人类对人工智能向往已久，那么，这次有何不同？

Yann LeCun

以前，每当计算机作为一个工具完成人类难以完成的任务，就被贴上人工智能“AI”的标签，而一旦融入生活，“AI”就消失了。但这次有所不同。

继清华之后，3月24日，Yann LeCun在上海纽约大学有一场学术讲座和嘉宾座谈。活动全程两个小时，由上海纽约大学数据科学研究中心举办，包括一小时Yann LeCun的学术讲座”预测学习与人工智能的未来”（由工程计算机学部主任Keith Ross教授主持），一小时嘉宾座谈（由计算机教授张峥老师主持）。嘉宾阵容：张峥、Yann LeCun、范剑青、马毅、沈晓卫、汪小京（学术阵容的豪华程度如下图所示，难道不该颤抖吗）。

写paper的小伙伴懂的（猜猜图中的ABCD分别是上图中的谁？）

此番强大阵容引起上海各大高校轰动，在上海一票难求，活动当天座无虚席（连台阶上都挤满了热情的观众）。

活动开场由Keith Ross教授介绍Yann LeCun。Yann是Facebook人工智能实验室主任、纽约大学终身教授、美国国家工程院院士。Keith Ross教授是上海纽约大学工程与计算机学部主任，也是Yann在纽约大学的同事。Yann是第一次来上海，在上海的首站就是上海纽约大学。他赞美上海是个美丽的城市，让他触景生情想到纽约。

Keith Ross（图右）和Yann LeCun

Yann LeCun正式向大家介绍了自己的中文名——杨立昆。文字出处是北京颐和园内的某位“书法家”。

接下来是Yann的讲座，讲座内容包括两部分：一是当下前沿的人工智能技术及其局限，二是如何发展人工智能技术让其更加智能。

当前的AI方法主要基于监督学习，机器能够识别已经标记好的数据，但怎么让机器识别没有标记的数据？怎么通过已经看到的东西来预测尚未看到的东西？

Yann还指出人工智能发展的障碍：如何能让机器获得常识？

讲座PPT与近期Yann的其他大平台演讲内容相似，在此不一一赘述（活动完整视频已上传优酷，文末有链接）。

Yann在讲座之后，接受了一位现场观众提问，问题是关于AI创业及其对现有生产的影响。

Q: Facebook，Google，Baidu，Tencent这些大公司已经做了尖端的人工智能研究，你认为在人工智能方面创业还有什么机会吗？另外，你认为人工智能会怎么影响生产？

A: 我认为AI肯定会对生产产生实质的影响，机器人工业的发展肯定会改变生产。但我觉得还是要再过几年，人类才会被从工厂中完全移出。我们现在做了很多先进的研究，比如无人驾驶，它们肯定会彻底改变城市生活和工作方式。它们也会改变医疗产业，比如会有自动诊断系统。很多深度学习和AI方法会在未来十到二十年间给我们的世界带来革命性的改变。至于你的另一个问题，我认为做一个人工智能的创业，最好的方法是做一个“垂直性”的公司，也就是说你应该想到一个特定的客户群。

短暂的休息之后，进入了由张峥老师搭台的嘉宾座谈。张峥老师是上海纽约大学计算机终身教授、前微软亚洲研究院副院长、、计算机科学家。

张峥

嘉宾左起依次是：

汪小京（上海纽约大学科研副校长、耶鲁大学神经生物学终身教授、）

Yann LeCun（Facebook人工智能实验室主任、纽约大学终身教授）

沈晓卫（IBM中国研究院院长）

马毅（上海科技大学信息科学与技术学院教授、执行院长）

范剑青（复旦大学大数据学院院长，普林斯顿大学终身教授）

张峥老师为此次座谈设计的题目为：人类对AI的向往和幻象由来已久。那么，这次有什么不同？而Yann在一开始便给出了代表性的回答，指出了这种迷幻的共性：每当计算机作为一个工具完成人类难以完成的任务，就被贴上AI的标签，而一旦融入生活，“AI”就消失了。这次的不同，一是从大数据中直接习得模型参数，跳过之前人为设计的很多障碍（换言之，把人踢走之后事情更好做），二是已经有很大的市场空间，能让技术落地。

 （引用于张峥老师的朋友圈翻译总结）

此外，LeCun认为，现在我们见到的社会上对于AI的高度热情必然会逐渐消减，但在较长一段时间内我们依旧会看到大量的激动人心的科技发展，而现在的这些媒体炒作最后会冷却，并变为成熟稳定的商业模式。

LeCun提到GAN也即生成对抗网络（generative adversarial network），是一个目前新兴的研究方向，尽管目前有很多应用成功的例子，但我们并不能从本质上理解它的作用方法，也还暂时没有能找出一个设计它的通用方法，在这个主题上有很多潜在的科研空间。

LeCun在回答关于AI伦理的问题时表示，现在主要讨论的点，不在于是否会有超级智能毁灭世界这样不太实际的问题。而是一些比如我们如何设计安全的自动驾驶系统，如何处理数据中的偏差让它们不会影响智能系统的精确度。比如，如果你用一个AI来检测人群中的一个人是否可能进行犯罪活动，你不能允许数据上的偏差导致大错误率，以致于把错误的人投入监狱。这些问题需要整个社会进行公开讨论，而不是某一个个人或公司就能自己决定的。

沈晓卫

沈晓卫老师同意人工智能的持续发展是需要大量的商业成功来维系的。沈老师说，在IBM他们不称AI为人工智能(artificial intelligence)，而称之为增强智能(augmented intelligence)，意思是他们使用AI技术的各种应用在特定环境中服务特定的产业，比如环境保护、新型能源，以及医疗保健产业。虽然我们现在还无法做出能达到8岁小孩水平的综合性智能，但我们可以做出一些特化的系统来高效解决特定的问题。沈老师提到人工智能应用方面目前的一大挑战，就是我们现在90%的问题都可以通过AI解决，但有10%不行。所以我们怎么样让人类和AI合作来解决实际的问题，是很关键的。在未来十年内没有这样的良好合作是无法让AI继续发展的。

马毅

马毅老师提及了一个奇怪的现象：早些年，人们设计的算法似乎在应对大规模的学习问题时更为高效，他认为这是由于过去计算资源的匮乏，激励了当时的科研工作者们设计创造能更有效利用资源的算法。他提出优化理论研究的一个重点，就是如何在更少的迭代次数内完成学习过程，而仔细看深度网络中的一层，你会发现它本质上就是一个优化问题。所以很多优化理论领域中的研究成果可能可以激励神经网络的研究，让我们可以改良神经网络的架构，设计出更加高效的神经网络。马老师提出一个LeCun认为较有争议的想法：神经网络并不是规模越大层数越多越好，虽然我们现在有很多的计算量可以使用，但我们终究会需要更为高效的神经网络设计方法来提高资源的利用效率。

范剑青

范剑青老师认为现在是一个非常激动人心的时期，有许多跨领域的合作正在被完成。作为一个统计学家，他觉得很多统计学的理论和模型被很好地应用在了神经网络里面，现代的诸多数学理论支持了很多机器学习技术的发展。范老师认为我们还有很多根本上的研究需要完成，这样我们才能更好地理解AI技术，而当这些理论知识和数学模型被应用在计算机算法中，将理论和实践结合起来时，我们才能取得更长足的发展。

汪小京

汪小京教授提出有两种不同智能，一个是结晶化的智能（Crystalized intelligence），也就是实际的知识，比如江苏的省会是什么这样的问题，另一个是流体化的智能（fluidintelligence），也就是如何灵活地利用知识来解决问题。现在前者是AI容易处理的，困难的是，AI如何才能在根据不同的环境和不同的思考内容来以不同的方式灵活处理知识和数据，这方面还需要更多的研究。除了计算机科学方面，神经科学家现在也在研究大脑完成认知的本质过程，希望这些研究未来可以给我们带来AI方面的激动人心的新发展。

在结束的时候，汪老师鼓励学生们不仅去做一些跟时事有关的工作，也去探索一些更本质、更深层次，需要更多时间来破解的问题，这样的更基本性的研究，会导向更大的科学技术上的突破。

（本次嘉宾座谈由上纽大计算机科学专业大四学生王澈整理）

Yann LeCun演讲视频已上传优酷，链接如下：

优酷

LeCun讲座: http://v.youku.com/v_show/id_XMjY3MjkwMzExMg==.html

嘉宾座谈: http://v.youku.com/v_show/id_XMjY3Mjg2MjU2OA==.html

活动结束后众人意犹未尽。我们也期待以后能继续为大家带来好活动、新信息～

(继续往下拉有彩蛋)

彩蛋：Yann在他的Facebook发了此次活动的状态，还贴了一张360度活动全景图！

本次活动鸣谢：

工作人员及学生志愿者：洪霖，毛昉琪，罗璐佳，杨晓雯，黄淇，余点，胡思源，影澤正輝，薛旻辉

学生同声传译：盖宇，王澈

座谈干货整理：王澈