他指出，人类的学习是建立在与事物互动的过程，许多都是人类自行体会、领悟出对事物的理解，不需要每件事都要教导，举例来说，若有个物体被前面的物体挡住，人类会知道后面的物体依然存在的事实，或是物体没有另一个物体支撑就会掉落的事实。

“人脑就是推理引擎！”他说明，人类靠着观察建立内部分析模型，当人类遇到一件新的事物，就能用这些既有的模型来推测，因为生活中人类接触到大量的事物和知识，而建立了“常识”。这些常识可以带领人类做出一些程序无法达到的能力，像是人类可以只看一半的脸就能想像另外一半脸，或是可以从过去的事件推测未来等。

他举例，若人类看到一张战利品放不下行李箱的图片，再看到一个句子说：”这些战利品放不下行李箱，因为它太小了。“人类能够很清楚地知道“它”指的是行李箱，人类也因为知道整个社会和世界运行的规则，当没有太多的信息时，人类可以依照因果关系自动补足空白的信息。

无监督式学习是突破 AI 困境的关键，采用无监督学习的对抗训练让 AI 拥有真正自我学习的能力。

如何让 AI 拥有人类的常识？Yann LeCun认为要用无监督式学习。他又称之为预测学习，他将现今机器学习的方式分为强化式、监督式和无监督式学习，并以黑森林蛋糕来比喻。

强化学习是蛋糕上不可或缺的樱桃，直播，所需要资料量可能大约只有几个Bits，监督式学习是蛋糕外部的糖衣，需要10到10,000个Bits的资料量，而无监督学习则是需要数百万个Bits，无监督学习被他比喻为黑森林蛋糕，因为无监督学习的预测能力像拥有黑魔法一样神奇，不过，他也强调黑森林蛋糕必须搭配樱桃，樱桃不是可选择的配料，而是必要的，意味着无监督学习与强化学习相辅相成，缺一不可。

Yann LeCun认为，程序还是很难在不确定性的情况下，正确地预测，举例来说，如果一只直立的笔，没有支撑之后，程序可以判断出笔会倒下，但是无法预测会倒向哪一个方向。

因此，他表示，对抗训练（Adversarial Training）是可以让 AI 程序拥有自学能力的方法，他解释，对抗训练就是让两个网络相互博奕，由生成器（Generator）和判别器（Discriminator）组成，生成器随机地从训练集中挑选真实数据和干扰噪音，产生新的训练样本，判别器再用与真实数据比对的方式，判断出数据的真实性，如此一来，生成器与判别器可以交互学习自动优化预测能力，创造最佳的预测模型。

视频链接：https://www.facebook.com/816762428486534/videos/826164667546310/?fallback=1