LeCun列传：曾因AI理论遭人唾弃，如今终成一代大神
距离Facebook门罗帕克总部约3000英里之外，在曼哈顿市中心一栋老旧的米色办公楼里，有群人正在从事一个十分超前的项目。虽然该项目由Facebook主导，但似乎跟社交网络关系不大，反而更像是科幻小说里的场景。
这个团队的全称是Facebook人工智能研究院，内部将其简称为FAIR，他们的目标只有一个：开发与人类的智能比肩的电脑。虽然距离目标仍有很长距离，但该团队却取得了惊人的成就：他们的人工智能程序可以绘制出几乎与人类艺术家媲美的绘画，还能参加基于维基百科上的问题所展开的测验，甚至还会玩《星际争霸》这样的高端游戏。
今后，它们还会更加聪明。有朝一日，甚至能将Facebook从好友之间的互动平台变成你的知心好友。
正是出于这种原因，FAIR并非典型的Facebook团队。他们的成员并没有直接参与这家社交巨头的日常产品开发，例如Instagram、WhatsApp、Messenger和Facebook本身。其终极目标可能要等到几十年后才能实现，也有可能永远无法实现。
另外，该团队的负责人也并非传统的硅谷高管，而是56岁的学术大咖Yann LeCun。他人生中经历过惨痛失败，但最终恢复元气。他的人工智能理论曾经遭人唾弃，但如今却广受追捧，Facebook给出的高额薪酬便是他个人价值的最佳证明。
“你跟数字世界、跟手机、跟电脑的互动方式都会改变。”LeCun在接受BuzzFeed News采访时说。
FAIR正在改进计算机的视觉、听觉和沟通能力，而他们的成果也已经渗透到Facebook的产品之中，从News Feed排序算法到相机和照片滤镜，可谓无孔不入。而Facebook也在展开大举投资——不仅仅是因为人工智能非常有趣，更重要的是这项技术非常必要。
在当今科技行业的每个角落，企业都在人工智能领域展开竞争。Uber的人工智能无人驾驶汽车成为其专车战略的核心。谷歌的人工智能Google Home智能音箱则希望回答原本通过搜索框提出的问题。亚马逊甚至在自营便利店里配备了人工智能收银员，希望借此撬开6740亿美元的杂货市场。
而在Facebook，人工智能早已无处不在。例如，该公司基于人工智能开发了照片滤镜，可以帮助其应对Snapchat的挑战。该公司还利用人工智能查看图片，判断图片中的内容，甚至决定在你的信息流中展示哪些内容，这些措施都可以提供一流的体验，从而增强用户粘性。他们还利用类似的技术监控骚扰、恐怖和色情内容，并通过添加标签的方式将其删除。
“人们在Facebook整套产品上获得的体验高度依赖人工智能。”Facebook应用机器学习事业部（AML）负责人Joaquin Candela说，“现在看来，没有人工智能，Facebook就无法生存。”
随着人工智能技术的进步，Facebook也将依赖LeCun和他的团队在竞争中保持领先地位，应对可能拥抱这项技术的各路对手。
虽然遭到了长达数年的批评和排挤，但LeCun终成正果：他手下现在拥有80名研究人员，还获得了Facebook的巨额财务支持，他本人的工作也得到了主流社会的认可。他现在的任务就是努力工作，实现目标。
视觉
从年轻时代开始，LeCun就相信计算机能获得视觉。今天，面部识别和图像识别或许已是常规技术。然而，当80年代LeCun在巴黎读大学时，计算机就是瞎子，无法识别图片中的内容，也无法判断摄像头前方出现了什么。LeCun在大学里偶然涉足了探索人工智能领域的一种方法，而这种方法自60年代以来就没能取得太大发展。当时他认为，这种方法“将帮助机器学会掌握多种任务，包括感知”。
这种方法被称作“智能神经网络”，利用了由多个互联传感器构成的系统，将图像等内容分解成为很小的部分，进行模式识别，并根据这些传感器的共同输入判断看到了什么。在阅读了关于神经网络的反对意见（例如训练非常困难，性能不够强大）之后，LeCun决定推动这项研究。在攻读博士学位的过程中，他在一片质疑声中专注于智能神经网络的研究。对于批评的声音，他表示：“我只是不相信他们所说的。”
在人工智能领域，困难时常出现，并且难以解决。这样的时期也得到了一个专属称呼：“人工智能的寒冬”，即研究人员取得的成果无法达到最初设想，令外界感觉科学似乎不可靠，并进而导致对人工智能的兴趣和投资下降，技术进步趋于停滞。
LeCun也看到了“人工智能的寒冬”。在90年代中期加入贝尔实验室从事人工智能研究之后，AT&T的内部矛盾导致了他的团队分裂。当时，他们推出了能读取支票的ATM机，目前这种基于神经网络的技术仍在使用中。LeCun认为，这是这项技术明确的进步。他表示：“在取得真正成功的那一天，整个项目被解散。这令人非常沮丧。”
与此同时，其他人工智能技术获得了主流研究人员的关注。这些方法随后逐渐失去了青睐，但它们的发展足以导致神经网络，以及作为这一领域权威人士的LeCun被边缘化。00年代初，其他学术机构甚至不允许LeCun在它们举办的会议上发表论文。神经网络先驱、谷歌的工程专家、多伦多大学教授Geoff Hinton表示：“计算机视觉圈子拒绝了他。外界的看法是，他在坚持从事80年代时看起来很有前景的工作，但目前他应该放弃这方面的工作。”
他指出：“现在的看法已经不再是这样。”
其他神经网络的研究者也遇到了类似问题。蒙特利尔大学教授、蒙特利尔学习算法研究所负责人Yoshua Bengio发现，他很难找到愿意与自己共事的研究生。“我需要强迫学生从事这方面的研究，因为他们害怕在博士毕业后找不到工作。”
2003年，LeCun为自己的重生打下了基础。这年，他加入了纽约大学，并与Hinton和Bengio结为了非正式的合作联盟，复苏对神经网络的研究。LeCun表示：“我们启动了所谓的‘深度学习阴谋集团’。”
随后，“深度学习阴谋集团”在神经网络的研究中扮演了关键角色。这一联盟坚持最初的信念，即与其为希望识别的每种不同对象开发专门的神经网络，你可以使用共同模板开发单一的神经网络，识别图片、视频和语音。换句话说，你没有必要开发两个神经网络，分别识别企鹅和猫的图片，而是可以使用统一的神经网络同时识别两者，并找出其中的差异。这种新的神经网络也可以胜任其他任务，例如观察声波，探测语音中的模式。
“深度学习阴谋集团”的研究获得了两大外界因素的帮助。一方面，计算机性能大幅提升，这使得神经网络的运行速度足够快，从而可以应用于实际。另一方面，由于互联网的普及，可用数据，包括图片和文字，获得了指数式的增长，这将帮助神经网络变得更智能。最终，神经网络成为了一种快速而准确的方法，给人工智能带来了全新的可能。
由于LeCun及其合作伙伴打下的基础，计算机视觉技术在进入10年代之后得到了快速发展。最初，计算机可以识别图片中的对象，然后是视频，随后又拓展至摄像头拍摄的实时画面。目前，当你用摄像头指向一个篮球时，人工智能可以知道前方是什么。LeCun迅速从人工智能的边缘人物变为了行业的领导者。他表示：“原本没有任何人从事这方面的研究，而在一年时间里所有人都在开展研究。真是疯了。”
2013年12月，LeCun加入了Facebook。对希望将人工智能技术应用于照片的研究者来说，Facebook带来了理想的研究环境。Facebook平台上有数十亿张图片，这给LeCun及其团队提供了丰富资源。Facebook人工智能研究所常常与应用机器学习部门展开合作，将研究成果以适当的方式应用于Facebook平台。双方共同开发了新系统，在Facebook公司范围内带来技术进步。应用机器学习部门会利用Facebook人工智能研究所的成果来识别用户消息流中的内容，以及让Facebook相机应用根据用户表情来制作不同特效。
思想
在帮助机器了解世界是如何运转的过程中，给计算机提供视觉只是第一步。人类能理解世界的运转方式，因为我们不断重复地看到各种场景，进而了解到这些场景的演化过程。例如，当汽车冲着我们开过来时，我们会知道汽车将撞上我们，因此会让开。在天黑之后，我们知道打开灯开关将带来照明，因此会打开开关。
以类似人类的方式，Facebook人工智能研究所尝试教会计算机预测结果。LeCun表示，团队向人工智能展示了许多具有相关性的视频，随后在某个点暂停视频，让机器预测接下来会发生什么。例如，如果你重复向人工智能系统展示一段视频，视频中内容是水瓶在某人头上打翻，那么人工智能将会预测，随后的结果是这个人全身被淋湿。
LeCun表示：“在某种程度上，智能的本质就是预测。如果你可以预测行为将导致什么结果，那么就可以做出计划。你可以计划一系列行为，从而达到特定的目标。”
目前，教会人工智能预测能力是这一领域最复杂的挑战。这主要是由于，在许多情况下，多个可能的结果都是正确的。
LeCun表示，可以想象一支笔垂直悬挂桌面上，随后放开这支笔。如果你询问计算机，1秒钟后这支笔将会位于何处，那么并没有一个准确答案。机器会知道，这支笔将掉落下来，但并无法预测最终落在哪里。你需要告诉系统，这样的问题有多个正确的答案，“最终发生的结果是多个可能的选择之一。这就是在不确定情况下做出预测时存在的问题”。
帮助人工智能理解不确定性是“无监督学习”的一部分。目前，这也是机器学习的最前沿领域。当人工智能观察到足够多的信息，知道世界的运转方式，并且能够预测未来将发生什么时，其思维方式将更类似人类，获得人类的常识。LeCun认为，这将是让机器变得更智能的关键。
LeCun及其团队知道，人工智能完全掌握这种技能还需要很多年时间。不过他们相信，这一目标终究会实现。LeCun下属的研究经理Larry Zitnick表示：“这终将发生，但我会说，这需要超过10年的时间。”
语言
去年12月，扎克伯格对外展示了他的AI管家：Jarvis。这个小扎自己动手搭建的人工智能助手，可以用来烤面包，让他父母可以刷脸进家门，还能教小扎的女儿Max学习中文。
Jarvis很酷。但在LeCun看来，这没什么特别的。“它主要是用脚本写的，比较简单。而且智能程度很低，从某个角度来看”，LeCun评价道。
他的眼光在更高处。
LeCun想要构建的智能助手，需要真正懂得你在说什么。“(这是一种)可以进行谈话的机器”，他补充说“可以提前计划的机器，不会蠢到让你生气的机器”。
建造这种机器没有蓝图，不过FAIR正在为此构建基础部件。其中一个部分，是让AI对世界有初步的了解，对它进行训练，并且让它预测可能发生的情况。FAIR在教AI读写的时候，也使用了神经网络。
对于电脑来说，图像是一组数字，语音也是一组数字，文本同样也是。因此LeCun等人可以使用神经网络架构来识别图像中的物体，语音中的单词，或者文本的主题。
AI仍然无法像理解图像那样理解文字，但LeCun已经看到未来Jarvis最终会变成什么样子。他理想中的智能助手，将具有常识并且能和其他助手进行沟通。例如，如果你想和朋友一起去演唱会，智能助手会基于你喜欢的音乐类型、日程表和可能性给出建议。
“机器需要考虑到现实世界的情况”，LeCun说这是一个挑战。“人类不能同时出现在两个地方，人类也不能在几个小时内穿越美国，想要安排好某人的生活，需要顾及到很多方面的事情，比方旅行的成本等”。
Facebook目前正在试验一个简单版本的智能助手：M。这一项目由Messenger团队运作，基于一些FAIR的研究成果。Facebook Messenger最近推出“M suggestions”，当用户对话时，M如果认为可以有所帮助，就会立刻介入对话之中。
比方说，当有人问“你在哪”的时候，M会在对话中弹出，提供给你一个一键分享位置的按钮。未来Facebook会把这一功能继续进行扩展。
Facebook正努力通过AI来理解各种含义，M只是其中一个应用，这家公司还在考虑把AI用在更多地方。甚至可能会用来一些Facebook备受争议的问题。
2016年的大选让外界开始关注Facebook的两极分化和虚假消息，然而在此之前，LeCun团队成员Y-Lan Boureau就已经开始研究利用AI在Facebook上创建更有建设性的对话。
既研究神经学又研究AI的Boureau，花了一个夏天来观察她的朋友在Facebook上和人互撕，没有一点兴趣听取反对意见。“如果能够理解他们心态背后的驱动力，意见如何形成，为何僵化和抱团等”，Boureau说“就能调解两个无法对话的人，这非常有用”。
Boureau想创造这样一个世界：在人们付诸行动之前，可以看到尽可能多的不同意见。在这个过程中，AI可以帮助从文本中找出模式，理解哪些环节出了问题，并且尽量让讨论回到正轨。
“如果我们更理解学习的过程，以及如何从数据中看到人脑中的信念，也许就能更容易理解如何进行更具建设性的对话”，Boureau说。
2016年美国大选之后，LeCun公开表示Facebook有技术能力使用AI过滤假新闻。有人觉得这个方式，还能用于解决美国两极分化的问题，但LeCun说这个任务最好留给第三方解决，而不是可能带有偏见的机器。
“AI可以扮演某种角色，但这是一个非常困难的产品设计问题，而不是技术问题”，LeCun说“我们不想把大众引向某种意见，我们想保持中立”。
现实
涌起的热潮对AI来说是危险的，LeCun深知这一点。现在我们就身处一次新的热潮之中。2013年第一季度，6个公司在财报电话会议上提到AI。而来自彭博的信息显示，2017年第一季度这个数字增长到244个。
谈到未来时，LeCun的措辞非常谨慎。“AI离我们的目标还非常远，还达不到我们想要的效果”，他说。事实上，正如LeCun警告的那样，人工智能还远远达不到人类水平的智能，或者说所谓的通用人工智能。
然而，有时候LeCun也无法抑制自己的热情。生成对抗网络让他特别兴奋，这一种相对较新的AI研究，有助于解决AI领域预测和不确定的挑战。这种技术让两个AI系统在互相对抗中不断提升，FAIR就曾利用这一技术训练AI画画。
在今年早些时候的一个会议上，LeCun给出了更进一步的展示：让AI根据一段视频，脑补出一段后续的视频，还得骗过另一个AI的法眼。LeCun在谈到对抗训练时说：“这是机器学习领域过去10或者20年来，最棒、最酷的想法”。
所以LeCun会继续在对抗训练中继续玩下去，不断扩展这一领域的边界。对于20年前就听不懂他在搞什么的人来说，LeCun已经走得越来越远。尽管AI还有很长的路要走，成功也无法靠一人之力，但在这个过程中你始终无法忽视LeCun。
“这感觉棒极了”，LeCun说。