最终，Yann 向我们演示了关于视频预测的有趣例子，使用不带有池化（pooling) 的多尺度 ConvNet。Yann 说他也不知道为什么这里的池化不起作用。

我们的大脑是一台「预测机器」。

我们能否训练机器来预测未来？

一些使用「对抗训练」获得的成功。

但我们离完全的成功还很远。

总结

总而言之，Yann 在演讲中总结了去年人工智能领域的进展，并介绍了监督学习的一些知识点。然后，Yann 聚焦于无监督学习。他认为无监督学习会成为未来的主流，能解决我们的学习系统难以处理的众多问题。我们如今正在面临无监督和预测性前向模型（predictive forward model）的建立，这也可能会是接下来几年的挑战。此外，对抗训练在未来可能会逐渐扮演更重要的角色，而如今的难题是让机器学习「常识」。

我个人看来，我也从 Yann 身上获得了一些特别的东西。他非常友好、乐于助人。现场有一个学生问了一个非常耗时间的 问题，他同样给出了解答，这超乎了我的想象。此外，他告诫我们多与其他领域的人交流，比如物理学，这可能帮助我们解决上面提到的预测笔倒下之后指向的问题。最后，我们来了一个合照。

References

[1] Goodfellow, Ian, et al. "Generative adversarial nets." *Advances in Neural Information Processing Systems*. 2014.

[2] Athans, Michael, and Peter L. Falb. *Optimal control: an introduction to the theory and its applications*. Courier Corporation, 2013.

[3] https://research.fb.com/projects/babi/_ (https://research.fb.com/projects/babi/)

[4] https://iot-for-all.com/yann-lecuns-keynote-on-predictive-learning-mixed-reality-as-imagined-by-magic-leap-and-marc-f2adfecf7ab6#.7q1xepw2u_

(https://iot-for-all.com/yann-lecuns-keynote-on-predictive-learning-mixed-reality-as-imagined-by-magic-leap-and-marc-f2adfecf7ab6)

[5] https://arxiv.org/pdf/1511.06434v2.pdf

[6] https://tryolabs.com/blog/2016/12/06/major-advancements-deep-learning-2016/