英国诗人雪莱曾说：“冬天来了，春天还会远吗？”如今，人工智能走过发展的寒冬，正迎接看似欣欣向荣的春天，但是，LeCun毫不讳言还是有很多阻碍在前，例如：

第一，机器必须学习或了解世界是如何运作的，包括物理的世界、 网络的世界、人际互动等，必须具备一定程度的常识知识；

第二，它们必须透过观察或行动来学习大量的背景知识；

第三，机器必须感知世界；

第四，机器必须持续更新、记忆所预估的世界状态；

第五，机器要能推理和计划。

LeCun因此提出一个公式：智能＋常识＝感知＋预测模型＋记忆＋推理及计划。

“有了常识就能填补空白。”LeCun说。但是，我们该怎么让机器学会常识呢？他认为，答案可能是非监督式学习（Unsupervised Learning）或预测学习（Predictive Learning）。

监督式学习（Supervised Learning）是机器学习领域的一个分支，是将资料标示出各种标签，机器就在这些标签中寻找或建立一个模型，并据此模型进行实际上的推测，例如利用历史股价来预测未来的股价走向。

非监督式学习则强调不必人工加入标签，而是让机器观察世界运作，建立起常识，直播，就能做出直觉的反应或判断，atv，就像小孩的学习一样。他认为，光有监督式学习是不够的，还需要非监督式学习，而训练一个大型的学习机器需要多少的范例，则是取决于我们希望它能预测出多少信息。

预测未来20年人工智能的蓝图是什么

从某种程度上来说，AI已经充斥着我们生活的各个角落了，每个人对于AI的想像及期待各有不同，未来呢？可以预测从现在未来AI的发展的样貌吗？

LeCun很直接的说：“我无法预测！”他进一步表示，“科研人员往往太过高估某项技术在短期的进步，而低估了长期的推进。”通常，我们认为只要能找出某件事、某些东西背后的原理，我们就能建立起它们，最后它们就会运作成功。

但是，回想一下，很久以前我们就发现了火箭背后的原理，但从发现原理到将火箭送上天，这中间是很大的一步路，因为太复杂了。这就是我们低估了短期内实践的复杂度。同时，我们也低估了长期的演进，因为没有人可以预先看到革命的到来。

过去有人预测AI的发展，但都失败了，所以我提出很多目前我们都还无法解决的阻碍，尽管我们可能有一些想法，但尚未发展成解决方法。“AI在我心中，就是我们有一座很高的山必须跨越。而且当我们跨越了之后，我们不知道还有多少座在前方等着我们。”LeCun说。

不过，LeCun也强调，从自然界找灵感，模仿自然是个思路，但是也不宜过多，我们必须理解很多事，例如我们该怎么知道哪些细节很重要、哪些细节只是演进的结果、哪些是生物模仿是受到限制的。就像飞机的发明一样，人类在发展了空气动力学和流体力学之后，就会知道羽毛和拍打翅膀其实并不重要。

“所以，问问自己，智能领域的‘空气动力学’会是什么？”这是LeCun留给大家思考的问题。

-End-

此文来自驻台北编辑詹小娴

欲知会员计划详情，请点击以上图片