LeCun 是 AI 和 ML 研究的先驱。他被招到Facebook来建立和领导FAIR。正如一些先进研究所暗示的那样，目前的M项目的机器人并不是LeCun的终点，它们是实现智能会话代理长期目标的一个里程碑。 LeCun不能预测什么时候达到最终目标，甚至可能在他的职业生涯中都不会成功。但每个阶段式的里程碑都定义了需要构建的硬件和软件，以便未来的机器可以更像人类一样推理。在每次的迭代中，功能变得越来越好。

　　教计算机像人类一样推理面临的阻碍是巨大的。凭借在该领域30年的研究经验，LeCun相信Facebook可以专注于10个科学问题，以更好地模拟人类的智力。他在我们访问期间分享了其中的一些。

　　例如，在 3 到 5 个月的年纪，婴儿就学会了客体永久性的概念。客体永久性是指儿童理解到物体是作为独立实体而存在的，即使个体不能知觉到物体的存在，它们仍然是存在的。AI 研究人员还没有建立一个能理解客体永久性概念的ML模型。

　　另一个例子，对于人工智能系统来说，“奖杯不适合放在手提箱，因为它太小了”这样的句子歧义太多，atv直播，难以理解。人类很容易分辨出“它”指代的对象是手提箱，但是计算机很难理解其具体意义。

　　这是一类被称为 Winograd Schema 的问题。去年夏天，在第一次年度Winograd Schema挑战赛中，经过最好训练的计算机翻译60句话，最后正确率为58％。作为对比，人类的准确率是 90％，完全随机猜测准确率是44％ ，涉及到这些问题，计算机的能力目前更接近于猜测，而不是人类。

　　“事实证明，这种预测接下来会发生什么的能力是人工智能系统的一个重要部分，我们还不知道如何构建，”LeCun说， “你如何训练机器来预测本质上是不可预测的东西？这提出了一个非常具体的数学问题，那就是，当预测的东西不是单一的东西，而是一系列的可能性时，你怎么做ML？”

　　作为催化剂的硬件

　　如果这类的问题可以得到解决，那么10个科学问题也就能够找到答案，进而，像人类一样进行推理的ML模型就可以构建。但是，要运行非常、非常大的神经网络，需要新的硬件——使用一个分布式计算架构，由非常高速的网络进行连接，并且，要运行这些模型，还要有算法来进行高度的优化。这一切的基础是，要训练这些模型需要一个新的专用的超级计算机，它需要非常擅长处理数字运算。

　　过去10年间，DL的发展，要得益于新的、专用化的硬件催化。虽然ML研究的理论在多年前就已经得到验证，但是之前很少有研究者会追求ML。由于可以支撑研究的硬件能力总体上是不可用的，所以ML 在过去被视为“死胡同”。2011年，谷歌的大脑数据中心使用的16,000个CPU，通过观看YouTube视频识别猫和人的工作证明了ML的可行性，但这一配置也同时说明。谷歌以外，几乎没有研究团队能够拥有如此强大的硬件资源，可以在这一领域展开研究。

　　突破来自2011年，当时英伟达的研究者 Bryan Catanzaro 与斯坦福大学吴恩达的团队合作，一起证明了在深度学习上，12块GPU就能实现2000块CPU的性能。GPU硬件的商用加速了纽约大学、多伦多大学、蒙特利尔大学和瑞士AI实验室的研究，也证明了ML的实用性，重新唤起了研究者对这一领域的兴趣。

　　英伟达的GPU在训练和运行机器学习模型上性能更加强大，但是，还没有达到LeCun所展望的私人助理所需要的量级。另外，在实验室中运行ML模型，与在拥有17亿用户的 Facebook 中运行ML模型，二者还是有差别的。

　　学术上的可行性必须与在Facebook 大规模的生产基础设施上高效地运行ML模型的可行性相平衡。这一数据处理量有多大，Facebook 没有具体透露，但肯定是艾字节（exabytes）的。

　　虽然一些Facebook用户知道社交网络使用算法来选择他们在其时间线中看到的帖子和广告，但很少有人知道该公司已经将ML应用于与Facebook的许多交互中。对于每个用户、时间轴帖子、评论、搜索、广告、图像和一些视频，Facebook使用ML模型对用户最可能感兴趣的点击或评论的预测来动态地排序。