Yann LeCun反复提到一个著名的“蛋糕”许多演讲中的比喻：如果人工智能是小菜一碟，那么强化学习（Reinforcement Learning）就是小菜一碟，而监督学习（Supervised Learning）不在外面。锦上添花，无监督的学习（Unsupervised Learning）是蛋糕的胚芽。目前，我们只知道如何制作糖霜和樱桃，但不知道如何制作蛋糕胚。在12月初于巴塞罗那举行的NIPS 2016上，LeCun开始使用新术语“预测学习”。 （PredicTIve Learning）来代替蛋糕胚的“无监督学习”。 LeCun在演讲中说：我们缺少的一个关键因素是预测（或无监督）学习，这是指：机器对真实环境进行建模，预测可能的未来，并通过观察和演示了解世界的运转方式。能力。这是一个有趣且微妙的变化，这意味着LeCun对“蛋糕”的看法发生了变化。他的观点是，在加快AI开发流程之前，需要完成许多基础工作。换句话说，通过增加更多的能力（例如记忆，知识库和代理）来建立当前的监督学习，这意味着在我们可以建立“预测基础级别”之前，有很多漫长而艰辛的旅程需要去。 LeCun在其最新的NIPS 2016演讲中发布了这样的PPT，列出了AI发展的障碍：机器需要学习/理解世界如何运转（包括物理世界，数字世界，人等），以获取一定的价值。机器需要学习很多背景知识（通过观察和行动）机器需要观察世界状况（做出准确的预测和计划）机器需要更新并记住世界状况的估计（重点在重大事件上，记住相关事件）机器需要推理和计划（预测哪些行为最终会导致理想的世界状态）的预测学习，这显然不仅需要在没有监督的情况下学习，而且还需要学习预测世界模型。 LeCun试图改变我们固有的AI分类的原因可能是为了表明AI仍然离实现其最终目标还有很多困难的方法。在苹果公司的指导下，进行了无监督学习的演讲。在他演示的PPT的右下角，他提到了“ Generated Adversarial Networks”（生成的对抗网络）。 （GAN）。 GAN由竞争性神经网络组成：生成器和鉴别器。前者试图产生伪造的图像，而后者则识别出真实的图像。 GANs系统的有趣特征是不需要封闭的形状损失函数。实际上，某些系统可以找到自己的损失函数，这非常令人惊讶。但是GAN网络的一个缺点是难以训练。其中，有必要为不合作的两方博弈找到纳什均衡。在最近关于无监督学习的演讲中，Lecun说对抗网络是“ 20年来机器学习领域中最酷的想法”。由埃隆·马斯克（Elon Musk）资助的非营利研究组织OpenAI特别喜欢生成模型。他们的动机可以概括为理查德·费曼（Richard Feynman）的一句名言：“不是我创造的，我听不懂”。 （我无法创建的内容，我无法理解）。费曼这里实际上指的是“基本原理”。 （第一原则）思维方法：通过构造经过验证的概念来理解事物。在AI领域中，这可能意味着：如果一台机器可以生成高度逼真的模型（这是一个巨大的飞跃），那么它已经对预测模型有了了解。这恰好是GAN采取的方法。这些图片由GANs系统根据给定的词汇生成。例如，给定单词“ redshank”，“ ant”，“ monastery”。和“火山”，生成以下图像。这些生成的图像令人惊叹，而且我认为许多人都无法画出如此出色的图像。当然，这个系统并不完美。例如，以下图像被弄乱了。但是，我看到许多人在玩“图画猜字游戏”时画得比这些差很多。游戏。当前的共识是，这些生成模型不能准确地捕捉到“语义”。给定任务的含义：他们实际上无法理解单词“蚂蚁”，“红脚”和“火山”。含义，但是它可以很好地模仿和预测。这些图片不是在原始训练图片库的基础上对机器进行的重新创建，而是非常接近从通用模型推断出的真实结果。这种使用对抗网络的方法不同于经典的机器学习方法。我们有