Facebook 在AR、VR上的一系列動作都有一個幕後功臣——人工智能實驗室FAIR，一個由非典型大牛帶領、不直接參與常規產品開發，而是著眼長遠、把夢想化為現實的非典型Facebook團隊。
圖片來源/numerama.com
不知不覺，Facebook的年度F8開發者大會也步上瞭蘋果每年發佈會的後塵，成為各方一邊密切關註一邊吃瓜吐槽的焦點。甚至有外媒毫不客氣地這樣懟： 如果模仿是最誠摯的恭維方式，那麼由於Facebook多年苦心孤詣的拷貝，Snapchat應該被奉上神壇。
然而不得不說，Facebook這回算是 青出於藍 。以 相機 為名的AR平臺讓用戶能夠實時地加入視頻濾鏡，比Snapchat多瞭場景深度，還把SDK與工具開放給用戶供自由創作；可給現實世界添加基於地理信息與物體識別的數字標簽，其他用戶可掃描查看。小紮還提到瞭增強現實未來在遊戲等其他領域的應用前景，可見其野心之大、在AR方面下瞭多大的註。
這些領先成果的實現，幕後功臣之一就是Facebook的人工智能實驗室FAIR，一個由一位非典型大牛帶領、不直接參與常規產品開發，而是著眼長遠、把夢想化為現實的非典型Facebook團隊。
FAIR：獨居一隅，厚積薄發攪拌機比較
FAIR的辦公室在Facebook門羅帕克總部的3000英裡之外，在曼哈頓市中心一棟老舊的米色大樓裡。看似灰頭土臉，他們實則目標遠大：創造出智能與人類比肩的電腦。
雖然夢想的實現還有很長的路要走，但FAIR團隊目前已經成果頗豐。他們的AI程序創作的畫作與人類藝術傢相比幾可亂真，可以完成從維基百科上篩選出來的問答測驗，還會玩星際爭霸這樣的復雜遊戲。
從各個角度來看，FAIR似乎都是Facebook團隊裡的異端。FAIR成員不直接參與開發Instagram、WhatsApp、Messenger等狹義上跟Facebook直接相關的社交產品，而是主攻視覺、預測和語音三大方向，研究成果則全面滲透、反哺到Facebook的產品與功能上。
比如，在AI的加持下，Facebook的圖片濾鏡足以跟Snapchat匹敵，並通過分析圖片內容來決定在你的主頁News Feed上呈現怎樣的內容、提高用戶粘性，同理也用於監控與清除垃圾內容。 FAIR還與AML（Facebook的另一人工智能實驗室）定期互通有無，把研究結果合作應用到Facebook產品上，除瞭用來決定在你的News Feed上展示什麼內容，還用於Facebook內部的內容翻譯，並用在瞭Facebook的攝像頭上，根據你的具體動作來創造特效。
FAIR的風格或許與它的負責人Yann LeCun有關。
Yann LeCun。圖片來源/sohu.com
LeCun是卷積神經網絡（Convolutional Neural Network）深度學習技術的發明人之一，如今這種技術被視為開發自然語言識別、圖像識別工具甚至是語音識別和圖片搜索系統的基礎模塊。 他從不受待見的人工智能理念提出者，到現在成為業界大牛，頗經歷瞭一段風雨。
上世紀八十年代，還在巴黎讀大學的Yann LeCun就有信心自己能讓計算機獲得視覺，並相信這一領域或能 讓機器學會做許多任務，包括感知。 然而，這個理論尚屬先鋒，當研究結果達不到鼓吹的高度，看似科學理論本身存在問題時，資金投入和人們的興趣都會順勢跌落，技術進展也隨之停止。LeCun在人們對神經網絡的質疑聲中仍然選擇投身研究，結果受到這波 AI寒冬 的極大影響。
九十年代中期，LeCun加入貝爾實驗室參與AI研究，就在剛取得一點成績時，公司的內部鬥爭導致團隊解散。與此同時，其他研究方法逐漸受到主流研究者的青睞。盡管那些思路後來很快便失去活力，但當時支持神經網絡的LeCun仍因而遭到忽視。到瞭本世紀初，其他學術界人員甚至依然反對他在學術會議上發表論文。
2003年，LeCun時來運轉。該年，他加入紐約大學，並跟神經網絡先驅、谷歌工程師Geoff Hinton等人達成合作，希望復興神經網絡的研究。終於，計算能力的提升使得神經網絡得以快速運轉、有瞭實際應用價值，互聯網的廣泛應用促使圖片、文本等可用數據顯著增加，從而讓神經網絡有瞭學習的 資本 。 在LeCun等人打下的基礎之上，計算機視覺在二十一世紀的第二個十年之處終於迎來爆發，電腦逐漸能夠識別出圖片、視頻乃至直播中的物體，LeCun也得以從邊緣人走到舞臺中央、成為業界領袖。
2013年12月，LeCun加入Facebook。
對一位致力於把AI研究應用到圖片領域的學者而言，Facebook提供的環境可謂理想。在Facebook，LeCun帶領的團隊有80位研究員，有瞭Facebook的高薪與雄厚財力撐腰，他擁有極大的自由度，可以視情況在他認為必要時調整FAIR，包括增加人手以及調整結構。
在LeCun眼中，成功的關鍵在於對 開放 的專註。他接受美國商業雜志Fast Company網站的采訪時曾說，
我有很多朋友，從擁有開放文化的實驗室走出並加入（大型科技企業），他們試圖改變企業的文化，但是卻徹底失敗。
他在加入Facebook之前最先問的一個問題就是，Facebook對給開源社區做貢獻的開放程度，以及公司文化的開放程度如何。
多年飽受批評、被邊緣化之後，56歲的LeCun揚眉吐氣，主流市場也終於肯定瞭他的工作。但LeCun仍謹慎表示，革命之路還有很遠，成就也遠非他一人之功。
目前，FAIR正在教給計算機如何像人類一樣預測結果。
LeCun介紹，他們讓AI看大量相關視頻，在中間暫停，然後向程序提問接下來會發生什麼事情。
在某種程度上，智能的本質就是預測能力， 他認為， 如果你能預測行動的後果，你就能夠計劃，規劃出實現特定目標的一連串行動。
另一方面，AI還得學會在不確定的情形下預測。幫助AI理解並接受不確定性，是AI領域 無監督學習 的部分內容，也是研究前沿。當AI觀察得足夠多，知道世界如何運轉、能夠預測接下來的事態進展時，機器的思考就能像人類靠攏，學會一些常識。LeCun認為，這是讓機器更聰明的關鍵。
說到做到的紮克伯格早先已經炫耀過他自己寫的人工智能管傢Jarvis、實現瞭自己的16年願望。而在LeCun的標準裡，他希望打造的AI助理得能夠真正理解用戶說的話， （是）能夠跟你對話的機器，能夠提前規劃的機器，不會讓你因為機器的愚鈍而煩心。
當前，相關研究尚無藍圖，但FAIR的工作或許有助於開疆拓野。一方面，要讓AI對世界有初步的認識，訓練它的預測能力，另一方面，要讓AI學會讀寫，而這正是FAIR運用神經網絡主攻的方面。
對電腦來說，一幅圖、一句話、一段文本都能用一串數字來表示，因此研究員能夠用神經網絡的架構來識別圖片中的物體、句子中的詞語或是文本裡的主語。現在AI對文字的理解還比不上理解圖片的程度，但LeCun心裡已經有瞭AI助理的理想模樣 具有常識，有能力跟其他助理溝通。
Facebook正在測試的簡化版數字助理 M 由Messenger團隊負責運營， M 是依托FAIR的一些研究成果。
最近，Messenger推出瞭 M建議 功能，M會在它認為自己能夠派上用場的時候跳進對話給你提議，比如在對話涉及個人位置時讓你選擇一鍵發送自己的地理位置。
M隻是Facebook在AI語義理解方面的一個應用。FAIR團隊成員Y-Lan Boureau早已開始訓練AI，讓它在Facebook上推動建設性的對話氛圍，而非讓用戶習慣性、選擇性地忽視與己相反的看法，創造一個盡可能多元包容的世界。
AI可以幫助理清文本中的模式，認清對話如何走偏，進而有可能設法改變對話走向。
未來：對抗機器學習
LeCun深知一波又一波的炒作電動攪拌機推薦周期可能危害AI研究，我們當前就身處這樣的浪潮中。
根據彭博社報道，2013年第一季度還隻有六傢公司在財報中提及AI，四年後的現在，這個數字增長到瞭244傢。
談到未來時，LeCun的措辭慎之又慎。他警告公眾，AI離人類水平的智能，後說通用人工智能還差得遠。 但是，他也不時地表露出自己那無法抑制的熱情，尤其是在對抗訓練（Generative Adversarial Nets，GAN）方面。
這是一種相對較新的AI研究方式，有助於解決不確定性和預測問題，其方法是讓兩個AI系統相互對弈，比如讓其中一個系統畫圖，讓另一個系統判斷該圖是否為人類所畫，前者再通過後者的反饋來優化繪畫技能。
LeCun表示，對抗訓練 是過去十年乃至二十年裡，機器學習領域最好、最酷的想法。
Facebook數年前在AI上的積累還是幾乎一無所有，目前已經擁有FAIR和AML兩大實驗室，同時佈局於基礎研究以及產品應用。
Facebook應用機器學習團隊（AML）負責人Joaquin Candela評價： 人們在Facebook全套產品上的綜合體驗與AI密不可分。今天的Facebook已經離不開AI瞭。 (本文首發鈦媒體，綜合自外網，編譯/陳倩敏）
更多精彩內容，關註鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App
分料機
AUGI SPORTS｜重機車靴｜重機車靴推薦｜重機專用車靴｜重機防摔鞋｜重機防摔鞋推薦｜重機防摔鞋
AUGI SPORTS｜augisports｜racing boots｜urban boots｜motorcycle boots
文章標籤
全站熱搜
留言列表
