因此，Yann LeCun表示，监督式的机器学习就是功能优化（Function Optimization），资料输入和输出的关系通过可调整的参数来优化，经由调整参数的方式，将结果的错误率降至最低，其中，调整参数的方式有很多种，很多人都会用梯度下降算法（Stochastic Gradient Descent），梯度下降算法可以找到最适合的回归模型系数．即时地根据输入的资料动态调整模型。

身为「卷积神经网络之父」的 Yann LeCun 也介绍了卷积神经网络（Convolutional Neural Network，CNN），卷积网络就是将输入的影像像素矩阵经过一层过滤器，挑选出特征，再透过池化层（PoolingLayer），针对输入特征矩阵压缩，开奖，让特征矩阵变小，降低计算的复杂度。CNN影像和语音识别都有很好的成效，不仅如此，还能识别街上移动的路人、街景的物体，Facebook 也用 CNN 来识别 Facebook 用户上传的照片，他表示一天 Facebook 就有10亿以上的照片，可以准确地识别物体的类别，像是人还是狗、猫等，还能识别照片的主题，像是婚礼或是生日派对等。

不过，Yann LeCun提出，监督式的机器学习有2大问题，第一是要如何建立复杂的算法来解决复杂的问题，第二则是手动调整参数的知识和经验都是来自于不同任务，许多工程师想要处理的领域，像是影像识别、语音识别都需要建置不同模型，因此，监督式机器学习可以在训练过的专案上有很好的表现，但是没有训练过的资料，程序就无法辨别，简单来说，如果要程序识别椅子，不可能训练所有椅子的特征资料。

事实上，Yann LeCun 表示现实中有种机器具备数百万的调整钮（Knob），这些调整钮就像机器学习中的参数和 Perceptron 的权重一样，可以用上百万的训练样本来训练模型，最后分类出上千种的类别，但是，每一个特征的识别都必须经过数十亿次的操作，因此，可想而知，现今大家所使用的神经网络是非常复杂的，如此庞大的运作不可能在一般的 CPU 上执行，“我们面对的是非常大规模的优化问题。”他说。

AI系统的架构

AI系统的架构大致上可以分为感知（Perception）、触发器（Agent）和目标（Objective）3个模组，先由感知器侦测真实世界的数据，像是影像、语音等，这些数据经由触发器，会依据状态触发目标，执行相对应的程序并产生结果，其中触发器就是AI 的精髓，触发器必须要负责规划、预测等智能工作，而目标则是由本能和固定的两个元件所组成，以视觉识别（VisualIdentity）系统为例，经由感知收集影像数据，透过触发器触发分析情绪的程序，再判断影片中的人是开心还是不开心。

AI 架构中的触发器（Agent）主要负责预测和规划，运作过程又可分为模拟器（Simulator）、执行器（Actor）、回馈器（Critic），模拟器接收到状态后，传送给执行器，执行器就会启动相对应的动作，并同时对模拟器提出要求，启动相对应的动作之后送到回馈器，经由回馈器分析要採取的动作，决定后才送往目标（Objective）执行。

AI 最大局限是没有人类的“常识”

市场上 AI 好像无所不能，但其实，Yann LeCun个人认为，AI 还是有些局限，像是机器必须会观察状态、了解很多背景知识、世界运行的定律，以及精确地判断、规划等，其中，Yann LeCun 认为 AI 最大的局限是无法拥有人类的「常识」。

由于目前比较好的AI应用都是采用监督式学习，能够准确识别人工标示过的物体，也有些好的成果是用强化学习（Reinforcement Learning）的方式，但是强化学习需要大量地收集资料来训练模型，Yann LeCun表示，对应到现实社会中的问题，监督式学习不足以成为“真的”AI。

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。