Yann LeCun （燕乐存），Facebook人工智能实验室主任，NYU数据科学中心创始人，计算机科学、神经科学、电子电气科学教授。他1983年在ESIEE获得电 气工程学位，1987年在UPMC获得计算机博士学位。在多伦多大学做了一段时间博士后，于1988年加入位于新泽西州的AT&T贝尔实验室。 1996年他成为图像处理研究部的主任，2003年，在普林斯顿NEC研究院经历短暂的Fellow生活以后，加入NYU。2013年，他被 Facebook聘请为人工智能实验室主任，同时仍在NYU兼职。
他目前的研究兴趣在于：机器学习，计算机认知，移动机器人以及计算神经学。在这些领域他发表了180余篇论文和图书，涉及主题有神经网络、手写体 识别、图像处理和压缩以及计算机认知的专用电路和架构。他在贝尔实验室研发的字符识别技术，被全世界多家银行用于识别支票，早在2000年左右，该程序识 别了全美10%-20%的支票。他发明的图片压缩技术DjVu，被数百家网站和出版商采纳，拥有上百万用户。他研发的一个识别方法，卷积网络，是 AT&T、Google、微软、NEC、IBM、百度以及Facebook等公司在文档识别，人机交互，图片标注、语音识别和视频分析等等技术的 奠基石。
LeCun教授是IJCV、PAMI和IEEE Trans的审稿人。CVPR06的程序主席、ICLR2013和2014的主席。他是IPAM（Institute for Pure and Applied Mathematics）的顾问。他是2014年IEEE神经网络领军人物奖获得者。
本文的采访者是另一位大牛Gregory Piatetsky，KDD会议创始人，是1989，1991和1993年KDD的主席，SIGKDD第一个服务奖章获得者，KDnuggets网站和周刊的维护者。
本文主要内容有，是什么给深度学习带来了今日如此令世人瞩目的成绩，Yann Lecun和Vapnik关于神经网络和核函数（支持向量机）的争论，以及Facebook理想中的AI是什么样子的。
以下为采访原文：
问：人工神经网络的研究已经有五十多年了，但是最近才有非常令人瞩目的结果，在诸如语音和图像识别这些比较难的问题上，是什么因素让深度学习网络胜出了呢？数据？算法？硬件？
答：虽然大部分人的感觉是人工神经网络最近几年才迅速崛起，但实际上上个世纪八十年代以后，就有很多成功的应用了。深度学习指的是，任何可以训练 多于两到三个非线性隐含层模型的学习算法。大概是2003年，Geoff Hinton，Yoshua Bengio和我策划并鼓动机器学习社区将兴趣放在表征学习这个问题上（和简单的分类器学习不同）。直到2006-2007年左右才有了点味道，主要是通 过无监督学习的结果（或者说是无监督预训练，伴随监督算法的微调），这部分工作是Geoff Hinton，Yoshua Bengio，Andrew Ng和我共同进行的。
但是大多数最近那些有效果的深度学习，用得还是纯监督学习加上后向传播算法，跟上个世纪八十年代末九十年代初的神经网络没太大区别。
区别在于，我们现在可以在速度很快的GPU上跑非常大非常深层的网络（比如有时候有十亿连接，12层），而且还可以用大规模数据集里面的上百万的样本来训练。过去我们还有一些训练技巧，比如有个正则化的方法叫做 dropout ，还有克服神经元的非线性问题，以及不同类型的空间池化（spatial pooling）等等。
很多成功的应用，尤其是在图像识别上，都采用的是卷积神经网络（ ConvNet ），是我上个世纪八九十年代在贝尔实验室开发出来的。后来九十年代中期，贝尔实验室商业化了一批基于卷积神经网络的系统，用于识别银行支票（印刷版和手写版均可识别）。
经过了一段时间，其中一个系统识别了全美大概10%到20%的支票。最近五年，对于卷积神经网络的兴趣又卷土重来了，很多漂亮的工作，我的研究小组有参 与，以及Geoff Hinton，Andrew Ng和Yoshua Bengio，还有瑞士IDSI的AJargen Schmidhuber，以及加州的NEC。卷积神经网络现在被Google，Facebook，IBM，百度，NEC以及其他互联网公司广泛使用，来进 行图像和语音识别。（Gregory Piatetsky注：Yann Lecun教授的一个学生，最近赢得了 Kaggle上猫狗识别 的比赛，用的就是卷积神经网络，准确度98.9%。）
问：深度学习可不是一个容易用的方法，你能给大家推荐一些工具和教程么？大家都挺想从在自己的数据上跑跑深度学习。
答：基本上工具有两个推荐：
- Torch7
- Theano + Pylearn2
他们的设计哲学不尽相同，各有千秋。Torch7是LuaJIT语言的一个扩展，提供了多维数组和数值计算库。它还包括一个面向对象的深度学习开 发包，可用于计算机视觉等研究。Torch7的主要优点在于LuaJIT非常快，使用起来也非常灵活（它是流行脚本语言Lua的编译版本）。
Theano加上Pylearn先天就有Python语言带来的优势（Python是广泛应用的脚本语言，很多领域都有对应的开发库），劣势也是应为用Python，速度慢。
问：咱俩很久以前在KXEN的科学咨询会议上见过，当时Vapnik的概率学习理论和支持向量机（SVM）是比较主流的。深度学习和支持向量机/概率学习理论有什么关联？
答：1990年前后，我和Vapnik在贝尔实验室共事，归属于Larry Jackel的自适应系统研究部，我俩办公室离得很近。卷积神经网络，支持向量机，正切距离以及其他后来有影响的方法都是在这发明出来的，问世时间也相差 无几。1995年AT&T拆分朗讯以后，我成了这个部门的领导，部门后来改成了AT&T实验室的图像处理研究部。部门当时的机器学习专家 有Yoshua Bengio， Leon Bottou，Patrick Haffner以及Vladimir Vapnik，还有几个访问学者以及实习生。
我和Vapnik经常讨论深度网络和核函数的相对优缺点。基本来讲，我一直对于解决特征学习和表征学习感兴趣。我对核方法兴趣一般，因为它们不能 解决我的问题。老实说，支持向量机作为通用分类方法来讲，是非常不错的。但是话说回来，它们也只不过是简单的两层模型，第一层是用核函数来计算输入数据和 支持向量之间相似度的单元集合。第二层则是线性组合了这些相似度。
第一层就是用最简单的无监督模型训练的，即将训练数据作为原型单元存储起来。基本上来说，调节核函数的平滑性，产生了两种简单的分类方法：线性分 类和模板匹配。大概十年前，由于评价核方法是一种包装美化过的模板匹配，我惹上了麻烦。Vapnik，站在我对立面，他描述支持向量机有非常清晰的扩展控 制能力。“窄”核函数所产生的支持向量机，通常在训练数据上表现非常好，但是其普适性则由核函数的宽度以及对偶系数决定。Vapnik对自己得出的结果非 常自信。他担心神经网络没有类似这样简单的方式来进行扩展控制（虽然神经网络根本没有普适性的限制，因为它们都是无限的VC维）。
我反驳了他，相比用有限计算能力来计算高复杂度函数这种能力，扩展控制只能排第二。图像识别的时候，移位、缩放、旋转、光线条件以及背景噪声等等问题，会导致以像素做特征的核函数非常低效。但是对于深度架构比如卷积网络来说却是小菜一碟。
问：祝贺你成为Facebook人工智能实验室的主任。你能给讲讲未来几年Facebook在人工智能和机器学习上能有什么产出么？
答：非常谢谢你，这个职位是个非常难得的机会。基本上来讲，Facebook的主要目标是让人与人更好的沟通。但是 当今的人们被来自朋友、新闻、网站等等信息来源狂哄乱炸。 Facebook 帮助人们来在信息洪流中找到正确的方向。这就需要Facebook 能知道人们对什么感兴趣，什么是吸引人的，什么让人快乐，什么让人们学到新东西。 这些知识，只有人工智能可以提供。人工智能的进展，将让我们理解各种内容，比如文字，图片，视频，语音，声音，音乐等等。
问：长期来看，你觉得人工智能会变成什么样？我们会不会达到Ray Kurzweil所谓的奇点？
答：我们肯定会拥有智能机器。这只是时间问题。我们肯定会有那种虽然不是非常聪明，但是可以做有用事情的机器，比如无人驾驶车。
至于这需要多长时间？人工智能研究者之前很长的一段时间都低估了制造智能机器的难度。我可以打个比方：研究进展就好像开车去目的地。当我们在研究上发现了新的技术，就类似在高速路上开车一样，无人可挡，直达目的地。
但是现实情况是，我们是在一片浓雾里开车，我们没有意识到，研究发现的所谓的高速公路，其实只是一个停车场，前方的尽头有一个砖墙。很多聪明人都 犯了这个错误，人工智能的每一个新浪潮，都会带来这么一段从盲目乐观到不理智最后到沮丧的阶段。感知机技术、基于规则的专家系统、神经网络、图模型、支持 向量机甚至是深度学习，无一例外，直到我们找到新的技术。当然这些技术，从来就不是完全失败的，它们为我们带来了新的工具、概念和算法。
虽然我相信我们最终一定会制造出超越人类智能的机器，但是我并不相信所谓的奇点理论。大部分人觉得技术的进展是个指数曲线，其实它是个S型曲线。 S型曲线刚开始的时候跟指数曲线很像。而且奇点理论比指数曲线还夸张，它假设的是渐进曲线。线性、多项式、指数和渐进以及S曲线的动态演变，都跟阻尼和摩 擦因子有关系。而未来学家却假设这些因子是不存在的。未来学家生来就愿意做出盲目的预测，尤其是他们特别渴望这个预测成真的时候，可能是为了实现个人抱 负。
问：你还在NYU数据科学中心当兼职主任，你怎么权衡或者结合在Facebook的工作？
答：我在NYU数据科学中心已经不再担任实际职务了，而是名誉主任。在新的主任选举出来以前，代理主任是 S.R. Srinivasa “Raghu” Varadha ，世界上最有名的统计学家。NYU已经展开了新主任的遴选工作。在数据科学中心的建立过程中，我花费了相当大的精力。我们现在数据科学方面有硕士生项目， 未来会有博士生项目。现在中心有9个工作空缺，和Berkeley和华盛顿大学合作，我们从Moore和Sloan基金会拿到了非常大的一个五年基金支 持，中心现在和Facebook等各大公司都有合作伙伴关系，我们马上要盖新大楼。下一任中心主任将会非常热爱自己的工作！
问：“数据科学”这个词，近来经常出现，被认为是统计学、商业智能等学科的交叉。这个数据科学和之前的“数据挖掘”或者“预测分析”有什么不同？它是一个新学科？它的公理和原则有哪些？
答：数据科学指的是自动或半自动地从数据中抽取知识。这个过程涉及很多的学科，每个学科对它都有自己的名字，包括概率估计，数据挖掘，预测分析，系统辨识，机器学习，人工智能等等。
从各个学科的角度，统计学、机器学习以及某些应用数学，都可以声称是数据科学的起源。但是实际上，数据科学之于统计学、机器学习以及应用数学，正 如上个世纪六十年代的计算机科学之于电子电气、物理和数学。后来计算机科学变成了一个完全成熟的独立学科，而不是数学或者工程的子学科，完全是因为它对社 会非常重要。
当今的数字时代，数据指数级别的疯涨，从数据中自动抽取知识这个问题，已经逐渐成为了人们的焦点。这正促进数据科学成为一个真正独立的学科。也促 进着统计学、机器学习和数学重新划定自己的学科界限。数据科学还创造了“方法学科”的科学家和“领域学科”如自然科学、商科、药学和政府的工作人员紧密交 流的机会。
我预测，未来十年，很多顶尖大学都会设立数据科学系。
问：您对于“大数据”这个词怎么看？作为一种趋势或者一个时髦词，它有多少成分是夸大，多少是真实的？
答：对于这个词，我觉得最近社交网络上比较流行的那个笑话非常贴切，把大数据比作青少年性行为：每个人都在谈论它，没人知道到底怎么做，每个人都以为其他人知道怎么做，所以每个人都声称自己也在做，这个笑话我是从Dan Ariely的 Facebook 上看到的。
我碰到过一些人，哪怕是闪盘可以存下，笔记本可以处理的数据，都坚持使用hadoop来处理。
这个词确实被夸大了。但是如何收集、存储和分析海量数据这个问题是实际存在的。我经常怀疑的是诸如“大数据”这样的名字而已，因为今日的大数据，将成为明日的小数据。还有，很多问题都是因为数据量不足而产生的，比如基因和医疗数据，数据永远都不会够用。
问：数据科学家被称为“二十一世纪最性感的职业”。你给想要进入这个领域的人们提一点建议？
答：如果你是个本科生，多学数学、统计学还有物理学，更重要的是你要学着写代码（学三到四门计算机课程）。如果你有本科学位，那么你可以申请NYU数据科学中心的 硕士项目 。
问：你最近对哪本书比较感兴趣？不接触计算机和手机的时候你都在干些什么？
答：在我空闲的时候，我会造一些微型飞行器，我非常喜欢3D打印，我还经常研究带微控制器的电路板，我还希望能更好的制造音乐（我收集电子风门控制器）。大多数非小说的作品我都看，还听可多的爵士乐（或者类似的音乐）。
查看英语原文： http://www.kdnuggets.com/2014/02/exclusive-yann-lecun-deep-learning-facebook-ai-lab.html
