9 月 26 日消息，Facebook 母公司 Meta 的首席 AI 科学家雅恩・勒昆 (Yann LeCun) 认为，目前大多数 AI 方法永远不会带来真正的智能，他对当今深度学习领域许多最成功的研究方法持怀疑态度。
这位图灵奖得主表示，同行们的追求是必要的，但还远远不够。其中包括大型语言模型的研究，如基于 Transformer 的 GPT-3。正如勒昆所描述的那样，Transformer 的支持者们相信：“我们将所有东西标记化，并训练巨型模型进行离散预测，AI 由此脱颖而出。”
勒昆解释称：“他们没有错。从这个意义上说，这可能是未来智能系统的一个重要组成部分，但我认为它缺少必要的部分。”勒昆完善了卷积神经网络的使用，该技术在深度学习项目中取得了令人难以置信的成效。
勒昆还看到了该学科许多其他高度成功领域的缺陷和局限性。他坚持认为，强化学习永远也不够。像 DeepMind 的大卫・西尔弗 (David Silver) 这样的研究人员，尽管他们开发出了 AlphaZero 程序，掌握了国际象棋和围棋，但他们关注的是“非常注重行动的”程序，而勒昆观察到，“我们的大部分学习并不是通过采取实际行动来完成的，而是通过观察来完成的”。
现年 62 岁的勒昆有很强的紧迫性，他必须直面自己认为许多人可能正在奔向的死胡同，并试图引导其所在领域朝着他认为应该走的方向前进。勒昆说：“我们看到了很多关于我们应该做些什么来推动 AI 达到人类智能水平的说法，我认为有些想法是错误的。我们的智能机器甚至还没有达到猫的智能水平。那么，我们为什么不从这里开始呢？”
勒昆认为，不仅是学术界，AI 行业也需要深刻的反思。他说，自动驾驶汽车群体，如 Wayve 这样的初创公司，认为他们只要向大型神经网络“抛出数据，就可以学到几乎任何东西”，这似乎“有点儿过于乐观了”。
勒昆称：“你知道，我认为我们完全有可能在没有常识的情况下拥有 L5 级自动驾驶汽车，但你必须在设计方面做出努力。” 他认为，这种过度设计的自动驾驶技术将会像所有被深度学习淘汰的计算机视觉程序一样，变得脆弱不堪。他说：“归根结底，将会有一种更令人满意、可能也更好的解决方案，它涉及到更好地理解世界运行方式的系统。”
勒昆希望促使人们重新思考有关 AI 的基本概念，他说： “你必须后退一步，然后说：‘好吧，我们建造了梯子，但我们想去月球，而这个梯子不可能把我们带到那里。’我要说的是，这就像制造火箭，我不能告诉你我们如何制造火箭的细节，但我可以提供基本原则。”
勒昆认为，AI 系统需要能够推理，而他所提倡的过程是将某些潜在的变量最小化。这使得系统能够计划和推理。此外，勒昆认为应该放弃概率框架，因为当我们想要做些事情，比如捕捉高维连续变量之间的依赖性时，这很难处理。勒昆还主张放弃生成模型，因为系统将不得不投入太多的资源去预测那些很难预测的事情，可能会消耗太多的资源。
|
