Meta首席人工智慧（AI）科學家Yann LeCun認為，機器人在未來有機會達到接近人類智慧的能力，但也暗指目前多數的人工智慧項目，仍無法達到實現人類智慧的水準。同時，LeCun希望目前人工智慧研究找都進一步思考，如何建立有效的訓練數據，來推動人工智慧的研究。
LeCun日前接受《ZDNet》訪談時表示，對於目前許多深度學習的研究路近持懷疑態度，包括大型語言模型也是，而目前的人工智慧尚無法創造人類大腦般的思考模式，僅是朝向研究者給予的目標來完成。他進一步強調，在將一切都標記化並訓練巨大模型後所做的離散預測，才能實現真正的人工智慧。
曾獲得圖靈獎的LeCun認為，目前多數目標導向的人工智慧項目並沒有錯，但就算強化學習也仍然有其缺陷和侷限性，而這些研究可能是未來人工智慧系統的一個組成部分，但缺乏必要的條件。LeCun的發言是對使用卷積神經網路的學者的驚人批評，因為目前卷積神經網路是深度學習程式中非常有效且實用運算模型。
例如DeepMind研究員David Silver透過人工智慧掌握國際象棋、將棋和圍棋的AlphaZero程式，其研究過程專注「以動作為基礎」的程式。LeCun卻認為人類所做的多數學習行為沒有透過實際採取行動完成，而是透過觀察來進行學習並且完成。
LeCun更強調不僅學術界，工業化人工智慧發展也需要重新思考。例如研究自動駕駛的Wayve等新創公司，一直有點過於樂觀，認為只要將數據扔到大型神經網路，人工智慧就幾乎能學到任何東西，所以目前單純以數據來訓練的模型，可能無法應對在自動駕駛過程中發生的突發狀況，也就是超出數據內容之外的狀況會讓人工智慧無法應對，但人腦面臨自動駕駛的時候，卻會透過學習經驗或直接來處理過去沒有經歷過的突發狀況。但LeCun也說，最終會有一套人工智慧模式能以理解世界運作的方式被開發出來。
資料來源：ZDNet、MIT Technology Review
責任編輯：侯品如
延伸閱讀
AI作品的所有權歸誰？Getty Image將禁止上傳和販售AI生成圖片
特斯拉Optimus將量產！人型機器人高成本、高故障率下為什麼巨頭仍要砸錢投入？
「加入《數位時代》LINE好友，科技新聞不漏接」
