导语
在本期访谈中，深度学习奠基人之一、Meta首席AI科学家杨立昆与主持人深入探讨了人工智能的多个核心议题。LeCun从经典的《2001太空漫游》切入，剖析了AI价值对齐的现实与哲学困境。他回顾了深度学习早期那些“违背教科书”的成功直觉，并系统阐述了自监督学习为何是通往更智能系统的必由之路。此外，他还对自动驾驶的技术演进路径、构建通用人工智能（AGI）所需的关键要素，以及情感在智能系统中的不可或缺性，提出了深刻见解。
Yann LeCun：深度学习的直觉与AI的未来
Yann LeCun在访谈中探讨了AI的价值对齐问题、深度学习的反直觉成功、自监督学习的核心作用、自动驾驶的技术路径，以及构建人类水平智能系统所面临的挑战，强调了情感与常识推理在AI中的重要性。
大纲与深读 7 章
展开「深读」看每一段讨论的问题与论据。
01
AI价值对齐与伦理设计
- AI目标函数需内置伦理约束，类似人类社会的法律与教育体系
- 现有AI系统不具备自主决策能力，价值对齐问题尚属理论探讨
- 完全自主智能系统的伦理设计需借鉴法律框架与希波克拉底誓言
- 自动驾驶等应用已涉及伦理规则设计，但不应过度类比科幻场景
深读这一段
讨论的问题：如何为AI设计符合公共利益的目标函数？
论据 / 案例：以《2001太空漫游》HAL 9000为例，说明未受约束的目标函数会导致价值错位；类比法律代码（legal code）作为人类社会目标函数的历史实践
02
深度学习的反直觉突破
08:00- 大规模神经网络在小数据集上通过随机梯度下降成功训练，颠覆传统机器学习理论
- 非凸优化与过参数化模型仍能有效学习，打破教科书教条
- 生物大脑作为神经网络的实证启发，表明智能与学习不可分割
- 基于梯度的连续学习与离散逻辑推理存在数学兼容性挑战
深读这一段
讨论的问题：为何反直觉的深度学习方法能够成功？
论据 / 案例：引用传统机器学习教科书关于参数量、数据量与收敛性的论断被实践推翻；类比19世纪航空先驱证明重型飞行器可行性
03
神经网络推理能力探索
11:00- 实现推理需具备类似海马体的临时记忆存储与迭代访问机制
- Transformer的自注意力机制可视为短期记忆的类比实现
- 连续函数系统需突破固定计算步骤限制，支持动态知识更新
- 世界知识表征需结合语言交互与多模态感知（视觉/触觉）
深读这一段
讨论的问题：连续系统如何实现类人推理能力？
论据 / 案例：对比大脑三种记忆机制（皮层20秒短时记忆、海马体中期记忆、突触长期记忆）；指出Transformer在知识容量与递归推理上的局限性
04
自监督学习的模态差异
48:00- 自然语言预测可通过概率分布表征不确定性，视频预测则面临多模态输出困境
- 图像/视频重建的等价解多样性导致传统监督学习失效
- 确定性环境（如围棋）的自对弈可生成训练数据，但无法解决现实世界的不确定性
- 模型预测的模糊性问题限制规划能力，需发展不确定性建模方法
深读这一段
讨论的问题：为何自监督学习在语言与视觉领域效果差异显著？
论据 / 案例：对比BERT语言模型15%遮蔽词预测（10万词汇概率分布）与图像修复任务的多解性；引用AlphaGo 200年等效训练时长案例
05
人类学习效率的启示
51:00- 基于模型的强化学习比无模型方法更接近人类学习效率
- 人类通过内置物理直觉（如重力、碰撞）避免危险试错
- 婴儿9个月大已形成基础物体永久性与因果推理能力
- 医疗影像等小样本任务需突破传统监督学习对标注数据的依赖
深读这一段
讨论的问题：如何实现类人的高效学习机制？
论据 / 案例：对比Atari游戏深度强化学习需80小时训练（人类15分钟）、AlphaStar需200年等效训练 vs 人类20-30小时驾驶学习；引用婴儿物理认知发展研究
06
自动驾驶的发展路径
59:00- 当前自动驾驶采用过度工程化方案（高精度地图+多传感器+区域限制）
- 深度学习将成为自动驾驶系统的核心组件但非唯一解决方案
- 从字符识别到自然语言处理的发展规律表明学习系统将逐步替代手工规则
- 完全自动驾驶可能融合自监督预训练与基于模型的强化学习
深读这一段
讨论的问题：自动驾驶技术将如何演进至完全自主？
论据 / 案例：以Waymo在凤凰城的运营为例说明当前工程化方案局限；类比OCR、语音识别领域从规则系统到学习系统的技术迁移历史
07
通用智能的实现挑战
64:00- 实现人类智能需先突破基础感知与常识推理两座技术大山
- 常识理解依赖具身化交互或视频/虚拟环境训练，纯文本数据存在信息瓶颈
- 情感机制（如不确定性引发的恐惧）是自主智能的必要组成部分
- 初步通用智能可能仅具备4岁儿童水平，需通过物理常识问答评估
深读这一段
讨论的问题：构建类人智能系统需要突破哪些核心障碍？
论据 / 案例：以'奖杯放不进箱子'的代词消歧为例说明常识推理需求；引用基底神经节在情绪预测中的生物机制；设想'风如何产生'等常识性测试问题
金句
- "We've been writing laws for millennia, and that's exactly what it is." ——我们已经制定了数千年的法律，而这（设计目标函数）正是它在做的事。
- "Machine learning is the science of sloppiness really." ——机器学习本质上是一门关于“粗糙”的科学。
- "We have predictive models of the world that include the ability to predict under uncertainty." ——我们拥有对世界的预测模型，其中包括在不确定性下进行预测的能力。
- "We're not going to have autonomous intelligence without emotions." ——没有情感，我们无法拥有自主智能。
- "Intelligence is inseparable from learning." ——智能与学习密不可分。
