Yann LeCun是人工智能领域最有发言权的人之一，所以当他说，“即使是这一领域最先进的技术也没有让我们更接近超级智能机器”，你就需要注意了。
Yann LeCun已经在人工智能领域工作了几十年，并且是卷积神经网络的联合创始人之一。这一程序被证明特别擅长分析视觉数据，并且能够支持从自动驾驶汽车到面部识别等各种功能。现在，作为Facebook人工智能研究中心（“FAIR”）的负责人，他推动了人工智能从实验室走向现实世界。他的团队所设计的软件会自动为盲人用户提供图片说明，并且能够在一天内完成45亿份人工智能翻译。
“我们对产品的影响超过了马克?扎克伯格的预期，”扬·勒丘恩最近通过Skype接受美国科技媒体采访时表示。但是，正如他在采访中解释的那样，他很清楚，人工智能还有很长很长的路要走，才能接近婴儿的智力，甚至是动物的智力。哦，如果你不介意的话，顺便提一句，他表示，如果我们在人工智能文章中停止使用“终结者”影片中的照片，他会因此非常高兴。
为了信息的清晰明了，下面的采访内容经过了简单的编辑：
关于Facebook人工智能发展的最新报道之一是关于你所称的“人工智能机器人”的研究工作。这些人工智能机器人在发明了自己的语言后被“停止”。有很多报道严重歪曲了研究结果，但你和你的同事对这类报道应该作何回应？
事实上，第一次看到这些报道的时候，我们就只是一笑而过。之后这就取决于这些报道造成的影响。这里要特别提的是，曾经有一篇报道，一经报出就引起轩然大波，然后这非常令人苦恼，就像被扯头发一样。“在报道里，他们完全错了！”这对我们来说很有启发意义，因为它让我们了解了媒体是如何运作的，我们也因此作了一些回应。我在脸书上发布了一个简短的帖子，说这篇报道很荒谬，试图先以一种幽默的方式回应，直到我们不得不以严肃的态度回应。我们一方面与一群想要了解真实情况的记者交流，另一方面写一些文章强调某些报道完全是错误的。
在过去的几年中，你认为我们看到的这类报道是多还是少？
事实上是少的，从某种意义上说媒体和公众似乎对这些报道只是稍微了解一点点。过去的情况是，你在媒体上看到的关于人工智能的文章，其中的配图无不是关于《终结者》的。现在你看得更少了，这是一件好事。尽管你偶尔还是会看到某些媒体会以一种对所发生的事情完全误解的方式提出问题。
当你看到这样的报道时，你希望人们能从中获得的信息是什么？你对他们说些什么？
每当我与公众交谈时，我都会不断重复这一说法：我们距离创造出真正的智能机器还很远。你现在所看到的一切，所有这些人工智能的壮举，比如自动驾驶汽车，解读医学图像，打败世界冠军等等都是非常狭隘的智力，它们真的只是为了特定目的而被训练的。因为在这些情况下，我们可以收集到大量的数据。
举个例子，虽然我并不想轻描淡写DeepMind的朋友们对AlphaGo（阿尔法狗）的工程和研究工作所作出努力，但是当人们把AlphaGo的发展解读为对一般智力的重大进程时，这其实是错误的。这两者不存在直接的关联。并不是因为有一台机器可以在围棋领域打败人们，就会有很多智能机器人在街道上跑来跑去。在某一领域打败人类甚至没有帮助解决智力突破问题，它其实是完全独立的。其他人可能不这么认为，但这是我个人的观点。
我们离拥有能够以人类和动物的方式学习世界上最基本的东西的机器还有很远。事实上，在某些领域，机器的确具有超人的性能，但就一般智力而言，我们得研究成果甚至都不接近老鼠。这就使得人们过早问自己的很多不必要的问题。这并不是说我们不应该去想它们，但是在短期甚至中期内他们并不会给我们造成威胁。在人工智能领域的确存在一些危险，真正的风险，但它们并不是《终结者》中所展现的那样。
DeepMind在AlphaGo的研究过程中所强调的的一件事是，它所创造的算法将对科学研究、蛋白质折叠和药物研究等领域有用。你认为把这种研究应用到世界其他领域会有多容易？
什么是强化学习？
强化学习是一种机器学习。在这种机器学习中，计算机通过反复试验总结错误，不断学习。一个软件代理通常被放置在一个模拟环境中，并且只被提供很少的指令。然后它会学习如何通过尝试、失败和再次尝试来完成一个目标。例如，谷歌的DeepMind利用“强化学习”技术创建了一个可以玩Atari游戏的人工智能。
因此，AlphaGo正是使用了强化学习这一技术。强化学习也适用于游戏；它适用于你有少量离散行为的情况。它能起作用是因为它凭借很多很多的试验来运行任何复杂的东西。AlphaGo的最新版本AlphaGo Zero在几天或几周的时间里玩了数百万场游戏，这可能比人类在几千年前发明围棋以来的所有大师级水平棋手玩得还要多。这是有可能的，因为围棋是一个非常简单的环境，你可以在多台电脑上以每秒数千帧的速度模拟它。但这在现实世界是行不通的，因为你不可能比实时的时间更快地运行真实世界。要摆脱这种状况，唯一的办法是让机器能够通过学习，建立自己的世界内部模型，这样它们就能以比实时更快的速度模拟世界。我们不具备的关键技术是如何让机器来建造世界模型。
我举的例子是，当一个人学习驾驶时，他们有一个世界模型，让他们意识到，如果他们离开了公路，或者撞上了一棵树，就会有不好的事情发生，这显然不是一个好主意。我们有一个足够好的整个系统的模型，在这个模型里，当我们开始开车的时候，我们知道我们需要把车停在街道上，而不是跑到悬崖上，或者撞到树上。但如果你使用纯强化学习技术，并训练一个系统用模拟器驱动汽车，它将不得不撞到一棵树上4万次才会发现这是个坏主意。因此，宣称“强化学习”将是智力的关键，这是错误的。
那么，你是否认为人工智能还缺少一些基本的工具才能突破目前的局限？
人工智能先驱Geoffrey Hinton最近谈到了这一点，他说这个领域过于依赖于“扔掉一切然后重新开始”这一需要。我认为他的说法有些过度解读，但我完全同意我们需要更多的基础人工智能研究。举个例子，Hinton喜欢的一个模型是他在1985年提出的一个叫做“玻尔兹曼”（Boltzmann）的机器。对他来说，这是一个很漂亮的算法，但在实践中，它并不是很好。我们想要找到的是一种在本质上具备玻尔兹曼机器的美和简单，但同时也有反向传播的效率（这个计算被用来优化人工智能系统）。这就是我们许多人，包括Yoshua Bengio、Geoff和我在21世纪初重新开始深度学习以来一直在做的事情。让我们感到有点意外的是，最终在实践中，工作的结果是支持非常深入的网络。
因此，鉴于人工智能领域的巨大变化发生在更大的层面上，你认为在短期内对消费者最有用的是什么？Facebook在这方面的规划是什么？
我认为虚拟助手将会是今后发展之重。目前的助手都是完全按照脚本编写运行的，他们可以告诉你一些可能的事情。因此，这使得机器人的创建非常乏味、昂贵和脆弱，尽管它们仍然在某些情况下发挥作用，比如客户关怀。下一步将是研发一些拥有一定学习能力的系统，这是我们在Facebook上正在做的事情之一。如果你有一台机器，它会读取一个长文本，然后回答与之相关的任何问题，这将是一个有用的功能。
除此之外，当机器具有与人相同的背景知识时，这是常识。但是，除非我们能找到某种方法让机器通过观察来了解这个世界是如何运转的，否则我们是不会得到它的。你知道，只是看视频或者看书。这是未来几年关键的科学技术挑战。我把它叫做预测学习，有些人称之为无监督学习。
在接下来的几年中，随着虚拟助手变得越来越有用，与之交谈变得不那么令人沮丧，这些任务将会不断取得进展。他们将拥有更多的背景知识，并能够不完全依照设计师所编写的脚本为人们做更多的事情，这也是Facebook非常感兴趣的事情。
