弥合自然智能和人工智能之间差距的下一步是什么?科学家和研究人员在答案上存在分歧。Meta 首席人工智能科学家、2018 年图灵奖获得者 Yann LeCun 正在押注自我监督学习，即无需人工标记示例即可进行训练的机器学习模型。

多年来，LeCun 一直在思考和谈论自我监督和无监督学习。但随着他的研究以及人工智能和神经科学领域的进步，他的愿景已经集中在几个有前途的概念和趋势上。

在 Meta AI 最近举办的一次活动中，LeCun 讨论了通向人类级别 AI 的可能途径、仍然存在的挑战以及 AI 进步的影响。

世界模型是高效学习的核心

深度学习的已知限制之一是需要大量训练数据并且在处理新情况时缺乏鲁棒性。后者被称为“分布外泛化”或对“边缘情况”的敏感性。

这些是人类和动物在生命早期就学会解决的问题。你不需要开车掉下悬崖就知道你的车会掉下来撞车。你知道，当一个物体遮挡另一个物体时，后者即使看不到也仍然存在。你知道，如果你用球杆击球，你会将球击向挥杆的方向。

我们在没有明确指示的情况下学习大部分这些东西，纯粹是通过观察和在世界上行动。我们在生命的最初几个月开发了一个“世界模型”，并了解重力、尺寸、物理特性、因果关系等。这个模型帮助我们培养常识，并对我们周围的世界将会发生什么做出可靠的预测。然后，我们使用这些基本构建块来积累更复杂的知识。

当前的人工智能系统缺少这种常识性知识，这就是为什么它们需要大量数据，需要标记示例，并且对分布外的数据非常严格和敏感。