近日，在麻省理工學(xué)院生成式 AI 影響力聯(lián)盟（MIT Generative Al Impact Consortium）研討會的開幕演講中，Meta 首席 AI 科學(xué)家、紐約大學(xué)教授 Yann LeCun 再次展現(xiàn)了他一貫的“離經(jīng)叛道”。這位 2018 年圖靈獎得主又重申了他此前認(rèn)為大模型是“死胡同”的觀點(diǎn)，堅(jiān)稱它們“永遠(yuǎn)無法達(dá)到人類水平的智能”，同時，他也毫不客氣地潑了一盆冷水給當(dāng)前的人形機(jī)器人熱潮：“這個行業(yè)的大秘密是，這些公司都不知道如何讓機(jī)器人足夠聰明以至于有用?！?/strong>

（來源：Youtube）

四十年前的“愚蠢”選擇

1987 年，當(dāng) AI 學(xué)界還在追逐專家系統(tǒng)的熱潮時，年輕的 LeCun 在巴黎完成了他關(guān)于“連接主義學(xué)習(xí)模型”的博士論文。那篇論文奠定了神經(jīng)網(wǎng)絡(luò)反向傳播算法的基礎(chǔ)，卻在當(dāng)時顯得格格不入。

圖丨相關(guān)論文（來源：Research Gate）

“也許是出于天真或無知吧，”LeCun 回憶起那段經(jīng)歷時略帶自嘲，“我在本科時就偶然發(fā)現(xiàn)，五六十年代包括 MIT 在內(nèi)的一些研究者，曾經(jīng)思考過自組織這個問題?！彼贿@個想法深深吸引——在自然界中，一切生命都具備適應(yīng)能力，一切擁有神經(jīng)系統(tǒng)的生物都能學(xué)習(xí)。“也許我不夠聰明，或者說人類整體還不夠聰明，無法直接設(shè)計(jì)出一個智能系統(tǒng)。智能系統(tǒng)必須自己建造自己。”

這個信念讓他在一個不受歡迎的領(lǐng)域堅(jiān)持了下來。當(dāng)時的 AI 主流方向是專家系統(tǒng)——將人類專家的知識轉(zhuǎn)錄成規(guī)則和事實(shí)，希望機(jī)器能以此運(yùn)作。“我們今天在大語言模型上遇到的問題其實(shí)類似，”LeCun 指出，“只不過現(xiàn)在這種知識轉(zhuǎn)錄是通過學(xué)習(xí)完成的，但本質(zhì)上仍然是把人類知識搬到機(jī)器里，這依然是個瓶頸。”

找 PhD 導(dǎo)師成了一道難關(guān)。最終他遇到了一位“非常好心的紳士”（也就是 Maurice Milgram），對方說：“你看起來夠聰明，我?guī)筒涣四闶裁醇夹g(shù)上的忙，但我可以簽文件?！本瓦@樣，LeCun 開始了他的研究之路。

蛋糕理論：自監(jiān)督學(xué)習(xí)的預(yù)言

2016 年，在 NeurIPS 大會上，LeCun 提出了那個著名的“蛋糕理論”——如果把人工智能比作一個蛋糕，那么蛋糕的主體應(yīng)該是自監(jiān)督學(xué)習(xí)（Self－Supervised Learning），糖霜是監(jiān)督學(xué)習(xí)（Supervised Learning），而櫻桃則是強(qiáng)化學(xué)習(xí)（Reinforcement Learning）。

“當(dāng)時研究界很多人，特別是 DeepMind，完全投入到強(qiáng)化學(xué)習(xí)中，”LeCun 說，“他們相信通往更強(qiáng)大 AI 系統(tǒng)的路徑是通過強(qiáng)化學(xué)習(xí)。但我從來不相信這個，因?yàn)閺?qiáng)化學(xué)習(xí)在試錯次數(shù)上極其低效。”他主張應(yīng)該盡可能少地使用強(qiáng)化學(xué)習(xí)，“你當(dāng)然別無選擇，最終需要某種自我糾正的方式，但這應(yīng)該是最后的手段?！?/p>

十年前，LeCun 就在鼓吹一個理念：讓機(jī)器學(xué)習(xí)捕捉數(shù)據(jù)的內(nèi)在依賴關(guān)系，而不用針對任何特定任務(wù)進(jìn)行訓(xùn)練，從而讓系統(tǒng)能夠表征世界。“然后在此基礎(chǔ)上，利用這些學(xué)到的表征來訓(xùn)練系統(tǒng)完成特定任務(wù)。整個過程只需要從未標(biāo)注的數(shù)據(jù)中觀察。”

這套想法在 2000 年代中期就開始低調(diào)研發(fā)。他們嘗試將其應(yīng)用于視頻預(yù)測——輸入一段視頻，訓(xùn)練系統(tǒng)預(yù)測接下來會發(fā)生什么。結(jié)果慘淡。但同樣的方法用在自然語言理解上，卻超出了所有人的預(yù)期?！澳靡淮栃蛄?，讓系統(tǒng)預(yù)測下一個符號，這個方法奇跡般地有效?！?/p>

為什么文本可以而視頻不行？答案在于：一個句子后面可能跟隨的詞是有限的，你可以預(yù)測一個覆蓋詞典中所有可能詞匯的分布?！暗?dāng)你要預(yù)測視頻的未來，可能的未來實(shí)在太多了，根本無法表征所有這些可能性?！?/p>

LeCun 舉了個例子：假設(shè)給這個會議室拍段視頻，然后平移鏡頭，在某處停下來讓系統(tǒng)補(bǔ)全剩余畫面?！跋到y(tǒng)不可能知道這里每個人長什么樣，也無法確定房間大小和座位數(shù)量，更別提預(yù)測地面的紋理細(xì)節(jié)。有些東西就是完全不可預(yù)測的。如果你強(qiáng)迫系統(tǒng)去預(yù)測所有這些細(xì)節(jié)，基本上就是在扼殺它?！?/p>

五年前，他們意識到傳統(tǒng)方法永遠(yuǎn)不會奏效，必須發(fā)明新技術(shù)。

三千億美元的豪賭與一個四歲孩子

2022 年底 ChatGPT 的橫空出世改變了整個世界。2023 年初 Meta 推出 Llama，如今 Meta AI 基于 Llama 技術(shù)的月活用戶已超過 10 億，Llama 的下載量也突破 10 億次。

圖丨相關(guān)論文（來源：arXiv）

不過 LeCun 卻撇清了自己和 Llama 的關(guān)系，他聲稱自己在技術(shù)層面并未深度參與項(xiàng)目。“第一代 Llama 其實(shí)是 Meta 內(nèi)部一個有點(diǎn)‘海盜’（Pirate Project）性質(zhì)的項(xiàng)目，”他說，“2022 年中期，巴黎的一小群人，大約十來個，決定要做一個輕量高效的語言模型，就這么干起來了。”這個項(xiàng)目后來在 2023 年初成為 Meta 的工作主力，促使扎克伯格創(chuàng)建了 GenAI 組織（現(xiàn)在叫超級智能實(shí)驗(yàn)室）來將其產(chǎn)品化。

盡管今年行業(yè)巨頭在 AI 基礎(chǔ)設(shè)施上的資本支出將達(dá)到 3,230 億美元，Meta 也是其中之一，LeCun 依然認(rèn)為大語言模型是通往人類級別智能的“死胡同”。

他用一組數(shù)字進(jìn)行了說明。以 Llama 3 為例，訓(xùn)練使用了大約 30 萬億個 token（代表文本的基本單位），也就是 3×10^13。一個 token 通常是 3 個字節(jié)，總共約 10^14 字節(jié)。“我們?nèi)魏我粋€人要讀完這些材料，大概需要 40 萬年或 50 萬年。這基本上是互聯(lián)網(wǎng)上所有公開可得的文本。”

現(xiàn)在對比一下，一個四歲孩子的視覺皮層在生命最初四年接收到多少信息？一個四歲孩子清醒的時間總共約 16,000 小時。通過視神經(jīng)每根纖維，每秒約有 1 字節(jié)的信息流向我們的視覺皮層，而我們有 200 萬根纖維?！耙簿褪敲棵爰s 2 兆字節(jié)，乘以 16,000 小時，大約是 10^14 字節(jié)。一個四歲孩子通過視覺看到的數(shù)據(jù)量，相當(dāng)于最大的語言模型在全部公開文本上訓(xùn)練的數(shù)據(jù)量?！?/p>

這個對比揭示了什么？“首先，我們顯然漏掉了什么重要的東西。AI 系統(tǒng)需要從像視頻這樣的自然高帶寬感官數(shù)據(jù)中學(xué)習(xí)。僅僅在文本上訓(xùn)練，我們永遠(yuǎn)達(dá)不到人類級別的智能。”

LeCun 毫不客氣地說：“盡管硅谷某些加入了“邪教”的人會告訴你，明年我們就能在一個數(shù)據(jù)中心里擁有一個國家天才的智能水平。我很不客氣地說：這根本不會發(fā)生?！?/strong>

“你可能會得到一些有用的工具，能幫助人們的日常生活，甚至感覺像是擁有博士學(xué)位的智能，因?yàn)樗鼈儠雌c訓(xùn)練過的內(nèi)容。但這些系統(tǒng)不會擁有我們期待的真正智能——不僅是人類的智能，甚至連你家貓的智能都達(dá)不到。”

家貓只有 28 億個神經(jīng)元，并不算多。但它們對物理世界的理解令人驚嘆，能進(jìn)行復(fù)雜的動作規(guī)劃，而我們連這個都遠(yuǎn)未達(dá)到?！斑@就是我感興趣的方向：如何彌合這個鴻溝？如何讓系統(tǒng)學(xué)習(xí)物理世界的模型？這需要非生成式的新架構(gòu)。”

JEPA：不重建像素，只預(yù)測表征

當(dāng)業(yè)界都在生成式模型上狂飆突進(jìn)時，LeCun 和他的團(tuán)隊(duì)在過去五年一直在研究另一條路——JEPA（Joint Embedding Predictive Architecture，聯(lián)合嵌入預(yù)測架構(gòu)）。

圖丨JEPA（來源：2024 年 Yann LeCun 在哈佛的演講）

2022 年，他在 OpenReview 上發(fā)表了一篇長文，題為《通向自主機(jī)器智能之路》，為未來十年的 AI 研究勾勒了藍(lán)圖。此后，他與 Meta 和紐約大學(xué)的同事們一直朝著這個方向推進(jìn)?！叭绻阍?Google Scholar 上搜索‘Joint Embedding Predictive Architectures’，加引號，會得到大約 750 條結(jié)果。所以有很多人在研究這個，主要在學(xué)術(shù)界?！?/p>

LeCun 不滿于業(yè)界對學(xué)術(shù)貢獻(xiàn)的輕視：“人們很快就說所有 AI 研究都在工業(yè)界手里了，這是錯的?！?/strong>他強(qiáng)調(diào)，學(xué)術(shù)界往往在研究下一代技術(shù)，而這些技術(shù)在五到十年后會對產(chǎn)業(yè)產(chǎn)生重大影響。

那么 JEPA 和生成式架構(gòu)有什么本質(zhì)區(qū)別？

在生成式架構(gòu)中，基本思路是這樣的：拿一段文本，用某種方式破壞它——比如隨機(jī)刪除一些詞，然后訓(xùn)練神經(jīng)網(wǎng)絡(luò)把缺失的詞補(bǔ)回來。這就是在教機(jī)器理解語言的結(jié)構(gòu)和含義。

GPT 架構(gòu)更巧妙——它不需要顯式地破壞文本，因?yàn)榧軜?gòu)本身是因果性的。在預(yù)測某個詞時，系統(tǒng)只能看到它左邊的詞，所以當(dāng)你訓(xùn)練系統(tǒng)在輸出端重建輸入序列時，隱式地就是在訓(xùn)練它預(yù)測下一個 token。“這很高效，可以并行化處理?！?/p>

這種方法之所以有效，是因?yàn)?token 是離散的，數(shù)量有限，你可以訓(xùn)練系統(tǒng)輸出一個覆蓋所有可能 token 的分布。然后就可以進(jìn)行自回歸預(yù)測——預(yù)測下一個 token，把它挪到輸入端，再預(yù)測第二個 token，如此循環(huán)。

“但我認(rèn)為這在視頻上行不通，”LeCun 說，“因?yàn)榧词鼓闩牧艘欢魏芎玫囊曨l，仍然有很多東西無法預(yù)測——各種細(xì)節(jié)，比如這里每個人的長相，你就是預(yù)測不了?！?/p>

JEPA 的理念是：把視頻編碼到一個表征空間，在這個空間里很多細(xì)節(jié)被消除了。然后之前在輸入空間做的自回歸預(yù)測，現(xiàn)在在這個表征空間進(jìn)行。“訣竅在于，同時訓(xùn)練編碼器和預(yù)測器非常棘手?！痹蚴穷A(yù)測器很容易強(qiáng)迫編碼器什么都不做——忽略輸入，產(chǎn)生一個恒定的輸出表征，這樣預(yù)測問題就變得平凡了，但這不是好的解決方案。

“所以你必須想辦法誘導(dǎo)系統(tǒng)在表征中承載盡可能多的輸入信息，但同時消除那些無法預(yù)測的細(xì)節(jié)?！毕到y(tǒng)需要在這兩者之間找到平衡：既承載足夠的輸入信息，又只保留可預(yù)測的部分?！斑@就是 JEPA 的基本概念?！?/p>

在架構(gòu)層面，它有一個與語言模型不同的編碼器。真正的技巧在于找到好的訓(xùn)練算法或程序，讓系統(tǒng)學(xué)到有趣的表征。

直到最近，還不清楚這種聯(lián)合嵌入方法學(xué)習(xí)自然數(shù)據(jù)（如圖像和視頻）的表征，是否最終會優(yōu)于那些在像素級別進(jìn)行重建訓(xùn)練的技術(shù)。但在 Meta 的 FAIR 實(shí)驗(yàn)室，他們進(jìn)行了一次直接對比。一個大團(tuán)隊(duì)在做 MAE（Masked Auto－Encoder，掩碼自編碼器）項(xiàng)目和它的視頻版本——拿一張圖像或視頻，破壞它，然后訓(xùn)練一個巨大的神經(jīng)網(wǎng)絡(luò)重建完整的圖像或視頻?！敖Y(jié)果不太理想?！?/p>

MIT 的何愷明教授是這個項(xiàng)目的核心人物之一，對結(jié)果有些失望。他后來重新調(diào)整了研究方向，離開 FAIR 加入 MIT 擔(dān)任副教授。與此同時，另一些并行項(xiàng)目嘗試訓(xùn)練非重建的架構(gòu)——非生成式架構(gòu)，結(jié)果表現(xiàn)好得多。“這是明確的實(shí)證證據(jù)，表明對于自然感官數(shù)據(jù)，你就是不該用生成式架構(gòu)。”現(xiàn)在他們還有數(shù)據(jù)顯示，這些系統(tǒng)在圖像任務(wù)上的性能甚至超過了監(jiān)督模型，而在一年前這還做不到。

Dino、V－JEPA 與機(jī)器人的世界模型

目前哪些應(yīng)用開始展現(xiàn)出早期的希望？

LeCun 提到了他巴黎同事們源的一個系統(tǒng) Dino。這是第三版，幾個月前剛發(fā)布?！斑@基本上是一個通用的自監(jiān)督視覺編碼器、圖像編碼器，可以用于各種下游應(yīng)用?！币呀?jīng)有數(shù)百篇論文使用 Dino 的歷代版本，應(yīng)用范圍涵蓋醫(yī)學(xué)圖像分析、生物圖像分析、天文學(xué)，以及日常計(jì)算機(jī)視覺任務(wù)。“我認(rèn)為自監(jiān)督學(xué)習(xí)模型花了很長時間，但最終在圖像和視頻表征領(lǐng)域贏得了這場戰(zhàn)斗?！?/p>

圖丨Dino 架構(gòu)（來源：Meta）

另一個項(xiàng)目叫 V－JEPA（Video JEPA，視頻聯(lián)合嵌入預(yù)測架構(gòu)），由蒙特利爾、巴黎和紐約的研究者共同完成，LeCun 適度參與其中。這個系統(tǒng)從視頻中訓(xùn)練——拿一段視頻，通過掩碼遮擋一大塊，然后訓(xùn)練架構(gòu)。完整視頻和部分被掩蓋的視頻分別通過兩個基本相同的編碼器，同時訓(xùn)練一個預(yù)測器，從部分視頻的表征預(yù)測完整視頻的表征。

“我們用大約一個世紀(jì)的視頻量來訓(xùn)練這個系統(tǒng)。這是個瘋狂的數(shù)量?！彪m然效率不如四歲孩子，但這些系統(tǒng)基本上學(xué)到了一點(diǎn)常識?！叭绻憬o它看一段視頻，其中發(fā)生了一些不可能的事情——比如物體突然消失或改變形狀——預(yù)測誤差會飆升。系統(tǒng)會告訴你：發(fā)生了非常不尋常的事情，我理解不了?！边@是自監(jiān)督學(xué)習(xí)系統(tǒng)獲得一點(diǎn)常識的第一個跡象。

在機(jī)器人領(lǐng)域已經(jīng)看到一些早期成功。訓(xùn)練的第二階段可以微調(diào)一個條件于動作的預(yù)測器。這樣你就得到了一個世界模型（World Model）。

什么是世界模型？“給定 t 時刻世界狀態(tài)的表征，以及智能體想象要采取的一個動作，你能預(yù)測采取這個動作后的世界狀態(tài)嗎？”如果系統(tǒng)擁有這樣的世界模型，就可以用它來規(guī)劃。你可以想象一連串動作，用世界模型預(yù)測這串動作的結(jié)果，然后用一個代價函數(shù)衡量特定任務(wù)的完成程度——比如是否煮好了咖啡。接著用優(yōu)化方法，搜索一串能優(yōu)化、即最小化這個目標(biāo)函數(shù)的動作序列。

“這就是經(jīng)典的規(guī)劃和最優(yōu)控制。區(qū)別在于，我們使用的環(huán)境動力學(xué)模型是通過自監(jiān)督學(xué)習(xí)獲得的，而不是像傳統(tǒng)機(jī)器人學(xué)或最優(yōu)控制那樣，寫成一堆方程式。這就是我們真正追求的?！?/strong>

他們已經(jīng)證明，可以使用從 Dino 等系統(tǒng)派生出來的世界狀態(tài)表征，或者從頭學(xué)習(xí)或在其之上學(xué)習(xí)的表征，讓機(jī)器人零樣本完成任務(wù)——不需要任何針對特定任務(wù)的訓(xùn)練，沒有強(qiáng)化學(xué)習(xí)?！坝?xùn)練完全是自監(jiān)督的，”LeCun 強(qiáng)調(diào)，“最終系統(tǒng)的世界模型足夠好，可以想象如何完成一個從未被訓(xùn)練過的任務(wù)?！?/p>

有個例子中，機(jī)器人在 62 小時內(nèi)自主訓(xùn)練某個任務(wù)——但這 62 小時的訓(xùn)練不是針對特定任務(wù)的，而是基礎(chǔ)的世界模型訓(xùn)練：這是 t 時刻的世界狀態(tài)，這是一個動作，這是采取這個動作后世界的樣子?！澳憧梢杂媚M數(shù)據(jù)，用機(jī)器人模擬器，或者用真實(shí)數(shù)據(jù)，讓機(jī)器人手臂四處移動，記錄實(shí)際采取的動作。”

世界模型的概念，LeCun 早在 2016 年的主題演講中就提到過?！拔艺J(rèn)為它會成為未來 AI 系統(tǒng)的關(guān)鍵組件。我的預(yù)測是——這讓我在硅谷某些角落不太受歡迎，包括在 Meta 內(nèi)部——在三到五年內(nèi)，這會成為 AI 架構(gòu)的主導(dǎo)模式。沒有人會再用我們今天這種類型的語言模型。”

“這會推動未來十年成為機(jī)器人的十年，”主持人說。

“對，但關(guān)于這一點(diǎn)，”LeCun 話鋒一轉(zhuǎn)，“過去幾年創(chuàng)立了大量機(jī)器人公司，你知道的，在造人形機(jī)器人。好吧，這個行業(yè)的大秘密是：沒有一家公司知道如何讓這些機(jī)器人足夠聰明以至于有用——或者我應(yīng)該說，足夠聰明以至于具有通用用途?！?/p>

我們可以訓(xùn)練這些機(jī)器人完成特定任務(wù)，也許在制造業(yè)之類的場景?！暗愕募矣脵C(jī)器人？還需要一些 AI 領(lǐng)域的關(guān)鍵突破才能實(shí)現(xiàn)。所以很多這些公司的未來，本質(zhì)上取決于我們能否在世界模型、規(guī)劃這類架構(gòu)上取得重大進(jìn)展?！?/p>

目標(biāo)驅(qū)動的 AI 與護(hù)欄設(shè)計(jì)

與許多 AI 領(lǐng)域的悲觀論者不同，LeCun 對 AI 安全持相對樂觀的態(tài)度。他提倡的架構(gòu)是“目標(biāo)驅(qū)動的”：系統(tǒng)擁有世界的心智模型，規(guī)劃一系列動作來滿足目標(biāo)、完成任務(wù)?！皬臉?gòu)造上講，這樣的系統(tǒng)除了產(chǎn)生優(yōu)化該目標(biāo)的動作序列之外，什么都做不了，”他說。

關(guān)鍵在于，可以在目標(biāo)函數(shù)中硬編碼護(hù)欄。LeCun 用家用機(jī)器人舉例："比如你有一個新的家用助手機(jī)器人，你說'給我拿咖啡'。它走到咖啡機(jī)前，有人站在前面。你不希望機(jī)器人為了拿咖啡就把那個人砍倒吧？"

這個例子曾被 AI 安全研究者 Stuart Russell 用來說明如何可能制造出危險的機(jī)器。“我一直駁斥這個論點(diǎn)，Russell 總是認(rèn)為我很愚蠢，在一些采訪中公開叫我愚蠢，”LeCun 略帶自嘲地說，“很多人習(xí)慣于攻擊我，我已經(jīng)習(xí)慣了”。

圖丨 Stuart Russell（來源：Wikipedia）

但他的邏輯是：如果在目標(biāo)函數(shù)中硬編碼護(hù)欄，系統(tǒng)在構(gòu)造上就無法逃脫這些護(hù)欄。"這些護(hù)欄可以是非常底層的。比如你有一個會做飯的家用機(jī)器人，你可以有一個非常底層的護(hù)欄說：如果周圍有人且你手里拿著刀，不要揮動你的手臂，諸如此類的事情。"

LeCun 將這個問題類比于人類社會的法律系統(tǒng)：“我們習(xí)慣于對人類這樣做。法律基本上是改變你可以采取的行動景觀的目標(biāo)函數(shù)，每個行動的成本。我們制定法律來使人類行為與公共利益保持一致。我們甚至對叫做公司的超人實(shí)體這樣做，盡管成功有限?！彼麖?qiáng)調(diào)，人類已經(jīng)處理這類問題數(shù)千年了。

“設(shè)計(jì)這些護(hù)欄不是一個簡單的任務(wù)，但這不是一個比設(shè)計(jì)能安全地將你運(yùn)送到世界另一端的噴氣式飛機(jī)更復(fù)雜和更具挑戰(zhàn)性的問題?！?/p>

給年輕學(xué)生的建議：學(xué)量子力學(xué)，別學(xué) App 編程

在訪談接近尾聲時，主持人問了一個經(jīng)典問題：如果 LeCun 現(xiàn)在是 MIT 的博士生，他會研究什么？

“這個問題我經(jīng)常被問到，”LeCun 說，“我認(rèn)為，在過去 40 到 50 年里，探索人類智能的奧秘一直是最吸引人的問題。MIT 非常注重工程，而我自己也是工程師，我認(rèn)為理解某個東西的最好方式就是建造它。”他引用了物理學(xué)家費(fèi)曼的話——雖然費(fèi)曼說的不是建造物理實(shí)物，而是指自己推導(dǎo)想法、理解概念。

在 LeCun 看來，對于有抱負(fù)的年輕科學(xué)家或工程師來說，有三個大問題值得研究：“宇宙是由什么構(gòu)成的？生命是怎么回事？大腦如何工作？”而第三個問題的工程方面就是：如何建造智能機(jī)器？智能的本質(zhì)組成部分是什么？

“如果你是本科生，人們會問這樣的問題：AI 將會出現(xiàn)，會在底層做各種事情，我們可能不需要再學(xué)某些東西了?！盠eCun 認(rèn)為，有些東西的確不需要再學(xué)了，那些“保質(zhì)期很短”的技能。

“我開玩笑說，如果你在學(xué)計(jì)算機(jī)科學(xué)或某種工程，你可以選擇一門教授當(dāng)前流行技術(shù)的課程——比如移動應(yīng)用編程或 LLM 提示工程之類的——在移動編程和量子力學(xué)之間，選量子力學(xué)，即使你是計(jì)算機(jī)科學(xué)家?！?/p>

他的理由是：量子力學(xué)會讓你學(xué)到路徑積分等通用方法和概念，這些抽象概念適用于各種各樣的情況。“比如，如何最好地解碼語音識別系統(tǒng)中最可能的詞序列？實(shí)際上就是路徑積分。它是離散的，但基本上是相同的概念。”

LeCun 鼓勵學(xué)生選擇那些具有挑戰(zhàn)性的課程，學(xué)習(xí)能將你置于正確道路上的理論概念，而讓未來的 AI 助手處理底層細(xì)節(jié)?！跋胂笠幌履闶且粋€博士導(dǎo)師，有一群博士生。大秘密是學(xué)生教導(dǎo)導(dǎo)師，而不是相反?！彼A(yù)言學(xué)生未來會有一支虛擬員工隊(duì)伍——AI 助手為你工作，你可以將自己的抽象層次提升幾個級別。

“過去你可以通過測序 DNA 獲得博士學(xué)位，現(xiàn)在不再需要了，我們有機(jī)器來做這個。曾經(jīng)你可以作為數(shù)學(xué)家計(jì)算對數(shù)表和三角函數(shù)表來謀生，不再需要了，我們有計(jì)算器和計(jì)算機(jī)。這只是技術(shù)進(jìn)步的自然延續(xù)，人類在層級階梯上向上移動，把底層的東西留給機(jī)器。”

參考資料：

https://www.youtube.com/watch?v=kN38CNAQRuc

運(yùn)營/排版：何晨龍