最近，LeCun接受了ZDNet的采访，表示当今的大多数人工智能方法永远不会带来真正的人工智能。

而采访中最为精彩的部分，当然还是和老对手们的隔空炮火。

LeCun语不惊人死不休，犀利表示：Schmidhuber就是个插旗的，而Marcus根本不是搞AI的，他只是个心理学家。

LeCun怼老对手，语出惊人

 在6月，Meta的首席人工智能科学家Yann LeCun曾经发表了一篇60页长文，描述了他认为有望在机器中实现人类智能水平的方法。

论文地址：https://openreview.net/pdf?id=BZ5a1r-kVsf

他在论文中暗示道：今天的大多数人工智能大项目将永远无法达到人类的水平。

而最近，LeCun在接收ZDNet采访时表示：即使是目前深度学习领域最成功的研究途径，他也抱有极大的怀疑。

「我认为它们是必要的，但还不够。」他说。

其中就包括大型语言模型，比如如基于Transformer的GPT-3及其同类。正如LeCun所描述的那样，Transformer的信徒们相信：「只要我们把一切都标记化，然后训练巨大的模型来进行离散的预测，人工智能就会以某种方式从这里出现。」

「他们没有错，」他说，「从某种意义上说，这可能是未来智能系统的一个组成部分，但我认为它缺少必要的部分。」

对于在完美使用卷积神经网络的学者来说，这种批评真是够惊人的。

在人工智能的许多非常成功的领域中，LeCun看到了缺陷和局限。他对于强化学习领域，他也持同样的观点：跟这些领域一样，强化学习也永远不够完美。

虽然DeepMind的David Silver等研究人员已经开发出了掌握国际象棋、将棋和围棋的AlphaZero程序，但LeCun说：「我们的大部分学习过程，不是通过实际行动来完成，而是通过观察来完成的。」

Lecun已经62岁了，在这个领域浸淫了几十年后，他认为自己有必要对许多人做出提醒：你们急匆匆走上的，是一条盲道。

「有很多人在讨论，我们应该做什么来实现人类水平的人工智能。很多人的说法是错误的。」

「我们的智能机器还没有达到像猫一样具有常识的地步，」他说。「我们为什么不从这里开始呢？」

他已经放弃了在预测视频中的下一帧上使用生成网络的信念。「这是一次彻底的失败。」

在他眼里，那些「宗教概率论者」应该被谴责——在这些人看来， 概率论是可以用来解释机器学习的唯一框架。

在LeCun看来，纯粹的统计方法是不可能的。「要让一个世界模型完全服从概率论，这要求也太高了；我们不知道该如何做到。」

LeCun认为，不仅是学术界，工业上的人工智能也需要重新思考。在他看来，自动驾驶汽车公司，比如Wayve，一直「过于乐观」，因为他们认为只要把数据扔到大型神经网络里，就可以学到任何东西。

「我们完全有可能拥有没有ADAS（高级驾驶辅助系统）的五级自动驾驶汽车，但不得不对它进行工程设计。」

他认为，这种过度设计的自动驾驶技术，会和所有因深度学习而过时的计算机视觉程序一样，非常脆弱，非常易碎。

「最终，会有一个更令人满意、更好的解决方案，这个系统能更好地理解世界的运转方式。」

LeCun还提出了重要的一点：所有AI都面临着同样的基本问题，特别是如何测量信息。

「你必须退一步说，好吧，我们建了这个梯子，但我们的目的是去月球，这个梯子不可能把我们送上月球。」LeCun说他希望促使人们重新思考基本概念。「我的意思是，我们需要建造火箭，我不能告诉你建造火箭的细节，但这是基本原则。」

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