深度學習大神：我見證過一個偉大的賭局，當時神經網路並不被看好

在 AlphaGo 勝利光芒的照耀下，各個國家、企業都開始圍繞人工智慧（AI）展開激烈的競爭，生怕慢一步，就會錯過即將到來的全新科技曙光。

但 Yann LeCun 卻說，「這條路我們無法預測有多遠要走，可能要越過崇山峻岭，翻過第一個山頭後，還有無數的山頭等待著被征服。」

Yann LeCun是誰？這個名字對於不太關注人工智慧的人來說或許會稍顯陌生。但事實上，業內對於這位 Facebook 人工智慧研究院（FAIR）的掌門人評價極高，一致認為他是人工智慧領域內的大師。

但就是這樣一位大師的人物也無法準確的告知世人AI的未來究竟是怎樣的！他唯一指出的是：科研人員的通病就是太高估短期的進展，卻低估了長期的發展效益，對於 AI 發展，現在能做的就是奔向那些等待被世人征服的高山。

圖丨Facebook人工智慧研究院（FAIR）院長Yann LeCun

人工智慧的發展並非從現今才開始，學術界從上世紀60年代就已展開了研究，例如 Frank Rosenblatt 提出的感知器（The Perception）。「當時的神經科學帶動了後續的機器學習及AI的發展」，LeCun說。

但歷經了一波狂熱之後，整體科學界對 AI 研究卻走向沉寂，大家所投入的興趣、資金均大幅減少，於是就來到了業界人士口中所謂的「AI寒冬」（AI Winter）時期。直到近年來，計算機軟體系統及 GPU 的效能提升及價格降低，雲端服務開始普及，大數據的概念深入人心，以及 Google、Amazon、Facebook等各大巨頭積極投入，在天時地利人合下，AI成了顯學，AI First是順理成章的成了人人必喊的口號。

今年適逢蘋果 iPhone 推出十周年，人們對於蘋果創辦人喬布斯歷經失敗、重返榮耀的故事耳熟能詳。然而，現在身為人工智慧大師的LeCun，一路走來也並非順風順水，他也曾被邊緣化，他認為讓機器建立有知覺的神經網路（Neural Network）以及開發的卷積神經網路（Convolutional Nets）理論在當時都不受到青睞。

LeCun自己就舉了一個有趣的例子。過去他在AT&T貝爾實驗室（AT&T Bell Labs）做研發，在1988～1992年間，Bell Labs的Adaptive Systems Research Department開發了卷積神經網路和支持向量機（SVM）。人工智慧祖師級人物、英偉達的機器學習顧問Larry Jackel當時是部門的主管，研究小組成員包括Yann LeCun和統計學習理論之父Vladmir Vapnik等人。

圖丨Larry Jackel、Vladmir Vapnik和Yann LeCun

1995年，Jackel 和 Vapnik 打了兩個賭，誰輸了就要請誰吃一頓高級豐盛的晚餐，LeCun則是這場賭注的見證人。

第一個打賭是什麼呢？Jackel 認為，到了 2000 年人們會了解，大型神經網路可以很好地應用在龐大的資料庫中。

但，他輸了。

第二個打賭則是，Vapnik 認為，直到 2000 年以前沒有人會使用他們在 1995 年就已經擁有的神經網路架構。但他認為，每個人都會使用支持向量機。

Vapnik 不僅在 2000 年輸了，而且 2012 年 Google 和微軟都部署了神經網路的案例更加證明他的失算。

LeCun 回憶並笑著說，2000 年他們在紐約的 Siam Garden 餐廳享用了這頓晚餐，Jackel 和 Vapnik 平分帳單。但這個有名的打賭說明了現今 AI 主流技術是歷經了多年才被眾人所接受及應用。

圖丨三位大師對人工智慧相關技術的打賭，來自Yann LeCun的Google+帳號

LeCun 近期在大陸和台灣展開了一連串的學術演講。在演講上，他先是帶大家回顧了AI技術發展的歷程，例如監督式學習 （Supervised Learning）、深度學習（Deep Learning）、多層神經網路（Multi-Layer Neural Nets）、（卷積神經網路）Convolutional Nets等。

再加上前不久 Facebook 宣布全球用戶突破 20 億，使得外界更加好奇FAIR都在做什麼？又已經做出了什麼？不過 LeCun 並未透露太多，只表示有些已經應用在Facebook網站上，例如照片的人臉、物體辨識、建議用戶可標示朋友。同時，也有希望將AI技術應用在打擊恐怖主義上。

英國詩人雪萊曾說：「冬天來了，春天還會遠嗎？」如今，人工智慧走過發展的寒冬，正迎接看似欣欣向榮的春天，但是，LeCun毫不諱言還是有很多阻礙在前，例如：

第一，機器必須學習或了解世界是如何運作的，包括物理的世界、 網路的世界、人際互動等，必須具備一定程度的常識知識；

第二，它們必須透過觀察或行動來學習大量的背景知識；

第三，機器必須感知世界；

第四，機器必須持續更新、記憶所預估的世界狀態；

第五，機器要能推理和計劃。

LeCun因此提出一個公式：智能＋常識＝感知＋預測模型＋記憶＋推理及計劃。

「有了常識就能填補空白。」LeCun說。但是，我們該怎麼讓機器學會常識呢？他認為，答案可能是非監督式學習（Unsupervised Learning）或預測學習（Predictive Learning）。

監督式學習（Supervised Learning）是機器學習領域的一個分支，是將資料標示出各種標籤，機器就在這些標籤中尋找或建立一個模型，並據此模型進行實際上的推測，例如利用歷史股價來預測未來的股價走向。

非監督式學習則強調不必人工加入標籤，而是讓機器觀察世界運作，建立起常識，就能做出直覺的反應或判斷，就像小孩的學習一樣。他認為，光有監督式學習是不夠的，還需要非監督式學習，而訓練一個大型的學習機器需要多少的範例，則是取決於我們希望它能預測出多少信息。

預測未來20年人工智慧的藍圖是什麼

從某種程度上來說，AI已經充斥著我們生活的各個角落了，每個人對於AI的想像及期待各有不同，未來呢？可以預測從現在未來AI的發展的樣貌嗎？

LeCun很直接的說：「我無法預測！」他進一步表示，「科研人員往往太過高估某項技術在短期的進步，而低估了長期的推進。」通常，我們認為只要能找出某件事、某些東西背後的原理，我們就能建立起它們，最後它們就會運作成功。

但是，回想一下，很久以前我們就發現了火箭背後的原理，但從發現原理到將火箭送上天，這中間是很大的一步路，因為太複雜了。這就是我們低估了短期內實踐的複雜度。同時，我們也低估了長期的演進，因為沒有人可以預先看到革命的到來。

過去有人預測AI的發展，但都失敗了，所以我提出很多目前我們都還無法解決的阻礙，儘管我們可能有一些想法，但尚未發展成解決方法。「AI在我心中，就是我們有一座很高的山必須跨越。而且當我們跨越了之後，我們不知道還有多少座在前方等著我們。」LeCun說。

不過，LeCun也強調，從自然界找靈感，模仿自然是個思路，但是也不宜過多，我們必須理解很多事，例如我們該怎麼知道哪些細節很重要、哪些細節只是演進的結果、哪些是生物模仿是受到限制的。就像飛機的發明一樣，人類在發展了空氣動力學和流體力學之後，就會知道羽毛和拍打翅膀其實並不重要。

「所以，問問自己，智能領域的『空氣動力學』會是什麼？」這是LeCun留給大家思考的問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！