当地时间 2017 年 1 月 13 日，Yann LeCun 在爱丁堡大学做了一个题为《预测学习（Predictive Learning）》的演讲。在这篇文章中，我很高兴能向大家分享我在这个演讲中的收获。虽然我并没有完全理解他在讲座中提到的所有概念，但我会尽我所能分享我了解到的知识。

人工智能在过去几年的快速进展很大程度上可归功于深度学习和神经网络算法的进步，当然还有大规模数据集和高性能 GPU 的可用性。我们现在已经具有准确度可媲美人类的图像识别系统了，而这也引发了一些领域的革命性发展，其中包括信息存取（information access）、自动运输系统（autonomous transportation）和医学影像分析（medical image analysis）。

但是所有这些系统目前都在使用监督学习，即使用人工标记的数据作为机器的输入。所以接下来几年内的挑战就是让机器能从原始、未标记的数据（如视频或文本）中进行学习，这就是人们称为预测学习或无监督学习的方法。智能系统如今并不能掌握「常识」，而在人类和动物的世界里，常识是通过观察世界、参与世界和理解世界的物理约束而获得的。Yann LeCun 认为机器学习世界的预测模型的能力将会是人工智能的重大进步。然而主要的难点在于世界只是部分可预测的。接下来将会介绍无监督学习的一种一般形式，其能够应对部分可预测的世界。这种形式连接了许多众所周知的无监督学习方法以及一些新的和令人兴奋的方法（如对抗训练）。

Yann LeCun 简介

Yann LeCun 是 Facebook 的人工智能研究主管，纽约大学的 Silver 教授，隶属于纽约大学数据科学中心、Courant 数学科学研究所、神经科学中心和电气与计算机工程系。

Yann LeCun 在 1983 年在巴黎 ESIEE 获得电气工程学位，1987 年在 Université P&M Curie 获得计算机科学博士学位。在完成了多伦多大学的博士后研究之后，他在 1988 年加入了 AT&T 贝尔实验室（AT&T Bell Laboratories /Holmdel, NJ），后来在 1996 年成为 AT&T Labs-Research 的图像处理研究部门主管。2003 年，他加入纽约大学获得教授任职，并在 NEC 研究所（普林斯顿）呆过短暂一段时间。2012 年他成为纽约大学数据科学中心的创办主任。2013 年末，他成为了 Facebook 的人工智能研究中心（FAIR）负责人，并仍保持在 NYU 中兼职教学。从 2015 到 2016 年，Yann LeCun 还是法兰西学院的访问学者。

LeCun 目前感兴趣的研究领域包括人工智能、机器学习、计算机感知、机器人和计算神经科学。他最出名的是对深度学习和神经网络的贡献，特别是广泛用于计算机视觉和语音识别应用的卷积神经网络模型。他在这些主题以及手写字体识别、图像压缩和人工智能硬件等主题上发表过 190 多份论文。

LeCun 是 ICLR 的发起人和常任联合主席（general co-chair），并且曾在多个编辑委员会和会议组织委员会任职。他是加拿大高级研究所（Canadian Institute for Advanced Research）机器与大脑学习（Learning in Machines and Brains）项目的联合主席。他同样是 IPAM 和 ICERM 的理事会成员。他曾是许多初创公司的顾问，并是 Elements Inc 和 Museami 的联合创始人。LeCun 位列新泽西州的发明家名人堂，并获得 2014 年 IEEE 神经网络先锋奖（Neural Network Pioneer Award）、2015 年 IEEE PAMI 杰出研究奖、2016 年 Lovie 终身成就奖和来自墨西哥 IPN 的名誉博士学位。

概述

在这篇演讲中，LeCun 一开始介绍了最近人工智能的发展情况，然后谈到了人工智能面临的难题。接着，他深入论述了预测性学习以及 Goodfellow 在 2014 年提出的新概念：生成对抗性网络。除此之外，「常识」也是这篇演讲中多次提及的重要概念，我稍后会做解释。

这篇演讲的主题分为 4 个部分：

人工智能当前发展情况概览

人工智能所面临的难题

预测学习（无监督学习）

对抗训练

监督学习

实际上，去年取得的所有成功都是基于监督学习。我们在大量样本上（比如桌子、椅子、狗、汽车和人）训练机器，不过，机器可以识别之前没有见过的桌子、椅子等吗？