编辑：David Joey 如願
【新智元导读】LeCun新发60页长文，不讲AGI，讲的是「自主机器智能」，推特还不忘喊话老冤家Gary Marcus过来对线。
最近，自从谷歌研究员提出大型语言模型LaMDA「意识觉醒」，并被谷歌雪藏之后，关于「自主AI」的话题，业界的讨论一直没听。如果AI真的有了自主意识，关于是否能实现AGI、如何通向AGI的争论，差不多就能尘埃落定了。在这场讨论中，自然少不了AI界「相爱相杀」多年的一对老冤家：图灵奖得主之一Yann LeCun和AI界「怼王」Gary Marcus。Gary Marcus本人一直对深度学习持质疑态度，他声称，深度学习无法进一步取得进展，因为神经网络在处理符号操作方面存在困难。而以LeCun为代表的主流AI学界，则认为深度学习已经在进行符号推理，并将持续改进。二人就这个问题「隔空开炮」由来已久，最近，Marcus刚写了一篇关于「深度学习撞墙」的文章，LeCun就发文反驳，意思是「别拿暂时的挫折当撞墙，没那么多墙可撞」。或许是觉得前不久那篇文章没讲透、没讲过瘾，LeCun昨天又发了一篇60多页的长文，题为「通向自主机器智能之路」，系统讲述了关于「机器如何能像动物和人类一样学习」的问题。LeCun表示，此文不仅是自己关于未来5-10年内关于AI发展大方向的思考，也是自己未来几年打算研究的内容，并希望能够启发AI界的更多人来一起研究。同时，LeCun也没忘了提醒老朋友Gary Marcus，这篇是发在OpenReview上的，敞开评论，你要战赶紧来战。
LeCun认为，今天的人工智能研究必须解决三个主要挑战：- 机器如何通过观察来学习表达世界、学习预测和学习采取行动？
- 机器如何以基于梯度的学习兼容的方式进行推理和计划？
- 机器如何学习以分层方式、多抽象层次和多时间尺度来表示感知和行动计划？
论文地址：https://openreview.net/forum?id=BZ5a1r-kVsf此文主要是解决「机器怎样才能学会推理和计划」的问题，为此，文章提出了一个架构和训练范式，用来构建能够自主的智能体。
文中结合了一些概念，如可配置的预测世界模型，通过内在动机驱动的行为，以及用自监督学习训练的分层联合嵌入架构。LeCun表示，这篇文章的主要观点，就是他一个多月前在Facebook博客上已经陈述过的一些观点。他认为，不存在「AGI」这种东西。不如现实一点 ，追求达到 「人类水平的AI」（HLAI）。目前我们正在朝着HLAI取得一些进展，扩大模型的规模有点用，但还不够，因为目前我们仍然缺少一些基本概念。其中一些新概念可能 「就在眼前」（如广义自监督学习）。但我们不知道需要多少这样的新概念。现在我们只是看到其中最显而易见的那部分概念。因此，无法预测要花多长时间才能达到人类水平的AI。1、提出了一个整体认知架构，其中所有模块都是可区分的，其中许多模块是可训练的。自主智能（autonomous intelligence）的系统架构2、提出了一种用于学习表示层次结构的预测世界模型的非生成架构 JEPA 和分层 JEPA：联合嵌入预测架构 (JEPA) 由两个编码分支组成3. 一种非对比的自我监督学习范式，它产生的表征同时具有信息性和可预测性JEPA 的主要优点在于可以使用非对比方法进行训练4. 一种使用 H-JEPA 作为预测世界模型基础的方法，用于不确定性下的分层规划。LeCun表示，虽然AGI搞不成，但上面这些工具和方法可能会让我们离「人类水平的自主智能」更近一些。另外他还说，这些架构、思路和方法有些不是他首先提出来的，他只是将其整合成了一套互相相关的架构，免不了有参考文献忘记列出，欢迎指正。LeCun 表示，本文提出的架构不是专门设计来模拟人类和其他动物的自主智能、推理和学习，但确实有一些相似之处。该架构中的许多模块，在哺乳动物中都有对应的模块：比如具有相似功能的大脑、感知模块对应于视觉、听觉和其他感觉区域以及一些相关区域。本文中的架构构建了单一的世界模型引擎。LeCun认为，这不仅可以通过硬件重用提供计算优势，还可以让知识在多个任务之间共享。一直以来，存在一个假设，即「人类大脑中存在一个单一的、可配置的世界模型引擎」。这可能解释了为什么人类本质上可以一次执行单一的「有意识的」推理和规划任务。动物和人类情感的基础是瞬时情绪(如痛苦、快乐、饥饿等)，这可能是大脑结构的作用效果，其意义是类似于所提的架构中的「内在成本」模块。其他情绪，如恐惧或高兴，可能是大脑结构预期结果的结果。本文提出的这类自主智能体将会拥有类似于情感的东西。就像动物和人类一样，机器的情感是内在成本的产物。人们普遍认为，目前的AI系统都不具备任何程度的常识，甚至连家猫的常识都没有。而动物似乎能够获得足够的关于世界如何运作的背景知识，从而表现出一定程度的常识。LeCun推测，常识可能会从学习世界模型中产生，它会捕捉到世界上观察的自我一致性和相互依赖性，允许代理填补缺失的信息，并发现违反其世界模型的行为。近年来，大型语言模型，尤其是Transformer架构，在文本生成和智能对话方面取得了惊人的成功。这在AI社区引发了一场辩论——是否可以通过扩大这些架构的规模，来实现人类级别的AI。LeCun认为，并不行，主要有两个原因：首先，当前的模型操作的是「标记化」数据，并且是生成的。这些数据受到生成模型、潜在变量自由模型和对比方法的限制。生成模型难以表示连续空间中复杂的不确定性。其次，目前的模型只能进行非常有限的推理。在这样的模型中动态地指定目标基本上是不可能的。在大多数强化学习设置中，奖励是由环境提供给智能体的。换句话说，训练的内在成本是环境本身，是一个未知函数。一个纯粹的强化学习系统，甚至需要大量的试验来学习相对简单的任务。而如果要通过预测世界状态来训练模型，奖励显然是不够的，因为系统中的大多数参数被训练来预测世界上的大量观测。参考资料：
https://openreview.net/forum?id=BZ5a1r-kVsf
https://www.facebook.com/yann.lecun/posts/10158256523332143
