［按］本文節(jié)選自公眾賬號“機器之心”（almosthuman2014），英文原載IEEE《Spetrum》，作者Lee Gomes，由機器之心獨家翻譯出品。全文鏈接見此。

IEEE 《Spectrum》的Lee Gomes與LeCun（Facebook人工智能實驗室主任，卷積神經(jīng)網(wǎng)絡專家）進行了一次深度談話，本文摘選了其中和人工智能定義和應用最密切相關的幾部分。

用8個單詞解釋“深度學習”

IEEE Spectrum：這些天我們看到了許多關于深度學習的新聞。在這些對深度學習的眾多描述中，你最不喜歡哪一種？

Yann LeCun：我最不喜歡的描述是「它像大腦一樣工作」，我不喜歡人們這樣說的原因是，雖然深度學習從生命的生物機理中獲得靈感，但它與大腦的實際工作原理差別非常非常巨大。將它與大腦進行類比給它賦予了一些神奇的光環(huán)，這種描述是危險的。這將導致天花亂墜的宣傳，大家在要求一些不切實際的事情。人工智能之前經(jīng)歷了幾次寒冬就是因為人們要求了一些人工智能無法給與的東西。

Spectrum：因此，如果你是一名關注深度學習的記者，而且像所有新聞記者所做的那樣，只用八個單詞去描述它，你會說什么？

LeCun：我需要考慮一下。我想將會是「學著描繪世界的機器」（machines that learn to represent the world）?？赡芰硗庖环N描述是「端對端的機器學習」（end-to-end machine learning）。這種理念是：在一個能夠?qū)W習的機器中，每一個組件、每一個階段都能進行訓練。

Spectrum：你的編輯可能不大喜歡這樣。

LeCun：是的，公眾將無法理解我所表達的意思。好吧，有另外一種方法。你可以把深度學習看作是，通過整合大量能夠基于相同方式訓練的模塊和組件來構(gòu)建擁有學習能力的機器，比如說模式識別系統(tǒng)等。因此，需要一個能夠訓練每個事物的單一原則。但這又超過了八個字。

Spectrum：有哪些事情是深度學習系統(tǒng)可以做，而機器學習無法做到的？

LeCun：這是個更好的問題。之前的系統(tǒng)，我想我們可以稱之為「膚淺的學習系統(tǒng)」，會受他們能計算的函數(shù)的復雜度所限。因此，如果你使用一個類似于「線性分類器」的膚淺學習算法來識別圖像，你將需要從圖像中提取出足夠多的參數(shù)特征來提供給它。但手動設計一個特征提取器非常困難，而且很耗時。

或者使用一個更加靈活的分類器，比如說「支持向量機」或者兩層神經(jīng)網(wǎng)絡，直接將圖片的像素提供給它們。而問題是這不會提高物體識別在任何程度上的準確性。

Spectrum：這聽起來不像是一個簡單易懂的解釋?；蛟S這就是為什么那些記者會嘗試著把深度學習描述成……

LeCun：像我們的大腦。

有5億個開關的黑盒子

Spectrum：其中有一個問題是，機器學習是一個非專業(yè)人士極其難以接近的研究領域。一些經(jīng)過教育的外行能夠理解一些半技術(shù)性的計算問題，比如說谷歌使用的 PageRank算法。但我敢打賭只有教授才能對線性分類器和向量機了若指掌。這是因為該領域從本質(zhì)上就很復雜難懂嗎？

LeCun：事實上，我認為機器學習的基礎原理非常簡單易懂。我曾經(jīng)向高中的老師和學生解釋過這一主題，并沒有讓其中的許多人覺得枯燥乏味。

模式識別系統(tǒng)就像一個黑盒子，背面裝有攝像頭，頂上有一個紅燈和一個綠燈，前面裝有一連串開關。比如說一種嘗試著調(diào)節(jié)開關的學習算法，當一條狗出現(xiàn)在攝像頭中時控制開關使紅燈亮起；當一輛車出現(xiàn)在攝像頭中時控制開關使綠燈亮起。為了訓練該算法，你將一條狗放在機器面前，如果紅燈亮起，什么都不做。如果光線模糊，扭動旋鈕使燈變亮。如果綠燈亮起，扭動旋鈕使燈光變暗；接下來換成汽車，扭動旋鈕使紅燈變暗或綠燈變亮。如果你進行多次嘗試，并且保持每次都對旋鈕進行逐漸微調(diào)，最終，機器每次都能得出正確答案。

有趣的是它能正確的區(qū)分開它從未見過的汽車和狗。竅門在于要計算出每次扭動旋鈕的方向和幅度，而不是亂動一氣。這包含對「梯度」的計算，旋鈕的每次扭動代表著燈光的相應改變。

現(xiàn)在想象一下，有個盒子擁有5億個旋鈕、1000個燈泡，用1000萬張圖來訓練它。這就是一個典型的深度學習系統(tǒng)。

Spectrum：我認為你用「膚淺的學習」這個詞好像有些不太嚴謹；我不認為那些使用線性分類器的人會認為他們的工作很「膚淺」。之所以用「深度學習」這個表述難道就沒有媒體宣傳的因素在里面？因為這看起來好像它學到的東西很有深度，但實際上，「深度」僅僅是指這個系統(tǒng)的級數(shù)？

LeCun：是的，是有點兒滑稽，但這反映了真實情況：膚淺學習系統(tǒng)有一層或兩層，而深度學習系統(tǒng)一般有5-20層。膚淺還是深度指的并不是學習行為本身，而是指被訓練的結(jié)構(gòu)。

大肆宣傳的東西看起來像科學，但實際上不是

Spectrum：炒作毫無疑問是有害的，但你為什么說這是「危險的」？

LeCun：因為這給基金會、公眾、潛在客戶、創(chuàng)業(yè)公司和投資者帶來了預期，他們會因此相信我們正處在風口浪尖——我們正在建造一些像大腦一樣強大的系統(tǒng)，但實際上我們離這個目標還差的很遠。這很容易導致另一次的「寒冬周期」。

這里會出現(xiàn)一些「草包族科學」（cargo cult science），這是理查·費曼的表達，指描述某些事物貌似科學，但實際上不是（譯者注：這出自理查·費曼1974年在加州理工學院的一場畢業(yè)典禮演說，描述某些事物貌似科學，卻遺漏了「科學的品德，也就是進行科學思考時必須遵守的誠實原則」）。

Spectrum：能舉幾個例子嗎？
LeCun：在「草包族科學」下，你往往是復制了機器的表象，卻沒有深入理解機器背后的原理。或者，在航空領域，你制造飛機時會完全復制鳥類的樣子，它的羽毛、翅膀等等。19世紀的人們很喜歡這么做，但取得的成就非常有限。

在人工智能領域也是如此，他們嘗試著對我們所知曉的神經(jīng)元和神經(jīng)突觸的所有細節(jié)進行復制，然后在一臺超級計算機上啟動一套龐大的模擬神經(jīng)網(wǎng)絡，希望從中孕育出人工智能。這就是「草包族科學」的人工智能。有許多拿到大筆基金支持的嚴肅的研究者基本上快要相信這些了。

Spectrum：你認為IBM的True North項目（譯者注：IBM的類人腦芯片，集成了 54 億個硅晶體管、 4096 個內(nèi)核、100 萬個「神經(jīng)元」和2.56 億個「突觸」）屬于「草包族科學」嗎？

LeCun：這聽起來會有些刺耳。但我的確認為，IBM團隊所聲稱的東西有點偏差并容易造成誤解。從表面上看，他們的公告令人印象深刻，但實際上沒有實現(xiàn)任何有價值的東西。在True North之前，那個團隊用IBM的超級計算機來「模擬了一個老鼠級別的大腦」。但這只是一個隨機的神經(jīng)網(wǎng)絡，除了消耗CPU運算周期以外沒有發(fā)揮任何作用。

True North芯片的悲劇在于它本來可以很有用，如果它當初沒有堅持與生物學走的太近以及沒有使用「spiking integrate-and-fireneurons」模型的話。因此在我看來——我曾是一個芯片設計者——當你在開發(fā)一個芯片之前，你必須確信無疑它能做些有用的事情。如果你打造了一個卷積網(wǎng)絡芯片——很清楚如何去做——它能立刻應用到計算設備中。IBM創(chuàng)造了錯誤的東西，我們無法用它去完成任何有用的事情。

Spectrum：還有其他例子嗎？

LeCun：從根本上說，歐盟人腦計劃（Human Brain Project）中的很大部分也是基于這樣一種理念：我們應該建造一種模擬神經(jīng)元功能的芯片，越接近越好，然后將芯片用于建造超級計算機，當我們用一些學習規(guī)則來開啟它時，人工智能就出現(xiàn)了。我認識這純屬胡說八道。

誠然，我剛才指的是歐盟人腦計劃。并不是諷刺參與這個項目的每個人。許多人參與該項目的原因僅僅是因為它能獲得巨額資助，這是他們所無法拒絕的。

無監(jiān)督學習——機器需要的學習方式

Spectrum：對于一般意義上的機器學習，還有多少是有待發(fā)掘的？

LeCun：太多了。我們在實際的深度學習系統(tǒng)中使用的學習方式還是存在局限的。在具體實踐中發(fā)揮作用的其實是「有監(jiān)督學習」。你將一張圖片展現(xiàn)給系統(tǒng)并告訴它這是一輛車，它就會相應調(diào)整它的參數(shù)并在下一次說出「車」。然后你再展現(xiàn)給它一把椅子、一個人。在幾百個例子、耗費幾天到幾周的計算時間（取決于系統(tǒng)規(guī)模）之后，它就弄明白了。

但人類和動物不是這種學習方式。當你還是嬰兒時，你并沒有被告知你所看到的所有物體的名字。然而你卻能學會這些物體的概念，你知道世界是三維的，當我把物體放在另一個的后面，你還是知道它的存在。這些概念不是與生俱來的，是你將它們學會了。我們把這種類型的學習稱作「無監(jiān)督」學習。

2000s中期，我們中的許多人參與到了深度學習的復興運動中，包括Geoff Hinton、Yoshua Bengio和我自己——這就是所謂的「深度學習團體」——還有Andrew Ng，從此使用無監(jiān)督學習而非有監(jiān)督學習的理念開始興起。無監(jiān)督學習可以幫助特定的深度網(wǎng)絡進行「預訓練」。我們在這方面取得了不少成果，但最終能夠應用于實踐的還是過去那些能與卷積網(wǎng)絡相結(jié)合的出色的有監(jiān)督學習，我們在20年前（1980s）所做的事情。

但從研究的角度來看，我們一直感興趣的是如何恰當?shù)刈龊脽o監(jiān)督學習。我們現(xiàn)在已經(jīng)擁有了可以實用的無監(jiān)督技術(shù)，但問題在于，我們僅需要收集更多數(shù)據(jù)，再配合有監(jiān)督學習就能擊敗它。這就是為什么在現(xiàn)階段的產(chǎn)業(yè)中，深度學習的應用基本上都是有監(jiān)督的。但將來不會再是這種方式。

從本質(zhì)上來說，在無監(jiān)督學習方面，大腦遠好于我們的模型，這意味著我們的人工智能學習系統(tǒng)缺失了許多生物機理學習的基本原則。

老生常談的“奇點理論”

Spectrum：你之前已經(jīng)說過，不同意那些與「奇點運動」相關的觀點。我很感興趣的是你如何看待與之相關的社會學方面的問題？對于它在硅谷如此受歡迎你怎么解讀？

LeCun: 很難講。對于這個現(xiàn)象我也有點困惑。正如 Neil Gershenfeld（譯者注，麻省理工The Center for Bits and Atoms主任）指出，sigmoid函數(shù)曲線的初始部分是指數(shù)型上升的，這也意味著現(xiàn)在看起來指數(shù)般增長的趨勢很可能會在將來遇到瓶頸，包括物理、經(jīng)濟，以及社會方面，緊接著經(jīng)歷拐點，然后飽和。我是樂觀主義者，但同時也是現(xiàn)實主義者。

確實有些人會大肆宣揚奇點理論，比如 Ray Kurzweil。他是個典型的未來主義者，對未來持有實證主義的觀點。通過大捧奇點，他賣了很多書。但據(jù)我所知，他卻對人工智能學科沒有絲毫貢獻。他賣了很多科技產(chǎn)品，其中一些有一定的創(chuàng)新，但并沒有概念性的創(chuàng)新突破。確定無疑的是他沒寫過任何指導人們?nèi)绾卧谌斯ぶ悄芊矫嬗兴黄坪瓦M展的論文。

Spectrum：你覺得他在Google現(xiàn)有的位子上有什么成就嗎？

LeCun：迄今為止，好像寥寥無幾。

Spectrum：我也注意到當我和一些研究者討論奇點理論時，有一個很有趣的現(xiàn)象。私下里他們好像對此（奇點理論）很不以為然，可是一到公眾場合，他們的評論又會溫和很多。這是因為硅谷的一切大人物都很相信的原因嗎？

LeCun：一線的人工智能研究者需要保證一種微妙的平衡：對于目標要保持樂觀，但也不能過分吹噓。需要指出其中不易，但也不能讓人覺得希望渺茫。你需要對你的投資者、贊助商以及雇員誠實；需要對你的同事、同行誠實；還需要對外界公眾和自己誠實。當未來的進步有很多不確定時，尤其是當那些不夠誠實和自欺欺人的人總是對未來的成功夸下?？跁r，這（繼續(xù)保持誠實）很困難。這就是為什么我們不喜歡不切實際地大肆宣揚的原因，這是由那些不誠實或者自欺欺人的人干出來的，但卻會讓那些嚴謹誠實的科學家的工作變得更難。

如果你在Larry Page、Sergey Brin、Elon Musk、和Mark Zuckerberg那樣的位置上，你就得時刻思考長期來看科技到底該走向何處。因為你掌握著大量資源，并且可以利用這些資源讓未來朝你認為更好的方向行進。因此不可避免地你得問自己這些問題：10年，20年甚至30年后的科技到底會是什么樣子？人工智能的發(fā)展，奇點以及倫理問題到底會是怎樣?

Spectrum：是的，你說的對。但是你自己對于計算機科技如何發(fā)展有著很清晰的判斷，我不覺得你會相信我們在未來30年就可以實現(xiàn)下載我們的意識。

LeCun：不會很快。

Spectrum：或許永遠不可能。

LeCun：不，你不能說永遠不可能。科技在加速前進著，日新月異。有些問題需要我們現(xiàn)在就開始關注；而另外一些則很遙遠，或許我們可以在科幻作品中費點筆墨，但現(xiàn)在還沒有擔心的必要。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。