这里还有一个非常有力的例证：它的名字是 Social Recommendations（社会化推荐）。一年以前，一个 AML 工程师和 Facebook 分享团队的一名产品经理在聊天时弹起来了这样一个现象：当人们在 Facebook 上询问身边的朋友，当地有什么好吃的馆子或者其他优质服务时，人们的互动程度会很高。

　　但是如何将推荐信息有效地识别，并且推送到用户的时间线上呢？在过去，分享团队一直是通过「单词短语匹配」，也就是将「请求推荐的短语」和「推荐的短语」进行匹配。但是这并不一定就奏效，因为每天是有 10 亿个更新出来的，往往匹配出来的东西不准确。但是，在他们经过一番讨论之后，他们决定利用神经网络训练技术，通过把模型放到现实生活中去测试，逐渐的，研发团队能够识别出来不同的人问话之间的细微区别，不同的诉求。之后，系统可以在某个指定的区域，找到那个想要知道「在哪儿吃比较好」、「哪儿买鞋子比较划算」的人，这进一步会触发一个请求，同样也是在机器学习技术的支持下，它还能找到一个提供靠谱建议的人，然后将这个馆子或者鞋店的具体位置发送到用户 News Feed 的地图上。

　　对于图片和视频来说，AML 团队已开发出了一个机器学习远景平台 Lumos，它能够对发布在 Facebook 上的所有照片、视频进行理解和加工。任何人都可以在这个平台去建模，然后放到特定情境中去实践，看看它是否达到预期效果。

　　Lumos 的发明者之一 Paluri 给我做了一个很简单的演示。他打开笔记本，运行 Lumos 平台，开始一项机器学习领域中的简单任务：不断地提升神经网络识别直升机的能力。有一个页面上堆叠了各式各样的有关直升机的照片，如果你要滚动浏览是看不完的，要有 5000 多张。有些图片上还不能算是直升机，比如一些玩具，或者飞翔在天空，貌似直升机的飞行物，或者是老鹰。我不是工程师，更别说是一名人工智能专家了，但是我在这里却能帮助他们进行机器学习。一旦机器选错了图片，那么我就点击否定的按钮示意它错了即可。

　　但最终，这种依靠人力来去鉴别，辅助培训的方式要被淘汰掉。这个环节将被自动化。Paluri 计划在明年，将需要人工介入识别的工作量下降到百分之一。

　　而从长期来看，Facebook 是要将视觉识别和自然语言处理平台的技术相结合，从而实现更加具有「生命力」的人工智能技术。

　　但是，要完成上述的目标可不是简单的事。因为社交平台上出现的一切问题都归结于人本身。要知道，这是一个拥有几十亿用户的平台，上面流窜着的很多信息就连人都很难从中分辨真伪，你又怎能指望机器帮你把这一切都彻底解决掉呢？但 Candela 对此还是有一些信心的：「我们不可能随机地将很多无关的信息推送到用户眼前，我们更不可能只从一处来源提取信息，目前在机器学习领域已经有好几个团队同时进行研发，让机器在内容发现上处在一个恰当的水平线上。

　　当 Facebook 发现自己深陷「虚假新闻」的舆论风暴旋涡时，它让所有人工智能团队出动，采用各种技术手段，将炮制的虚假新闻从平台上剥离出去。这可是前所未有的全员行动，就连致力于长期战略发展，具有一定顾问性质的 FAIR 团队都出动了。而 FAIR 的表现也没让任何人失望。他们开发出来了一款名叫 World2Vec 的模型，它给神经网络赋予了记忆的能力，这可以帮助 Facebook 给每一段内容都打上标签，例如它的出处是哪里？它是经由哪些人分享传递的？（这里特意说明一下，Google 科技创新产品中有一个叫 Word2Vec，不是一回事儿）。在这样的技术支持下，Facebook 可以清楚虚假新闻的模式，传递路径都有着怎样的特点，然后再将其识别、剔除出去。

　　「其实，识别虚假新闻的能力，跟找出人们最想看的页面的能力没有什么区别。」LeCun 总结道。