Yann LeCun曾经对想要成为深度学习领域研究型科学家的本科生提过很中肯的建议：把所有具有连续性的数学和物理课都上一遍。他说，如果必须要在“iOS 编程”和“量子力学”之间选一门，一定要选后者。在任何情况下，都要上微积分（I）、 微积分（II）, 微积分（III）、线性代数、概率论和统计学，另外尽可能多的去听物理学的课程，因为它发明了很多数学方法，来给真实世界建模。同时，还建议学习编程。

　　最新成果：通用目标分割框架 Mask R-CNN

　　LeCun在今年3月到清华大学发表了名为《Deep learning & The future of AI 》的主题演讲，atv直播，现场十分火爆，他还公布了Facebook人工智能研究院的最新研究成果——通用目标分割框架 Mask R-CNN，并展示了该框架在 COCO 数据集上的结果。

　　下一站：解决AI发展难题，让机器掌握人类常识

　　Yann LeCun认为目前AI发展的一大难题就是怎样才能让机器掌握人类常识，j2直播，掌握人类常识是让机器和人类自然互动的关键。他认为想要做到这一点，需要拥有一个内在模型，以具备预测的能力。LeCun用一个公式简洁地概括了这种人工智能系统：预测+规划=推理。而研究人员现在要做的，就是不需依赖人类训练，让机器学会自己构建这个内在模型。

　　Yoshua Bengio

　　约书亚·本吉奥

　　目前就职于：加拿大蒙特利尔大学

　　最擅长领域：高级机器学习

　　最后一位则是Yoshua Bengio， 他可谓是机器学习的泰斗之一，研究工作主要聚焦在高级机器学习。Yoshua于1991年获得加拿大麦吉尔大学计算机科学博士学位，经过两个博士后成为加拿大蒙特利尔大学计算机科学和运筹学系的教授，是机器学习实验室（MILA）的负责人，也是加拿大高等研究院（CIFAR）神经计算和自适应感知项目的联席主任，还是统计学习算法领域的加拿大首席科学家。更值得一提的是Bengio 的论文 "A neural probabilistic language model" 开创了神经网络做语言模型的先河。

　　独到观点：“无监督学习”的进展十分重要

　　Yoshua认为“无监督学习”领域中所取得的进步是他目前从事研究最开心能够看到的。他表示，在这一领域内，目前最尖端的机器学习和深度学习系统的表现仍远远逊色于人类。一个两岁的幼童都可以通过观察世界并与之互动来学习新知。例如，她不必专门通过上课，而可以通过玩耍和观察来了解重力和压力等物理学知识。这就是无监督学习，机器现在还远远不具备这种强大的能力，但是已经有了突破的进展。如果要让机器超越它们目前擅长但有限的解决特定问题的能力，掌握无监督学习就非常重要。

　　最新成果： 分层多尺度的时间递归神经网络

　　多尺度循环神经网络(multiscale RNNs)一直都被看好是最有可能突破这一难题的方法，但却迟迟没有经验证据可以证明这一模型的性能。Bengio提出了分层多尺度循环神经网络(hierarchical multiscale recurrent neural networks)。这个模型使用全新的更新机制，对不同时间尺度的时序依赖进行编码，从而发现序列中的分层结构。此外，论文中还论证了这种多尺度架构可以在不使用显式边界信息的情况下，发现序列底层的分层结构。

　　下一站：微软人工智能研究院

　　2017年初，微软收购了深度学习的初创公司Maluuba，作为Maluuba公司最德高望重的顾问，Yoshua Bengio顺理成章接手了微软的人工智能研究顾问工作。最近，Bengio以蒙特利尔学习算法研究所负责人的身份访问了微软位于华盛顿州雷德蒙的园区，并与员工们对于深度学习的应用进行了深入的讨论，同时表达出共同愿景，通过创造像人类一样会思考、推理与交流的有文化的机器，来实现更全面的人工智能。

　　·END·

　　清科资本创投Club本次首推【AI+系列】

　　期待与各位 AI爱好者有更多交流 !

　　聚焦AI业界最前沿动态

　　分享AI领域最新研究成果

　　聆听AI最优秀从业者声音