2022年6月24日，Yann LeCun接受《MIT科技评论》采访，摘录要点如下：
在采访中，LeCun勾勒出他的新研究路径，称如此会给机器赋予探索世界的常识基础。此路径的核心是个能以与之前不同方法审视、学习真实世界的神经网络。LeCun终于放弃了让AI逐个像素猜下一帧视频，只让新的神经网络学会完成任务必备的关键知识。
.
然后LeCun打算将这个神经网络与另一个被称为「配置器」的神经网络配对。「配置器」专管决定哪些细节是主神经网络必须学会的、并照此来自动调节主系统。
对LeCun来说，AGI是人类与未来科技互动的不可或缺部分。当然此展望和他押注全副身家搞元宇宙的东家Meta公司不谋而合。
LeCun说，在10-15年间，取代现在智能手机地位的将是AR眼镜。AR眼镜上就必备能辅助人类日常活动的虚拟智能助手。如果这些助手要起最大作用，那必然或多或少要跟得上人脑智能才行。
LeCun表示，智能的基础是预测即刻未来的常识能力。不过在放弃让AI逐像素预测后，LeCun表示要换个思路。LeCun打了个比方：想象下你捏根钢笔悬空放手，常识告诉你这根钢笔必然会坠落，但掉落的精确位置则不在人智预测范围内。按过去的AI开发模式，AI要跑复杂的物理学模型，来预测钢笔是否会坠落、同时求得坠落的精确位置。现在LeCun努力让AI只预测出钢笔会坠落的常识结论，至于精确位置不在求解范围内。LeCun说这就是「世界模型」的基本模式。LeCun表示他已经造出了可以完成基础客体识别的「世界模型」早期版本，现在在致力于训练它学会上述常识性预测。不过「配置器」在此中的功用，LeCun说自己还没搞明白。
关于如何做出AGI来，现在AI业界有两种主流观点。
一是很多研究者坚信到搞出乌龙的路径：就像OpenAI家的GPT系列和DALL-E系列那样，模型越大越好，大到超过临界点，AI就觉醒人智了。
二是强化学习：不断地试错，并按试错结果奖惩AI。这是DeepMind家做各种棋牌AI、游戏AI的路数。这种路径的信徒认为，只要奖励激励设定对头，强化学习终将造出真正AGI。
「无限扩张现有大语言模型的量级，最后就能做出人类水平的AI？这种荒唐论调，我一秒钟都没信过。这些模型就只能单纯捯饬各种文本与图像数据，完全没有真实世界的直接体验。」
「强化学习要用巨量数据才能训练模型执行最简单任务，我不认为这种办法有机会做出AGI来。」
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢