接下来的部分是关于对抗训练（（Adversarial Training）的，Yann LeCun 本人对对抗训练给予高度肯定，他认为对抗训练是改进机器预测能力的一种方式。

　　它的难点在于在不确定条件下进行预测

　　实践中，通用型对抗网络（Generative Adversarial Networks）是一个训练机器预测能力新方法，它的特性可以转化为一些更好、更敏锐、质量更高的预测模型。

　　为了展现这一点，LeCun 和他的团队用各种图片数据组训练了 DCGAN，这些图片采集了 ImageNet 数据组中一组特定图像，比如所展示的卧室或者动漫人脸识别。

　　DCGAN 也能够识别模式并将某些相似表征放在一起。比如，在脸部图像数据集中，生成器不理解什么是微笑的意义，但是，它能发现人类微笑图片的相似性，并将它们分为一组。

　　最后，LeCun 提到了基于语义分割的视频预测技术及时间预测技术。

　　总结

　　总结一下，LeCun 首先为我们介绍了一下人工智能领域这些年的发展，然后重点提及了无监督学习，他认为无监督学习会成为未来的主流。同时，他也认为机器必须要有预测未来的能力，而挡在这一过程中的最大障碍就是「常识」。后面，开奖，他也强调了对抗训练（（Adversarial Training）的价值，认为这项技术之后会发挥越来越大的作用。

　　而毫无疑问，对于所有对人工智能感兴趣的朋友来说，j2直播，如果你没能到场亲自聆听 LeCun 的演讲，那我们在这里也为你独家准备了他的演讲视频，不要错过哟。