Yann LeCun是人工智能领域最有成就的人之一，所以当他说即使是这个领域的最新进展也不能让我们更接近超级智能机器时，你需要注意。

LeCun在人工智能领域工作了几十年，他是卷积神经网络的共同创造者之一，卷积神经网络是一种被证明特别擅长分析视觉数据的程序，它为从自动驾驶汽车到人脸识别的一切事物提供动力。现在，作为Facebook人工智能研究设施博览会的负责人，他帮助人工智能从实验室走向现实世界。他的团队的软件自动为盲人用户提供图片字幕，每天执行45亿次人工智能翻译。

“我们对产品的影响比马克·扎克伯格预期的要大，”莱肯最近对Skype的边缘表示。但是，正如他在采访中解释的，他清楚地看到，在AI接近婴儿甚至动物的智力之前，AI还有很长的路要走。哦，如果你不介意，如果我们都停止在AI文章上使用终结者图片，他会很喜欢的。

为了清晰起见，下面的采访经过了小幅编辑。

最近关于Facebook人工智能工作的一个最大的报道是关于你所谓的“人工智能机器人”在发明了自己的语言后被“关闭”。有很多报道严重歪曲了这项研究，但是你和你的同事们对这些报道有何反应？

所以当你第一次看到这个的时候，有一个微笑和一个笑声。然后就要看有多少提货了。有了这个特别的故事，就有一篇文章，然后就炸了，然后就像拔头发一样。”他们完全搞错了！”

这对我们很有启发，因为它让我们了解了媒体的运作方式，我们有几种应对的方法。我在Facebook上发表了一篇简短的帖子，说这很荒谬，试图站在幽默的一边，直到我们可以更认真。我们采访了一群想得到真实报道的记者，还写了一些关于这完全是误传的报道。

在过去的几年里，你认为我们或多或少看到了这种报道吗？

更不用说，从媒体和公众的角度看，人们似乎对故事的内容有了一点了解。过去，如果没有图片是终结者，你就不能在新闻界看到一篇文章（关于AI）。总是终结者，百分之百。现在你看到的更少，这是一件好事[…]偶尔，尽管你看到某些媒体提出了一个问题，揭示了对发生的事情的完全误解。

当你看到这样的报道时，你想传达给人们什么信息？你对他们说什么？

每当我对公众讲话时，我总是重复这句话：我们离**真正的智能机器还很远。你现在看到的所有这些人工智能的壮举，比如自动驾驶汽车，解读医学图像，在围棋比赛中击败世界冠军等等，这些都是非常狭隘的智能，它们真的是为特定的目的而训练的。在这种情况下，我们可以收集大量的数据。

举个例子，我不想把我们在DeepMind的朋友们在AlphaGo上所做的工程和研究工作降到最低，但当人们把AlphaGo的发展理解为走向普通智能的重要过程时，这是错误的。其实不是。并不是因为有一台机器能在围棋中打败人，而是会有智能机器人在街上跑来跑去。它甚至无助于解决这个问题，它是完全独立的。其他人可能会提出不同的观点，但这是我个人的观点。

我们还远远没有机器能够像人类和动物那样学习世界上最基本的东西。比如，是的，在某些特定领域机器有超人的性能，但就一般智能而言，我们甚至还没有接近老鼠。这使得很多人问自己的问题为时过早。这并不是说我们不应该考虑他们，但在短期甚至中期内没有危险。在人工智能部门有真正的危险，真正的风险，但它们不是终结者的场景。

DeepMind在AlphaGo的工作中提到的一点是，它所创建的算法将对科学研究、蛋白质折叠和药物研究等方面有用。你认为在世界其他地方应用这种研究有多容易？

所以，AlphaGo使用强化学习。加强游戏学习；它适用于有少量离散动作的情况，因为它需要很多很多的试验来运行任何复杂的操作。AlphaGo-Zero（AlphaGo的最新版本）在几天或几周的时间里玩了数百万个游戏，这可能超过了自数千年前围棋发明以来人类在大师级别上玩的游戏。这是可能的，因为Go是一个非常简单的环境，您可以在多台计算机上以每秒数千帧的速度进行模拟。[…]但这在现实世界中是行不通的，因为现实世界的运行速度不能超过实时。

摆脱这一困境的唯一方法是让机器通过学习建立自己的内部世界模型，这样它们就能以比实时更快的速度模拟世界。我们所没有的最关键的科学和技术是如何让机器建立世界模型。

我举的例子是，当一个人学会开车时，他们有一个世界模型，让他们意识到如果他们离开公路或撞到树上，就会发生不好的事情，这不是一个好主意。我们有一个足够好的整个系统的模型，即使我们开始开车，我们知道我们需要保持在街上的汽车，而不是跑下悬崖或撞上一棵树。但如果你使用一种纯粹的强化学习技术，训练一个系统用模拟器驾驶一辆汽车，它将不得不撞上一棵树4万次，然后它才会发现这是个坏主意。因此，声称强化学习是智力的关键是错误的。

那么，你认为人工智能还缺少一些基本的工具来超越它目前的局限性吗[人工智能先驱]杰弗里·辛顿（Geoffrey Hinton）最近谈到这一点时说，这个领域过于依赖当前的方法，需要“抛弃一切，重新开始”

我认为他所说的有点被过度解读了[但是]我完全同意[我们需要更多的基础人工智能研究]。例如，[辛顿]喜欢的一个模型是他在1985年提出的一个叫做玻耳兹曼机器[…]的模型，对他来说，这是一个很漂亮的算法，但在实践中效果并不好。我们希望找到的东西既有玻耳兹曼机器的本质美和简单性，又有反向传播（一种用于优化人工智能系统的计算）的效率。而这正是我们许多人——约书亚（本吉奥）、杰夫和我——自本世纪初重新开始深度学习工作以来所追求的。让我们有点惊讶的是，最终，在实践中起作用的是拥有非常深厚的人际网络。

那么，考虑到人工智能的巨大变化要远得多，你认为短期内对消费者最有用的是什么呢？Facebook在这方面有什么计划？

我认为虚拟助理真的会成为一件大事。现在的助理完全是照本宣科的，他们可以告诉你很多事情。因此，这使得机器人的创建非常乏味，昂贵，脆弱，虽然他们在某些情况下工作，如客户关怀。下一步将是系统中有更多的学习，这是我们在Facebook工作的内容之一。如果你有一台机器，它可以阅读一段长的文本，然后回答与之相关的任何问题——这将是一个有用的功能。

当机器拥有与人相同的背景知识时，超出这一步的是常识。但是，除非我们能找到某种方法让机器通过观察来了解世界是如何运转的，否则我们就无法做到这一点。你知道，只是看视频或者看书。这是未来几年的关键科技挑战。我称之为预测学习，有些人称之为无监督学习。

未来几年，（在这些任务上）会有持续的进展，因为虚拟助理变得越来越有用，与之交谈的挫折感也越来越少。他们会有更多的背景知识，为那些不完全由设计师设计的人做更多的事情。而这正是Facebook非常感兴趣的。