首页 > AI资讯 > 行业动态 > Facebook人工智能掌门杨立昆:AI最缺乏的是常识

Facebook人工智能掌门杨立昆:AI最缺乏的是常识

新火种    2023-11-03

乍一看Facebook人工智能研究掌门人Yann LeCun的名字,不少人可能怀疑这是个华人。也因为这个名字十分接近中文发音,江湖上流传着“燕乐存”、“杨乐昆”等不同版本的音译中文名。

7月4日,这位人工智能的法国大牛走上上海交通大学的讲坛的时候,千人级礼堂“菁菁堂”几乎座无虚席。或许是要终结译名的混乱现状,他的第一张PPT,无关人工智能,竟是宣布了自己的官方中文名字:杨立昆。

“我叫杨立昆”

杨立昆和他的老师Geoffrey Hinton、蒙特利尔大学的Yoshua Bengio并称“深度学习三巨头”,而这三人又分别效力于Facebook、谷歌和微软,堪称三足鼎立。这三巨头有一个共同点:对高校感情很深。

2013年底,杨立昆受扎克伯格之邀出山,提出的条件是保留他在纽约大学的工作。这次做演讲,他首先提到,他已经参观过纽约大学在上海与华东师范大学合办的上海纽约大学。杨立昆称赞上海是一座汇集创新的城市,食物也很美味。

画风高冷的FAIR

随着杨立昆的到来,Facebook结束了没有专门的人工智能研究室的时代,而且一设就是两个:由杨立昆执掌的人工智能研究(FAIR)和负责对接应用场景的机器学习应用部门(AML)。

据FAIR成员、围棋AI项目负责人田渊栋介绍,杨立昆领衔的FAIR学术氛围十分浓厚,目标是发高质量的文章。“FAIR的研究方向相对自由宽松,没有近期的产品压力,可以着眼长远做困难和本质的研究问题。”田渊栋认为,这样的学术氛围在各大公司极其少见。

FAIR的画风也因此显得有点“高冷”,Facebook旗下那些热门产品,如Instagram和WhatsApp,与FAIR都没有直接关系。杨立昆在一张PPT上展示了FAIR目前的开源项目,排在前三位的是Torch(Lua语言的深度学习框架)、PyTorch(Python语言的深度学习框架)和Darkforest(围棋系统)。

出于对刘慈欣的科幻小说《三体》的喜爱,田渊栋取了Darkforest(黑暗森林)这个名字。众所周知,谷歌旗下DeepMind公司的围棋人工智能程序AlphaGo,在今年5月底3:0完胜“当今第一人”柯洁,站在世界棋坛的巅峰光荣退役。当澎湃新闻(www.thepaper.cn)问及“黑暗森林”的研发计划是否会受到AlphaGo退役的影响,田渊栋说道,“谈不上什么影响,还是该干嘛干嘛呗。”

卷积神经网络之父

AlphaGo的横空出世与震惊世界,是眼下如火如荼的人工智能“盛夏”的最好注脚。而这个夏天,早在几十年前就被杨立昆埋下了一个伏笔。伏笔就是杨立昆的成名作:卷积神经网络(Convolutional Neural Networks,CNN)。AlphaGo下棋时的策略网络就是基于卷积神经网络构建的。

在今天,我们已经习惯于计算机能够“看到”这个世界,识别出静态和动态的物体,并在此基础上,挑战自动驾驶等更高级别的任务。然而,在杨立昆读大学的1980年代,计算机基本上是一个“瞎子”。

杨立昆从一开始就相信他能让计算机“开眼看世界”。在他的理解里,图像是由很多很多小的部分、小的特征组合而成。而卷积神经网络,就是把图像拆解成小块,从中提取出特征,每一层提取的特征组合,都可被用于下一层更具体的特征识别。譬如,计算机可以先提取出最基本的轮廓和纹理,再利用轮廓和纹理提取类别。随着深度的增加,算法可以提取出更高层级的抽象特征。

1998年,杨立昆提出了LeNet-5模型,是世界上第一个正式的卷积神经网络。他现场展现了一段珍贵的视频资料:依靠一个7层的卷积神经网络识别屏幕上不断变化着的手写数字。

杨立昆的神经网络在这个人工智能盛夏有多火热,在他的研究初始阶段就有多冷门。他见过真正的人工智能寒冬:技术进展停滞,资金和关注度下降,理论从本质上受到质疑。雪上加霜的是,主流学术圈更偏爱其他一些图像识别方法,虽然这些方法后来都湮灭在时光中,但在当时却结结实实令杨立昆坐了好久的冷板凳。

90年代中期,杨立昆在大名鼎鼎的贝尔实验室工作,他的小组因内部斗争被取缔——那时候,他研发的利用神经网络进行支票识别的ATM,差一点就要成功了。

到了21世纪头几年,其他一些竞争者甚至阻止他在学术会议上展示论文。Geoffrey Hinton回忆道:“计算机视觉圈子基本上不待见他,他们觉得他做的事情在80年代还有潜力,但是在2000年就过时了。”

“深度学习三巨头”:Geoffrey Hinton、Yann LeCun、Yoshua Bengio

风水轮流转得很快。随着互联网时代计算能力和数据量的大幅度提高,神经网络迅速变得灵活、简便而准确。杨立昆从边缘人物一跃成为行业领军人。“一年之内,所有人都在研究这个。真是太疯狂了。”

人工智能最缺的是常识

而观察这个世界,只是计算机理解这个世界的第一步。杨立昆在演讲的后半部分,着重介绍了真正的“智能”所面临的障碍。

目前,人工智能最缺乏的是常识。什么是常识呢?比方说,“这个奖杯放不进箱子,它太小了”,和“这个奖杯放不进箱子,它太大了”,这两句话,人类从常识就可以知道,前面一个“它”指的是箱子,而后一个“它”指的是奖杯。这对计算机来说却不是直观的。

再比如说,在“汤姆拿起包离开房间”这个小视频中,人类可以很自然地理解这一连串动作背后的逻辑:手碰到包就要抓住,不然是拿不起来的;离开房间要先开门再关门。但计算机只看到了一系列单个动作。

因此,杨立昆总结道,“常识就是靠预测填补空白的能力。”人类在生活的耳濡目染中接收了大量信息,由此形成了常识。在信心不足的时候,靠因果逻辑就能补上空档。只有预测到行为的后果,才能谈得上“规划”。理性=预测+规划,这是杨立昆给出的公式。

计算机想要获得媲美人类的预测能力,必然需要海量的数据。这就是“无监督学习”想要实现的目标。

杨立昆使用了“蛋糕”比喻,描述机器学习的三大流派。纯粹的强化学习可以根据少量样本预测出一个分数,监督学习可以用人类给定的样本预测一个特定的类别,而无监督学习需要用大量样本,对任何被观察的物体给出任意方向上的预测,比如通过视频的上半段预测视频的下半段。

强化学习是蛋糕顶上缀着的一颗樱桃,监督学习是蛋糕表面的糖霜,虽然现在的人工智能看起来很漂亮,但人类对如何制作蛋糕胚本身——无监督学习,还是摸不着门路。

这个比喻看上去对强化学习不够尊重,因此杨立昆强调,这个蛋糕是黑森林蛋糕——黑森林蛋糕是一定有樱桃的。目前,强化学习在游戏程序领域,比如围棋和星际争霸,扮演着很重要的角色。

图说:“蛋糕”比喻

对抗训练(adversarial training)在无监督学习方面取得了一些成绩。即由一个生成网络,随机创造正确或错误的数据,再由一个鉴别网络鉴别数据与正确答案的区别。两个网络互相博弈,交互学习,逐渐向最优演进。不过,杨立昆认为,这离实现完全的无监督学习还很遥远。

那么,人工智能离人类的“理性”到底有多远呢?杨立昆的态度比较谨慎。虽然卷积神经网络最早的灵感雏形来源于对猫大脑皮层的研究,杨立昆并不感冒仿生学。鸟类对于飞机来说,最大的价值是证明了飞行是可行的,激励人类探索飞行。但最后造出飞机的原理,却和鸟类并不是一回事——振翅并不重要。大脑这台完美的“机器”激励人类去探索人工智能,但是需要多少时间、怎样的方式才能接近这个蓝图,谁也说不好。

相关推荐
免责声明
本文所包含的观点仅代表作者个人看法,不代表新火种的观点。在新火种上获取的所有信息均不应被视为投资建议。新火种对本文可能提及或链接的任何项目不表示认可。 交易和投资涉及高风险,读者在采取与本文内容相关的任何行动之前,请务必进行充分的尽职调查。最终的决策应该基于您自己的独立判断。新火种不对因依赖本文观点而产生的任何金钱损失负任何责任。