Yann LeCun是人工智慧領域最有成就的人之一，所以當他說即使是這個領域的最新進展也不能讓我們更接近超級智慧機器時，你需要註意。

LeCun在人工智慧領域工作了幾十年，他是摺積神經網路的共同創造者之一，摺積神經網路是一種被證明特別擅長分析視覺資料的程式，它為從自動駕駛汽車到人臉識別的一切事物提供動力。現在，作為Facebook人工智慧研究設施博覽會的負責人，他幫助人工智慧從實驗室走向現實世界。他的團隊的軟體自動為盲人使用者提供圖片字幕，每天執行45億次人工智慧翻譯。

“我們對產品的影響比馬克·扎克伯格預期的要大，”萊肯最近對Skype的邊緣表示。但是，正如他在採訪中解釋的，他清楚地看到，在AI接近嬰兒甚至動物的智力之前，AI還有很長的路要走。哦，如果你不介意，如果我們都停止在AI文章上使用終結者圖片，他會很喜歡的。

為了清晰起見，下麵的採訪經過了小幅編輯。

最近關於Facebook人工智慧工作的一個最大的報道是關於你所謂的“人工智慧機器人”在發明瞭自己的語言後被“關閉”。有很多報道嚴重歪曲了這項研究，但是你和你的同事們對這些報道有何反應？

所以當你第一次看到這個的時候，有一個微笑和一個笑聲。然後就要看有多少提貨了。有了這個特別的故事，就有一篇文章，然後就炸了，然後就像拔頭髮一樣。”他們完全搞錯了！”

這對我們很有啟發，因為它讓我們瞭解了媒體的運作方式，我們有幾種應對的方法。我在Facebook上發表了一篇簡短的帖子，說這很荒謬，試圖站在幽默的一邊，直到我們可以更認真。我們採訪了一群想得到真實報道的記者，還寫了一些關於這完全是誤傳的報道。

在過去的幾年裡，你認為我們或多或少看到了這種報道嗎？

更不用說，從媒體和公眾的角度看，人們似乎對故事的內容有了一點瞭解。過去，如果沒有圖片是終結者，你就不能在新聞界看到一篇文章（關於AI）。總是終結者，百分之百。現在你看到的更少，這是一件好事[…]偶爾，儘管你看到某些媒體提出了一個問題，揭示了對發生的事情的完全誤解。

當你看到這樣的報道時，你想傳達給人們什麼資訊？你對他們說什麼？

每當我對公眾講話時，我總是重覆這句話：我們離**真正的智慧機器還很遠。你現在看到的所有這些人工智慧的壯舉，比如自動駕駛汽車，解讀醫學影象，在圍棋比賽中擊敗世界冠軍等等，這些都是非常狹隘的智慧，它們真的是為特定的目的而訓練的。在這種情況下，我們可以收集大量的資料。

舉個例子，我不想把我們在DeepMind的朋友們在AlphaGo上所做的工程和研究工作降到最低，但當人們把AlphaGo的發展理解為走向普通智慧的重要過程時，這是錯誤的。其實不是。並不是因為有一臺機器能在圍棋中打敗人，而是會有智慧機器人在街上跑來跑去。它甚至無助於解決這個問題，它是完全獨立的。其他人可能會提出不同的觀點，但這是我個人的觀點。

我們還遠遠沒有機器能夠像人類和動物那樣學習世界上最基本的東西。比如，是的，在某些特定領域機器有超人的效能，但就一般智慧而言，我們甚至還沒有接近老鼠。這使得很多人問自己的問題為時過早。這並不是說我們不應該考慮他們，但在短期甚至中期內沒有危險。在人工智慧部門有真正的危險，真正的風險，但它們不是終結者的場景。

DeepMind在AlphaGo的工作中提到的一點是，它所建立的演算法將對科學研究、蛋白質摺疊和藥物研究等方面有用。你認為在世界其他地方應用這種研究有多容易？

所以，AlphaGo使用強化學習。加強遊戲學習；它適用於有少量離散動作的情況，因為它需要很多很多的試驗來執行任何複雜的操作。AlphaGo-Zero（AlphaGo的最新版本）在幾天或幾周的時間裡玩了數百萬個遊戲，這可能超過了自數千年前圍棋發明以來人類在大師級別上玩的遊戲。這是可能的，因為Go是一個非常簡單的環境，您可以在多臺計算機上以每秒數千幀的速度進行模擬。[…]但這在現實世界中是行不通的，因為現實世界的執行速度不能超過實時。

擺脫這一困境的唯一方法是讓機器透過學習建立自己的內部世界模型，這樣它們就能以比實時更快的速度模擬世界。我們所沒有的最關鍵的科學和技術是如何讓機器建立世界模型。

我舉的例子是，當一個人學會開車時，他們有一個世界模型，讓他們意識到如果他們離開公路或撞到樹上，就會發生不好的事情，這不是一個好主意。我們有一個足夠好的整個系統的模型，即使我們開始開車，我們知道我們需要保持在街上的汽車，而不是跑下懸崖或撞上一棵樹。但如果你使用一種純粹的強化學習技術，訓練一個系統用模擬器駕駛一輛汽車，它將不得不撞上一棵樹4萬次，然後它才會發現這是個壞主意。因此，聲稱強化學習是智力的關鍵是錯誤的。

那麼，你認為人工智慧還缺少一些基本的工具來超越它目前的侷限性嗎[人工智慧先驅]傑弗裡·辛頓（Geoffrey Hinton）最近談到這一點時說，這個領域過於依賴當前的方法，需要“拋棄一切，重新開始”

我認為他所說的有點被過度解讀了[但是]我完全同意[我們需要更多的基礎人工智慧研究]。例如，[辛頓]喜歡的一個模型是他在1985年提出的一個叫做玻耳茲曼機器[…]的模型，對他來說，這是一個很漂亮的演算法，但在實踐中效果並不好。我們希望找到的東西既有玻耳茲曼機器的本質美和簡單性，又有反向傳播（一種用於最佳化人工智慧系統的計算）的效率。而這正是我們許多人——約書亞（本吉奧）、傑夫和我——自本世紀初重新開始深度學習工作以來所追求的。讓我們有點驚訝的是，最終，在實踐中起作用的是擁有非常深厚的人際網路。

那麼，考慮到人工智慧的巨大變化要遠得多，你認為短期內對消費者最有用的是什麼呢？Facebook在這方面有什麼計劃？

我認為虛擬助理真的會成為一件大事。現在的助理完全是照本宣科的，他們可以告訴你很多事情。因此，這使得機器人的建立非常乏味，昂貴，脆弱，雖然他們在某些情況下工作，如客戶關懷。下一步將是系統中有更多的學習，這是我們在Facebook工作的內容之一。如果你有一臺機器，它可以閱讀一段長的文字，然後回答與之相關的任何問題——這將是一個有用的功能。

當機器擁有與人相同的背景知識時，超出這一步的是常識。但是，除非我們能找到某種方法讓機器透過觀察來瞭解世界是如何運轉的，否則我們就無法做到這一點。你知道，只是看影片或者看書。這是未來幾年的關鍵科技挑戰。我稱之為預測學習，有些人稱之為無監督學習。

未來幾年，（在這些任務上）會有持續的進展，因為虛擬助理變得越來越有用，與之交談的挫折感也越來越少。他們會有更多的背景知識，為那些不完全由設計師設計的人做更多的事情。而這正是Facebook非常感興趣的。