Yann LeCun近日在接受The Verge采訪時表示，近期到中期範圍内，人工智能并不具備危險，“AI終結者”的言論完全是錯的。人工智能若要發展到嬰兒水準的智商，還有漫漫長路。
Yann LeCun是AI界最負盛名的人之一。是以當他說目前人工智能的最新進展并沒有使我們更接近于超級智能時，您就需要注意了。
LeCun已經在AI界工作了數十年，并且是卷積神經網絡的共同發明者之一。 現在，作為Facebook AI研究機構FAIR的負責人，他幫助AI從實驗室走向現實世界。 其團隊研發的軟體能夠自動為盲人使用者描述照片，每天機器翻譯次數達45億次。
Facebook使用人工智能為盲人使用者／視覺受損使用者提供照片描述。使用者在iOS裝置上使用這款螢幕閱讀器時，該工具可對照片進行自動文本處理，進而讓使用者聽到照片上的内容描述。
“我們對産品的影響比Zuckerberg預期的大。”LeCun近日表示。 但是，正如他在采訪中所解釋的那樣，很明顯人工智能在達到嬰兒甚至動物的智商之前，仍然有很長的路要走。 LeCun 會因為我們不在文章中使用類似“終結者”的配圖而感到高興。
Q: 最近關于Facebook AI工作的最大新聞之一是“AI機器人” 在發明自己的語言後遭到關閉。有很多報道嚴重歪曲了最初的研究。你和同僚如何應對這些報道？
第一次看到時，會笑。當這種報道被廣泛傳播後，我們的感覺就像被扯住頭發一樣痛苦：“他們完全錯了！”
這件事啟發了我們，我們了解到媒體所能造成的影響，也明白了我們能有好幾種應對方法。 我在Facebook上發表了一個文章，試圖以幽默的方式說明這很荒謬。 我們和一些注重新聞真實性的記者交談，并寫了一些報道，表明之前的報道完全失實陳述。
Q:在過去幾年中，您認為這種報道變得更多還是更少了？
少一些。感覺媒體人士和公衆在逐漸了解事實。之前，關于人工智能的新聞裡配圖永遠是終結者。百分之百。現在少了很多，這是一件好事。 但偶爾也會出現完全誤讀的報道。
Q:當你看到這種報道時，你想跟公衆解釋清楚哪些内容？
每當我和公衆進行交談時，我都會重複一遍：我們離建立真正的智能機器還很遠。 你現在看到所有AI的成就，如無人駕駛、自動醫學圖像識别、AlphaGo擊敗圍棋冠軍等，都是非常局限的智能。它們是為特定的目的進行訓練。我們能夠做到這些是因為可以為它們收集很多的資料來做訓練。
我并不是說DeepMind在AlphaGo上所做的工作不重要，但是人們将AlphaGo的發展解讀為通用智能的重要一步，是錯誤的。 一台機器赢得了人類棋手，不代表很多機器人能在街上跑來跑去。這是兩個完全分離的問題。 其他人可能會有别的看法，但這是我個人的意見。
距離機器以人類和動物的方式學習最基本的事情還很遠。 的确，機器在某些領域具有超人的表現。但在通用智能方面，甚至比不上一隻老鼠。是以很多人的提問都為時過早。 這不代表我們不應該考慮這些問題，而是因為在眼下甚至中期人工智能都沒有什麼危險。 AI的确存在着一系列風險，但絕不是終結者。
Q：DeepMind談起AlphaGo的工作時，提到了他們建立的算法可用于科學研究（ 蛋白質折疊和藥物研究） 。 你認為在世界其他領域應用這種技術容易嗎？
AlphaGo使用強化學習。 強化學習适用于遊戲; 它适用于隻有少量離散動作的情況，并且它能夠運作是因為它需要大量試驗來運作複雜的操作。AlphaGo Zero（AlphaGo的最新版本）在幾天或幾周内打過數百萬場圍棋比賽，這遠遠超過了幾千年來圍棋大師下過的圍棋局數總和。這是很有可能的。因為圍棋是一個非常簡單的環境，你可以在多台計算機上以每秒幾千幀的速度進行模拟。 但是，這在現實世界中不起作用，因為你不能比時間跑得更快。
解決這個問題的唯一辦法就是讓機器能夠通過學習建立自己的内部世界模型，進而模拟比真實時間還快的世界。 我們缺少的關鍵科學技術是如何用機器建立世界模型。
舉個例子，當一個人學開車時，他有一個真實世界的模型。這會讓他意識到，如果他開錯路或撞到樹，就會發生不好的事兒，這并不是一個好主意。 我們有一個很好的整體模型，即使我們在開車時，我們知道：在道路上開車，不要沖下懸崖或者撞到樹上。但是，如果你使用純粹的強化學習技術，用模拟器訓練出一套系統來駕駛汽車，那麼在撞了四萬次樹之後，它才能意識到這樣做是不對的。是以需要強調：“強化學習是智能進步的關鍵”這種觀點是錯誤的。
Q: 你是否認為，AI仍然缺少一些基本工具來克服目前的局限性？ AI先驅Geoffrey Hinton 最近提到了這個話題，他說這個領域需要“把它全部丢棄，重新開始”
我認為人們對他的話有點過度解讀，（但）我完全同意（我們需要更多的AI基礎研究）。 例如，Hinton喜歡的模型之一就是他在1985年提出的一個名叫Boltzmann的機器。對他而言，這是一個美麗的算法，但實際上它并不好用。 我們想要找到的東西，不僅要具有Boltzmann機器般的優美性和簡單性，還要有反向傳播的效率（用于優化AI系統的一種計算）。這正是我們許多人（Bengio,Geoff和我）在21世紀初期重新開始研究深度學習時一直求索的。 讓我們驚訝的是，最終在實踐中奏效的是深度網絡。
Q: 是以，鑒于AI的巨大變化，您認為短期内對消費者來說，用處最大的是什麼？ Facebook在這方面的計劃是什麼？
我認為虛拟助手會成為爆點。 目前的助手大多數基于腳本化和一些可能答案樹形結構，進而回答使用者的問題。 盡管機器人在某些場景下能發揮作用，如客戶服務，但建立那種機器人真的很乏味，昂貴和脆弱。 下一步将是具有學習能力的系統，這是Facebook正在做的。 當你有一台能夠閱讀長文本并且回答相關問題的機器，這就很有用了。
接下來一步就是是常識，機器與人有相同的背景知識。 但是，除非能找到一些方法來讓機器通過觀察來了解世界如何運作（比如看視訊或看書），否則我們做不到。這就是未來幾年的關鍵科技挑戰。 我稱之為預測學習，有人稱之為無監督學習。
在接下來的幾年裡會有不斷的進步，虛拟助手變得越來越有用，人們和它們交流也會越來越不費勁。 它們将擁有更多的背景知識，并為人們做很多設計者沒有寫到腳本中的事情。Facebook對此非常感興趣。
原文釋出時間為：2017-11-1
本文作者：Cecilia
本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”微信公衆号