Yann LeCun（杨立昆）出生于 1960 年，他一直被认为是世界上最重要的人工智能研究者之一。20 世纪 80 年代，LeCun 参与了卷积神经网络的发明，在 AI 领域低潮时期坚持了这一方向，并贡献了工程实践成果，推动了人工智能图像分析技术的突破。

2018 年，LeCun 因深度学习的研究贡献，与 Yoshua Bengio、Geoffrey Hinton 共同获得了计算机科学最高荣誉图灵奖。

Yann LeCun、Geoffrey Hinton 和 Yoshua Bengio。

2013 年，马克 · 扎克伯格聘请 Yann LeCun 为 Facebook 人工智能研究员，后者帮助建立了 Facebook 人工智能研究实验室 FAIR（现 Meta AI）。LeCun 今天仍在担任该公司首席人工智能科学家和副总裁。

作为人工智能业界的领军人物，Yann LeCun 对于技术的发展经常给出自己的看法，他在 2018 年左右的一次演讲中曾透露，尽管人工智能研究取得了近期所有这些成功，人工智能甚至还无法达到家猫的认知水平。LeCun 认为，机器学习缺乏对于世界的基本了解。

自监督学习是人工智能理解世界的关键

现在是 2022 年 1 月，LeCun 表示自己仍然没有看到猫级别的人工智能。他表示，尽管「只有」8 亿个神经元，但猫脑远远领先于任何巨大的人工神经网络。因此乍一看，关于通往高度发展的认知能力和人类智能长期规划途径的推测似乎毫无意义。

猫和人类智能的共同基础是对于世界的高度理解，基于对环境的抽象表示以形成的模型，擅长于预测行动及其后果。LeCun 认为，学习这种环境模型的能力是构建思考机器的关键。

在对目前行业和科研进展的分析后，LeCun 得出了 AI 研究面临的三大挑战：

• AI 必须学会对于世界的表征；
  
• AI 必须能以和基于梯度的学习兼容的方式，进行思考和规划；
  
• AI 必须学习行动规划的分层表征。
  

LeCun 在自监督学习中找到了第一个挑战的解决方案，该方法已被用于训练语言模型、图像分析系统等。

他认为这些系统的成功表明人工智能能够创建复杂的世界模型。然而，下一代人工智能预计将直接从视频中学习，而不是使用语言或图像。Meta 目前正在为新一代 AI 收集第一人称视频数据，这一工作成本很高。

LeCun 的蛋糕强调了无监督的重要性，他认为这可以突破当前 AI 技术的局限性。今天的 AI 可以轻松对图像进行分类并识别声音，但不能执行诸如推理不同对象之间的关系或预测人类运动等任务。这是无监督学习可以填补空白的地方。正如 LeCun 所说：「预测是智力的本质。」

LeCun 表示，人工智能系统可以从这些视频中理解世界的物理基础。它们的理解反过来将让系统具备多种能力（例如抓取物体或自动驾驶）的基础。

人工智能应该学会思考和行动

解决第一个挑战为解决第二个挑战奠定了基础。与人工智能最初的研究不同的是：思维系统不应再由根据逻辑规则运行的符号系统和手动编程的世界知识组成。相反，必须使用和深度学习类似的方法让机器学会思考和规划。

LeCun 还没有解决第三个挑战的方法。他说：「要在现实世界中行动的人工智能系统，无论是机器人还是自动驾驶汽车，必须要能够预测每种行动的后果并选择最佳行动。在一些情况下，例如移动机械臂或控制火箭的任务上，我们已经实现了模型预测控制（MPC）。」

但他表示，未来我们还需要能够处理所有情况的系统。「通过认真细致的数学建模，未来的系统将关注我们在世界上所观察到的一切：包括人类的行为和各种物理系统，它们是人类可以轻松抽象表征并建模的内容，」LeCun 说道。

视频——图灵奖得主 Yann LeCun 访谈，人工智能的三大挑战：

LeCun 用一个问题总结了未来十年人工智能研究面临的巨大挑战：「我们应该如何让机器学习处理具有不确定性的模型，并捕获现实世界的所有复杂性？」

对于 LeCun 来说，答案从自监督学习开始。

参考内容：https://mixed-news.com/en/metas-ai-chief-three-major-challenges-of-artificial-intelligence/