IT思维

公众号/新智元

来源：zdnet

编辑：元子

【新智元导读】在普林斯顿高等研究院的深度学习讲习班上，LeCun提出为了使无监督学习成为可能，整个领域可能需要在一种称为基于能量学习的方法上开展更多工作。LeCun表示，人工智能的下一个发展可能是放弃深度学习的所有概率技巧，而是掌握一系列变化的能量值。

据说，工程师以及部分科学家有一种特殊能力，当他们坐下来开始构思接下来要做的东西的时候，脑海里就会浮现出这个洞的像。Facebook的人工智能负责人Yann LeCun，绝对是这样的典型。

LeCun最近推出了一本新书叫做《When the Machine Learns》。

该书属于半自传、半人工智能简史、半科普性质。他在书中坦言，自己就是一个非常“任性”的人，做事主要凭直觉。

拥有能够想象出不存在的事物的能力是工程师和创新者的标志。LeCun在AI专家中是很少见的存在，他是算法设计领域的专家，但在计算机工程领域也颇有建树。

LeCun今年因其对计算机科学的贡献而获得了ACM Turing奖，最出名的是在1990年代改进和完善了卷积神经网络（即CNN）并使其实用化。他没有从头开始发明这种东西，但他使CNN实用、可行，它们构成了机器学习革命的基础。

在过去十年中，LeCun与图灵奖获奖者Geoffrey Hinton和Yoshua Bengio一起在机器学习中脱颖而出。

“工程师”LeCun在Institute for Advanced Study，来解释一种听起来跟通常意义上的“直觉”很像，但实际叫fleshed-out直觉的概念。

LeCun认为：“在监督或多任务学习中，机器将不会获得像人类一样的智能，我们将不得不寻找其他东西。”而这个其他东西，LeCun指的是无监督的学习。为了使无监督学习成为可能，整个领域可能需要在energy-based学习方法上做更多的工作。LeCun表示，人工智能的下一个发展可能是放弃深度学习的所有概率技巧，而是掌握一系列变化的能量值。

Energy function在AI中已经存在数十年了。生物学家约翰·霍普菲尔德（John Hopfield）于1980年代首次通过后来称为“霍普菲尔德网络”（Hopfield Network）的方法进行了普及。这在当时的机器学习中是一个突破，它导致了其他类型的学习算法可以处理能量场的概念，例如Hinton所追求的“玻尔兹曼机器”。

LeCun指出：“Energy-based学习已经有一段时间了，由于需要减少监督，最近又引起了我的注意”

当然，如果深究细节很快就变得很深奥。但是其基本思想是：不需要创建大量带有标签的数据集（例如猫和狗的图片），也不用花费数千小时琢磨类似DeepMind的AlphaZero这样的国际象棋游戏，而只是获取一些丰富的原始数据，例如在视频网站上找很多视频片段，然后将其提供给计算机。

LeCun说：“只要弄一个足够大的机器然后让它整天观看YouTube或Facebook Live。”

可以训练机器预测每帧视频之后的下一帧。预测与现实之间的兼容性（就是所谓的能级）。能量越低越好，更兼容，更准确，因此神经网络试图达到理想的低能量状态。

参考链接：

https://www.zdnet.com/article/high-energy-facebooks-ai-guru-lecun-imagines-ais-next-frontier/