Facebook AI 研究院院长 Yann LeCun 清华演讲实录（附独家演讲视频）

正文

请到「今天看啥」查看全文

而卷积神经网络在图像处理的原理上和人类大脑处理相应的问题有异曲同工之妙。

此外，他还给大家展示了一段录制于 1993 年的珍贵视频——年轻的 LeCun 在一台 486 PC 上编写的光学字符识别系统。

同时，LeCun 给大家展示了他在 1995 年所见证的两位机器学习前辈 Jackel 和 Vapnik（当时他们都在贝尔实验室，Jackel 是 Vapnik 的上司）的两个有趣赌局：第一个赌局中，Jackel 声称在 2000 年 3 月 14 日之前，我们就会有一个关于大的神经网络为什么有效的理论解释，当然随后的历史证明他输了；第二个赌局中，Vapnik 声称最迟到 2005 年 3 月 14 日之后，没有人将会继续使用 1995 年的这些神经网络结构，结果 Vapnik 也输了。

他同时表示：「深度学习的要点在于，不仅仅是去分类（classify），而是要代表（represent）这个世界，包括了我们的感知世界和个体世界。」

深度卷积神经网络（Deep ConvNet）

之后，他又介绍了更进一步的深度卷积神经网络（Deep ConvNet），在面部识别、无人驾驶等领域都发挥了很大的作用。

AI 领域进步的最大障碍——怎样使机器获得「常识」？

随后，LeCun 开始讨论 AI 的进步最大障碍：怎样让机器有常识。他列举了以下几点：

• 机器需要学习/理解世界运行的方式

• 机器需要学习非常大量的背景知识

• 机器需要理解世界的状态

• 机器学习更新和记忆对世界状态的估计

• 机器需要推理和规划

所以，在他看来，智能&常识=感知+预测模型+记忆+推理和规划。

请到「今天看啥」查看全文