9月26日消息，F(xiàn)acebook母公司Meta的首席AI科學家雅恩·勒昆(Yann LeCun)認為，目前大多數(shù)AI方法永遠不會帶來真正的智能，他對當今深度學習領(lǐng)域許多最成功的研究方法持懷疑態(tài)度。

　　這位圖靈獎得主表示，同行們的追求是必要的，但還遠遠不夠。其中包括大型語言模型的研究，如基于Transformer的GPT-3。正如勒昆所描述的那樣，Transformer的支持者們相信：“我們將所有東西標記化，并訓練巨型模型進行離散預測，AI由此脫穎而出?！?/p>

　　勒昆解釋稱：“他們沒有錯。從這個意義上說，這可能是未來智能系統(tǒng)的一個重要組成部分，但我認為它缺少必要的部分?！崩绽ネ晟屏司矸e神經(jīng)網(wǎng)絡(luò)的使用，該技術(shù)在深度學習項目中取得了令人難以置信的成效。

　　勒昆還看到了該學科許多其他高度成功領(lǐng)域的缺陷和局限性。他堅持認為，強化學習永遠也不夠。像DeepMind的大衛(wèi)·西爾弗(David Silver)這樣的研究人員，盡管他們開發(fā)出了AlphaZero程序，掌握了國際象棋和圍棋，但他們關(guān)注的是“非常注重行動的”程序，而勒昆觀察到，“我們的大部分學習并不是通過采取實際行動來完成的，而是通過觀察來完成的”。

　　現(xiàn)年62歲的勒昆有很強的緊迫性，他必須直面自己認為許多人可能正在奔向的死胡同，并試圖引導其所在領(lǐng)域朝著他認為應(yīng)該走的方向前進。勒昆說：“我們看到了很多關(guān)于我們應(yīng)該做些什么來推動AI達到人類智能水平的說法，我認為有些想法是錯誤的。我們的智能機器甚至還沒有達到貓的智能水平。那么，我們?yōu)槭裁床粡倪@里開始呢？”

　　勒昆認為，不僅是學術(shù)界，AI行業(yè)也需要深刻的反思。他說，自動駕駛汽車群體，如Wayve這樣的初創(chuàng)公司，認為他們只要向大型神經(jīng)網(wǎng)絡(luò)“拋出數(shù)據(jù)，就可以學到幾乎任何東西”，這似乎“有點兒過于樂觀了”。

　　勒昆稱：“你知道，我認為我們完全有可能在沒有常識的情況下?lián)碛蠰5級自動駕駛汽車，但你必須在設(shè)計方面做出努力。”他認為，這種過度設(shè)計的自動駕駛技術(shù)將會像所有被深度學習淘汰的計算機視覺程序一樣，變得脆弱不堪。他說：“歸根結(jié)底，將會有一種更令人滿意、可能也更好的解決方案，它涉及到更好地理解世界運行方式的系統(tǒng)?！?/p>

　　勒昆希望促使人們重新思考有關(guān)AI的基本概念，他說：“你必須后退一步，然后說：‘好吧，我們建造了梯子，但我們想去月球，而這個梯子不可能把我們帶到那里。’我要說的是，這就像制造火箭，我不能告訴你我們?nèi)绾沃圃旎鸺募毠?jié)，但我可以提供基本原則?！?/p>

　　勒昆認為，AI系統(tǒng)需要能夠推理，而他所提倡的過程是將某些潛在的變量最小化。這使得系統(tǒng)能夠計劃和推理。此外，勒昆認為應(yīng)該放棄概率框架，因為當我們想要做些事情，比如捕捉高維連續(xù)變量之間的依賴性時，這很難處理。勒昆還主張放棄生成模型，因為系統(tǒng)將不得不投入太多的資源去預測那些很難預測的事情，可能會消耗太多的資源。