獨家專訪Yann LeCun：機器將能通過看視頻學會常識

2013年，深度學習被評為《麻省理工科技評論》年度十大突破技術。深度學習是機器學習的一個分支，利用多層人工神經網路，能從極大的數據量中學習，對未來做出預測，讓機器變得更加聰明，已被運用在圖像和語音識別、虛擬助手、生物醫藥、交通運輸等諸多領域。

也正是在5年前，軟體識別圖像的準確度因此突然實現了飛躍，這背後的人工神經網路技術引領了人工智慧潮流的爆發。這也是為什麼谷歌和Facebook能讓你在圖冊中進行搜索，這項技術還支持了臉部識別類的新應用。

如今，人工智慧領域大神級人物、Facebook人工智慧主管 YannLeCun 表示，機器視覺的下一站將會是以自主觀察世界的方式進行學習。

Yann LeCun 是 Facebook 人工智慧研究組的主管，同時也是紐約大學的終身教授，這位著名學者開闢了將神經網路運用於機器視覺的先例。他對DT君的美國同事 Tom Simonite 表示，目前該領域還有很大的進步空間，未來計算機或許會掌握常識性東西。

YannLeCun

以下是獨家專訪的精彩內容：

機器視覺目前發展到了什麼程度？

如果你有一張主體明顯的圖片，讓機器給它分類，這很容易辦到。只要你有足夠的數據量，大概每類物品上千張圖，機器就能夠進行具體識別，比如某品牌的汽車或某類植物或某品種的狗。稍微抽象些的事物也難不倒它，比如風景、日落、婚禮或生日宴會。但在5年前，我們甚至都不知道這個問題有沒有解決的可能性。

不過，這並不代表現在機器視覺問題已經被解決了。

有什麼關鍵問題還沒有被「解決」？

人們鼓搗了很多年如何給圖片和視頻自動加入字幕或描述。表面上說，已經有些實現的方式令人印象深刻。

但實際上，它們並沒有看起來的那麼驚艷，那些機器的專業程度很大程度上受限於我們訓練它的環境。你如果向機器出示其他種類的物體或非正常情況，大多數機器就會一臉茫然，它們並沒有常識。

視覺和常識有什麼聯繫？

這取決於你去問誰，就連Facebook內部的人也對此有意見分歧。你可以與智能系統只進行語言交流，問題是語言是一個相當低帶寬的渠道（信息密度低）。要明白，語言能承載很多信息只是因為人們擁有大量的背景知識，能夠去幫助理解這些信息。

還有些人認為，給人工智慧系統提供足夠信息的唯一方式是加入視覺認知，影像會比語言的信息密度高得多。如果你告訴機器「這是一部智能手機」，「這是一輛壓路機」，「有些東西你可以推動它而有些不可以」，也許機器能夠學會些這個世界的基礎運作原理。這跟幼兒的學習方式類似。

然而，幼兒在學習很多事情的時候並不需要明確的指示。

我們很想做到的一點是，讓機器通過觀看視頻或觀察其他東西來認識到現實世界中的很多局限性，這最終會讓它們建立起常識。

這些東西是動物和幼兒在生命最初的幾個月內的主要學習內容，你通過觀察就學會了多到不可思議的東西。目前機器還十分好騙，那是因為它們對這個世界缺乏基本理解。

讓軟體自主觀察學習的技術發展到哪一步了？

能夠自主學習的系統也應該能夠預測未來，我們對這個想法十分感興趣。比如，你給機器看一小段視頻，然後機器就能預測接下來會發生什麼。

如果我們能訓練系統做到這一點，那麼我們就已經創造了無監管機器學習的核心技術。

我認為，這上面會發生很多有意思的事情。這項技術的應用絕不僅局限於機器視覺——這是我們AI宏圖的重要組成部分。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！