人類對人工智慧的嚮往和幻象由來已久，那麼，這次有什麼不同？——Yann LeCun上海紐約大學講座及座談精華

背景介紹：2017年3月24日，Yann LeCun在上海紐約大學有一場一票難求座無虛席的高質量講座及嘉賓座談

導讀：以前，每當計算機作為一個工具完成人類難以完成的任務，就被貼上AI的標籤，而一旦融入生活，「AI」就消失了。但這次有所不同。

（今早已正式獲得Yann LeCun同意可以分享本次演講PPT和視頻，文末附視頻鏈接）

繼清華之後，3月24日Yann LeCun在上海紐約大學有一場極佳的學術講座和嘉賓座談。活動全程兩個小時，由上海紐約大學數據科學研究中心舉辦，包括一小時Yann LeCun學術講座」預測學習與人工智慧的未來」（由工程計算機學部主任Keith Ross教授主持），一小時嘉賓座談（由計算機教授張崢老師主持）。嘉賓陣容：張崢、Yann LeCun、范劍青、馬毅、沈曉衛、汪小京（學術陣容的豪華程度如下圖所示，難道不該顫抖嗎）。

(寫paper的小夥伴懂的)

（猜猜上圖中的ABCD分別是此圖中的誰）

此番強大陣容引起上海各大高校轟動，在上海一票難求，活動當天座無虛席（連台階上都擠滿了熱情的觀眾）。

活動開場由Keith Ross教授介紹Yann LeCun。Yann是Facebook人工智慧實驗室主任，紐約大學終身教授，美國國家工程院院士。Keith Ross教授是上海紐約大學工程與計算機學部主任，也是Yann在紐約大學的同事。Yann是第一次來上海，在上海的首站就是上海紐約大學。他讚美上海是個美麗的城市，讓他觸景生情想到紐約！

Yann LeCun正式向大家介紹了自己的中文名——楊立昆。文字出處是北京頤和園內的某位「書法家」。

接下來是Yann的講座，講座內容包括兩部分：一是當下前沿的人工智慧技術及其局限，二是如何發展人工智慧技術讓其更加智能。

當前的AI方法主要基於監督學習，機器能夠識別已經標記好的數據，但是怎麼能讓機器識別沒有標記的數據？怎麼通過已經看到的東西來預測尚未看到的東西？

講座PPT與近期Yann的其他大平台演講內容相似，在此不一一贅述（活動完整視頻已經上傳YouTube以及優酷，文末有鏈接）。

Yann在講座之後，接受了一位現場觀眾提問，關於AI創業及對現有生產的影響。

Q: Facebook，Google，Baidu，Tencent這些大公司已經做了尖端的人工智慧研究，你認為在人工智慧方面創業還有什麼機會嗎？另外，你認為人工智慧會怎麼影響生產？

A: 我認為AI肯定會對生產產生實質的影響，機器人工業的發展肯定會改變生產。但我覺得還是要再過幾年，人類才會被從工廠中完全移出。我們現在做了很多先進的研究，比如無人駕駛，它們肯定會徹底改變城市生活和工作方式。它們也會改變醫療產業，比如會有自動診斷系統。很多深度學習和AI方法會在未來十到二十年間給我們的世界帶來革命性的改變。至於你的另一個問題，我認為做一個人工智慧的創業，最好的方法是做一個「垂直性」的公司，也就是說你應該想到一個特定的客戶群。

短暫的休息之後，進入由張崢老師搭台的嘉賓座談。張崢老師是上海紐約大學計算機終身教授，前微軟亞洲研究院副院長，國家千人計劃特聘專家，計算機科學家。

嘉賓陣容圖

左至右依次是：

汪小京（上海紐約大學科研副校長，耶魯大學神經生物學終身教授，國家千人計劃特聘專家）

Yann LeCun（Facebook人工智慧實驗室老大，紐約大學終身教授）

沈曉衛（IBM中國研究院院長）

馬毅（上海科技大學信息科學與技術學院教授、執行院長）

范劍青（復旦大學大數據學院院長，普林斯頓大學終身教授）

張崢老師為此次座談設計的題目是：人類對AI的嚮往和幻象由來已久，那麼，這次有什麼不同？而Yann也在一開始便給出了代表性的回答，指出了這種迷幻的共性：每當計算機作為一個工具完成人類難以完成的任務，就被貼上AI的標籤，而一旦融入生活，「AI」就消失了。這次的不同，一是從大數據中直接習得模型參數，跳過之前人為設計的很多障礙（換言之把人踢走之後事情更好做），二是已經有很大的市場空間，能讓技術落地。

（引用於張崢老師的朋友圈翻譯總結）

此外，LeCun認為現在我們見到的社會上對於AI的高度熱情必然會逐漸消減，但是在較長一段時間內我們依舊會看到大量的激動人心的科技發展，而現在的這些媒體炒作最後會冷卻並變為成熟穩定的商業模式。

LeCun提到GAN也即生成對抗網路（generative adversarial network）是一個目前新興的研究方向，儘管目前有很多應用成功的例子，但是我們並不能從本質上理解它的作用方法，也還暫時沒有能找出一個設計它的通用方法，在這個主題上有很多潛在的科研空間。

LeCun在回答關於AI倫理的問題時表示，現在主要討論的點不是在是否會有超級智能毀滅世界這樣不太實際的問題，而是一些比如我們如何設計安全的自動駕駛系統，如何處理數據中的偏差讓它們不會影響智能系統的精確度，比如如果你用一個AI來檢測人群中的一個人是否可能進行犯罪活動，你不能允許數據上的偏差導致大錯誤率以致於把錯誤的人放到監獄裡。這些問題是需要整個社會進行公開討論而不是某一個個人或者公司就能自己決定的。

沈曉衛老師同意人工智慧的持續發展是需要大量的商業成功來維繫的。沈老師說在IBM他們不稱AI為人工智慧(artificial intelligence)，而稱之為增強智能(augmented intelligence)，意思是他們使用AI技術的各種應用來在特定的環境中服務特定的產業，比如環境保護，新型能源，以及醫療保健產業。雖然我們現在還無法做出能達到8歲小孩水平的綜合性智能，但是我們可以做出一些特化的系統來高效解決特定的問題。沈老師提到人工智慧應用方面目前的一大挑戰就是我們現在90%的問題都可以AI解決，但10%不行，所以我們怎麼樣讓人類和AI合作來解決實際的問題是很關鍵的問題。在未來十年內沒有這樣的良好合作是無法讓AI繼續發展的。

馬毅老師提及了一個奇怪的現象：早些年人們設計的演算法似乎在應對大規模的學習問題時更為高效，他認為這是由於過去的計算資源的匱乏激勵了當時的科研工作者們設計創造能更有效利用資源的演算法。他提出優化理論研究的一個重點就是如何在更少的迭代次數內完成學習過程，而仔細看深度網路中的一層你會發現它本質上就是一個優化問題。所以很多優化理論領域中的研究成果可能可以激勵神經網路的研究，讓我們可以改良神經網路的架構，設計出更加高效的神經網路。馬老師提出一個LeCun認為較有爭議的想法：神經網路並不是規模越大層數越多越好，雖然我們現在有很多的計算量可以使用，但是我們終究會需要更為高效的神經網路設計方法來提高資源的利用效率。

范劍青老師認為現在是一個非常激動人心的時期，有許多跨領域的合作正在被完成，作為一個統計學家他覺得很多統計學的理論和模型被很好地應用在了神經網路裡面，現代的諸多數學理論支持了很多機器學習技術的發展。范老師認為我們還有很多根本上的研究需要完成，這樣我們才能更好地理解AI技術，而當這些理論知識和數學模型被應用在計算機演算法中，將理論和實踐結合起來時，我們才能取得更長足的發展。

汪小京教授提出有兩種不同智能，一個是結晶化的智能（Crystalized intelligence）也就是實際的知識，比如江蘇的省會是什麼這樣的問題，另一個是流體化的智能（fluidintelligence），也就是如何靈活地利用知識來解決問題。現在前者是AI容易處理的，困難的是AI如何才能在根據不同的環境和不同的思考內容來以不同的方式靈活處理知識和數據，這方面還需要更多的研究。除了計算機科學方面，神經科學家現在也在研究大腦完成認知的本質過程，希望這些研究未來可以給我們帶來激動人心的AI方面的新發展。

在結束的時候汪老師鼓勵學生們去不僅做一些跟時事有關的工作，也去探索一些更本質，更深層次，需要更多時間來破解的問題，這樣的更基本性的研究會導向更大的科學技術上的突破。

（本次嘉賓座談乾貨由上紐大CS專業大四學生王澈整理）

----------

今早已經獲得Yann LeCun正式同意可以分享這些材料。演講視頻已經上傳優酷和YouTube，鏈接如下：

優酷鏈接

LeCun講座: 「預測學習與人工智慧的未來」——Yann LeCun 3月24日上海紐約大學講座

嘉賓座談: 」預測學習與人工智慧的未來「——3月24日上海紐約大學嘉賓座談

YouTube鏈接

LeCun講座:https://youtu.be/rqfwo4N7vT8

嘉賓座談:https://youtu.be/H5wa5th25DY