如何讓機器獲得人類智力？讓它們進行「無監督學習」
AI機器人如何才能獲得人類的智力呢？
深度學習領大神LeCun（楊立昆）在近期的演講中發布了他的看法，他認為應該讓典型的神經網路拋棄幾率論框架，並賦給它「無限權值」，才能使機器人通過無監督學習來獲取人類的智力。
深度學習領域的大師Yann LeCun表示，AI的下一個發展方向可能是摒棄深度學習的所有幾率技巧，轉而掌握多種變化的能量值。
FB的AI主管，擁有想像不存在東西的能力
據說有一些工程師和科學家，可以在他們的腦海中想像出那些尚未變成現實的構思，Facebook的AI主管Yann LeCun就是這種人。
他在《機器學習時刻》（When the Machine learning）一書中寫到：「我主要靠主動工作。」這本新書既是一本傳記、科普書籍，同時也是一部AI史。這本書於10月16日出版了法文版，名為《Quand la machine apprend》。
LeCun在書中寫道：「我在腦海中勾勒出了愛因斯坦稱之為「思維實驗」的臨界情況。」
這種在通常認為可行範圍內想像不存在東西的能力，是工程師和創新者的標誌。LeCun在AI人群中是一個罕見的人物，他不僅精通演算法設計，在計算機工程領域也有一定的建樹。
他使CNN變得實用，在機器學習中脫穎而出
LeCun今年因為對計算機科學有貢獻而獲得了ACM圖靈獎，最出名的是他在20世紀90年代推進和完善了卷積神經網路（CNN，一種前饋神經網路，它的人工神經元可以回應一部分覆蓋範圍內的周圍單元，對於大型圖像處理有出色表現。），並使其實用化。
他沒有從零發明這個東西，但他使得CNNs變得實用可行，這奠定了機器學習革命的基礎。在過去的十年里，LeCun以及同為獲獎者的Geoffrey Hinton（傑佛瑞．辛頓）和Yoshua Bengio（約書亞．班吉歐），一同在機器學習領域中脫穎而出。
如何讓機器獲得人類智力？LeCun：無監督學習
10月16日，在新澤西州普林斯頓高等研究院（Institute for Advanced Study），工程師LeCun在台上解釋了「什麼聽起來像是主動，但卻是實實在在的主動。」這是一個為期三天的深度學習研討會，具體來說，就是深度學習的理論探討。
該活動由研究所數學教授Sanjeev Arora（桑吉夫．阿洛拉）舉辦，吸引了許多人工智慧領域的傑出人物，包括NVIDIA的人工智慧研究負責人Anima Anandkumar，以及LeCun的同事──Facebook學者Leon Bottou（萊昂．伯托）。
LeCun的演示文稿展示的是他最近在許多講座上所採用的主題：如何超越傳統深度學習的標記訓練範例。他對聽眾說：「我們不可能單純地通過監督或多任務學習讓機器獲得一般人類的智力，我們將不得不採取其他方法。」
LeCun認為，另一種方法就是無監督學習。為了使無監督學習成為可能，整個領域需要更多地研究一種方法──機器學習能量模型（energy-based learning）。
機器學習能量模型：提供計算機豐富的原始數據
能量函數在AI領域已經存在了數十年。生物學家John Hopfield（約翰．霍普菲爾德）在20世紀80年代首次推廣了這種方法，當時人們稱之為「霍普菲爾德網路」（Hopfield Network）。這在當時是機器學習的一個突破，它還催生了其他類型的學習演算法，這些演算法處理的是需要優化的能量場概念，例如Hinton追求的「玻爾茲曼機」。
此外，LeCun還反思了卷積網路的持久吸引力。
「關於機器學習能量模型的想法已經有一段時間了」，LeCun說，「最近因為我需要減少監督學習演算法的使用，所以又意識到了這一點。」
機器學習模型很容易學習案例中的細節，但是其基本思想是，不要創建大量帶有標籤的數據集（例如貓和狗的圖片），也不用花費數千小時玩DeepMind的AlphaZero這樣的國際象棋遊戲，而只是獲取一些豐富的原始數據，例如大量的YouTube視頻剪輯，然後將其提供給計算機。
LeCun說：「可以把這台機器做得非常大，讓它整天觀看YouTube或Facebook上的直播。」
機器可以被訓練來預測每一幀視頻之後接下來會發生什麼。預測和現實之間的兼容性就是所謂的能量水平。較低的能量更好、更兼容，意味著更準確，所以神經網路試圖達到一個理想的低能量狀態。
LeCun：典型的神經網路必須有「無限權值」
LeCun在舞台上充滿活力，尤其對主題的細微差別很感興趣。他向觀眾展示了其不確定性的一面，他直視著前方，開始前後擺動手臂，並說道：「你現在正看著我，你在拍我的視頻，背景沒有變化，相機也沒有移動。」
「發生的唯一一件事情是，我可以朝一個方向或另一個方向移動我的頭，可以以不同的方式移動我的肌肉，而在這次演講中，我頭部所有圖片的流形現在都是一個低維流形，受到我頭部肌肉數量的限制。」
LeCun的想法在機器學習方面相當激進。在LeCun的版本中，能量函數消除了幾率預測。「我認為正確的做法是拋棄幾率論框架，因為它是錯誤的，也是沒用的」他認為，典型的神經網路必須有「無限權值」。
LeCun登法國時尚雜誌，談論AI前景和危險
顯然，在LeCun的設想中還有一些尚未實現，他嘗試把它表達出來，但是距離真正實現，仍需時日。LeCun接著將登上飛往巴黎的飛機，與記者會面討論這本書。11月他登上了在法國時尚雜誌《新觀察家》（l』Obs）的封面上，談論AI的前景和危險，這是每個人都為之興奮與害怕的東西。
幾十年來，LeCun和其他人都可以看到它，但這些東西並沒有起作用。現在它似乎已經太管用了，倘若必須有人來充當監察人員，那正是LeCun。
