們把AlphaGo的發展解讀為對一般智力的重大進程時，這其實是錯誤的。這兩者不存在直接的關聯。並不是因為有一臺機器可以在圍棋領域打敗人們，就會有很多智慧機器人在街道上跑來跑去。在某一領域打敗人類甚至沒有幫助解決智力突破問題，它其實是完全獨立的。其他人可能不這麼認為，但這是我個人的觀點。

我們離擁有能夠以人類和動物的方式學習世界上最基本的東西的機器還有很遠。事實上，在某些領域，機器的確具有超人的性能，但就一般智力而言，我們得研究成果甚至都不接近老鼠。這就使得人們過早問自己的很多不必要的問題。這並不是說我們不應該去想它們，但是在短期甚至中期內他們並不會給我們造成威脅。在人工智慧領域的確存在一些危險，真正的風險，但它們並不是《終結者》中所展現的那樣。

DeepMind在AlphaGo的研究過程中所強調的的一件事是，它所創造的算法將對科學研究、蛋白質摺疊和藥物研究等領域有用。你認為把這種研究應用到世界其他領域會有多容易？

什麼是強化學習？

強化學習是一種機器學習。在這種機器學習中，計算機通過反覆試驗總結錯誤，不斷學習。一個軟體代理通常被放置在一個模擬環境中，並且只被提供很少的指令。然後它會學習如何通過嘗試、失敗和再次嘗試來完成一個目標。例如，谷歌的DeepMind利用「強化學習」技術創建了一個可以玩Atari遊戲的人工智慧。

因此，AlphaGo正是使用了強化學習這一技術。強化學習也適用於遊戲；它適用於你有少量離散行為的情況。它能起作用是因為它憑藉很多很多的試驗來運行任何複雜的東西。AlphaGo的最新版本AlphaGo Zero在幾天或幾周的時間裡玩了數百萬場遊戲，這可能比人類在幾千年前發明圍棋以來的所有大師級水平棋手玩得還要多。這是有可能的，因為圍棋是一個非常簡單的環境，你可以在多臺電腦上以每秒數千幀的速度模擬它。但這在現實世界是行不通的，因為你不可能比實時的時間更快地運行真實世界。要擺脫這種狀況，唯一的辦法是讓機器能夠通過學習，建立自己的世界內部模型，這樣它們就能以比實時更快的速度模擬世界。我們不具備的關鍵技術是如何讓機器來建造世界模型。

我舉的例子是，當一個人學習駕駛時，他們有一個世界模型，讓他們意識到，如果他們離開了公路，或者撞上了一棵樹，就會有不好的事情發生，這顯然不是一個好主意。我們有一個足夠好的整個系統的模型，在這個模型裡，當我們開始開車的時候，我們知道我們需要把車停在街道上，而不是跑到懸崖上，或者撞到樹上。但如果你使用純強化學習技術，並訓練一個系統用模擬器驅動汽車，它將不得不撞到一棵樹上4萬次才會發現這是個壞主意。因此，宣稱「強化學習」將是智力的關鍵，這是錯誤的。

那麼，你是否認為人工智慧還缺少一些基本的工具才能突破目前的局限？

人工智慧先驅Geoffrey Hinton最近談到了這一點，他說這個領域過於依賴於「扔掉一切然後重新開始」這一需要。我認為他的說法有些過度解讀，但我完全同意我們需要更多的基礎人工智慧研究。舉個例子，Hinton喜歡的一個模型是他在1985年提出的一個叫做「玻爾茲曼」（Boltzmann）的機器。對他來說，這是一個很漂亮的算法，但在實踐中，它並不是很好。我們想要找到的是一種在本質上具備玻爾茲曼機器的美和簡單，但同時也有反向傳播的效率（這個計算被用來優化人工智慧系統）。這就是我們許多人，包括Yoshua Bengio、Geoff和我在21世紀初重新開始深度學習以來一直在做的事情。讓我們感到有點意外的是，最終在實踐中，工作的結果是支持非常深入的網絡。

因此，鑑於人工智慧領域的巨大變化發生在更大的層面上，你認為在短期內對消費者最有用的是什麼？Facebook在這方面的規劃是什麼？

我認為虛擬助手將會是今後發展之重。目前的助手都是完全按照腳本編寫運行的，他們可以告訴你一些可能的事情。因此，這使得機器人的創建非常乏味、昂貴和脆弱，儘管它們仍然在某些情況下發揮作用，比如客戶關懷。下一步將是研發一些擁有一定學習能力的系統，這是我們在Facebook上正在做的事情之一。如果你有一臺機器，它會讀取一個長文本，然後回答與之相關的任何問題，這將是一個有用的功能。

除此之外，當機器具有與人相同的背景知識時，這是常識。但是，除非我們能找到某種方法讓機器通過觀察來了解這個世界是如何運轉的，否則我們是不會得到它的。你知道，只是看視頻或者看書。這是未來幾年關鍵的科學技術挑戰。我把它叫做預測學習，有些人稱之為無監督學習。

在接下來的幾年中，隨著虛擬助手變得越來越有用，與之交談變得不那麼令人沮喪，這些任務將會不斷取得進展。他們將擁有更多的背景知識，並能夠不完全依照設計師所編寫的腳本為人們做更多的事情，這也是Facebook非常感興趣的事情。（選自：ZDNet 編譯：網易見外編譯機器人 審校：Tiana）

關注網易智能公眾號（smartman163），獲取人工智慧行業最新報告。

本文來源：網易智能 責任編輯：王超_NT4133