图片来源/numerama.com

不知不觉，Facebook的年度F8开发者大会也步上了苹果每年发布会的后尘，成为各方一边密切关注一边吃瓜吐槽的焦点。甚至有外媒毫不客气地这样怼：“如果模仿是最诚挚的恭维方式，那么由于Facebook多年苦心孤诣的拷贝，Snapchat应该被奉上神坛。”

然而不得不说，Facebook这回算是“青出于蓝”。以“相机”为名的AR平台让用户能够实时地加入视频滤镜，比Snapchat多了场景深度，还把SDK与工具开放给用户供自由创作；可给现实世界添加基于地理信息与物体识别的数字标签，其他用户可扫描查看。小扎还提到了增强现实未来在游戏等其他领域的应用前景，可见其野心之大、在AR方面下了多大的注。

这些领先成果的实现，幕后功臣之一就是Facebook的人工智能实验室FAIR，一个由一位非典型大牛带领、不直接参与常规产品开发，而是着眼长远、把梦想化为现实的非典型Facebook团队。

FAIR：独居一隅，厚积薄发

FAIR的办公室在Facebook门罗帕克总部的3000英里之外，在曼哈顿市中心一栋老旧的米色大楼里。看似灰头土脸，他们实则目标远大：创造出智能与人类比肩的电脑。

虽然梦想的实现还有很长的路要走，但FAIR团队目前已经成果颇丰。他们的AI程序创作的画作与人类艺术家相比几可乱真，可以完成从维基百科上筛选出来的问答测验，还会玩星际争霸这样的复杂游戏。

从各个角度来看，FAIR似乎都是Facebook团队里的异端。FAIR成员不直接参与开发Instagram、WhatsApp、Messenger等狭义上跟Facebook直接相关的社交产品，而是主攻视觉、预测和语音三大方向，研究成果则全面渗透、反哺到Facebook的产品与功能上。

比如，在AI的加持下，Facebook的图片滤镜足以跟Snapchat匹敌，并通过分析图片内容来决定在你的主页News Feed上呈现怎样的内容、提高用户粘性，同理也用于监控与清除垃圾内容。 FAIR还与AML（Facebook的另一人工智能实验室）定期互通有无，把研究结果合作应用到Facebook产品上，除了用来决定在你的News Feed上展示什么内容，还用于Facebook内部的内容翻译，并用在了Facebook的摄像头上，根据你的具体动作来创造特效。

FAIR的风格或许与它的负责人Yann LeCun有关。

Yann LeCun。图片来源/sohu.com

LeCun是卷积神经网络（Convolutional Neural Network）深度学习技术的发明人之一，如今这种技术被视为开发自然语言识别、图像识别工具甚至是语音识别和图片搜索系统的基础模块。 他从不受待见的人工智能理念提出者，到现在成为业界大牛，颇经历了一段风雨。

上世纪八十年代，还在巴黎读大学的Yann LeCun就有信心自己能让计算机获得视觉，并相信这一领域或能“让机器学会做许多任务，包括感知。” 然而，这个理论尚属先锋，当研究结果达不到鼓吹的高度，看似科学理论本身存在问题时，资金投入和人们的兴趣都会顺势跌落，技术进展也随之停止。LeCun在人们对神经网络的质疑声中仍然选择投身研究，结果受到这波“AI寒冬”的极大影响。

九十年代中期，LeCun加入贝尔实验室参与AI研究，就在刚取得一点成绩时，公司的内部斗争导致团队解散。与此同时，其他研究方法逐渐受到主流研究者的青睐。尽管那些思路后来很快便失去活力，但当时支持神经网络的LeCun仍因而遭到忽视。到了本世纪初，其他学术界人员甚至依然反对他在学术会议上发表论文。

2003年，LeCun时来运转。该年，他加入纽约大学，并跟神经网络先驱、谷歌工程师Geoff Hinton等人达成合作，希望复兴神经网络的研究。终于，计算能力的提升使得神经网络得以快速运转、有了实际应用价值，互联网的广泛应用促使图片、文本等可用数据显著增加，从而让神经网络有了学习的“资本”。 在LeCun等人打下的基础之上，计算机视觉在二十一世纪的第二个十年之处终于迎来爆发，电脑逐渐能够识别出图片、视频乃至直播中的物体，LeCun也得以从边缘人走到舞台中央、成为业界领袖。

2013年12月，LeCun加入Facebook。

对一位致力于把AI研究应用到图片领域的学者而言，Facebook提供的环境可谓理想。在Facebook，LeCun带领的团队有80位研究员，有了Facebook的高薪与雄厚财力撑腰，他拥有极大的自由度，可以视情况在他认为必要时调整FAIR，包括增加人手以及调整结构。

在LeCun眼中，成功的关键在于对“开放”的专注。他接受美国商业杂志Fast Company网站的采访时曾说，

“我有很多朋友，从拥有开放文化的实验室走出并加入（大型科技企业），他们试图改变企业的文化，但是却彻底失败。”

他在加入Facebook之前最先问的一个问题就是，Facebook对给开源社区做贡献的开放程度，以及公司文化的开放程度如何。

多年饱受批评、被边缘化之后，56岁的LeCun扬眉吐气，主流市场也终于肯定了他的工作。但LeCun仍谨慎表示，革命之路还有很远，成就也远非他一人之功。

目前，FAIR正在教给计算机如何像人类一样预测结果。

LeCun介绍，他们让AI看大量相关视频，在中间暂停，然后向程序提问接下来会发生什么事情。

“在某种程度上，智能的本质就是预测能力，”他认为，“如果你能预测行动的后果，你就能够计划，规划出实现特定目标的一连串行动。”

另一方面，AI还得学会在不确定的情形下预测。帮助AI理解并接受不确定性，是AI领域“无监督学习”的部分内容，也是研究前沿。当AI观察得足够多，知道世界如何运转、能够预测接下来的事态进展时，机器的思考就能像人类靠拢，学会一些常识。LeCun认为，这是让机器更聪明的关键。

说到做到的扎克伯格早先已经炫耀过他自己写的人工智能管家Jarvis、实现了自己的16年愿望。而在LeCun的标准里，他希望打造的AI助理得能够真正理解用户说的话，“（是）能够跟你对话的机器，能够提前规划的机器，不会让你因为机器的愚钝而烦心。”

当前，相关研究尚无蓝图，但FAIR的工作或许有助于开疆拓野。一方面，要让AI对世界有初步的认识，训练它的预测能力，另一方面，要让AI学会读写，而这正是FAIR运用神经网络主攻的方面。

对电脑来说，一幅图、一句话、一段文本都能用一串数字来表示，因此研究员能够用神经网络的架构来识别图片中的物体、句子中的词语或是文本里的主语。现在AI对文字的理解还比不上理解图片的程度，但LeCun心里已经有了AI助理的理想模样——具有常识，有能力跟其他助理沟通。

Facebook正在测试的简化版数字助理“M”由Messenger团队负责运营，“M”是依托FAIR的一些研究成果。

最近，Messenger推出了“M建议”功能，M会在它认为自己能够派上用场的时候跳进对话给你提议，比如在对话涉及个人位置时让你选择一键发送自己的地理位置。

M只是Facebook在AI语义理解方面的一个应用。FAIR团队成员Y-Lan Boureau早已开始训练AI，让它在Facebook上推动建设性的对话氛围，而非让用户习惯性、选择性地忽视与己相反的看法，创造一个尽可能多元包容的世界。

AI可以帮助理清文本中的模式，认清对话如何走偏，进而有可能设法改变对话走向。

未来：对抗机器学习

LeCun深知一波又一波的炒作周期可能危害AI研究，我们当前就身处这样的浪潮中。

根据彭博社报道，2013年第一季度还只有六家公司在财报中提及AI，四年后的现在，这个数字增长到了244家。

谈到未来时，LeCun的措辞慎之又慎。他警告公众，AI离人类水平的智能，后说通用人工智能还差得远。 但是，他也不时地表露出自己那无法抑制的热情，尤其是在对抗训练（Generative Adversarial Nets，GAN）方面。

这是一种相对较新的AI研究方式，有助于解决不确定性和预测问题，其方法是让两个AI系统相互对弈，比如让其中一个系统画图，让另一个系统判断该图是否为人类所画，前者再通过后者的反馈来优化绘画技能。

LeCun表示，对抗训练“是过去十年乃至二十年里，机器学习领域最好、最酷的想法。”

Facebook数年前在AI上的积累还是几乎一无所有，目前已经拥有FAIR和AML两大实验室，同时布局于基础研究以及产品应用。

Facebook应用机器学习团队（AML）负责人Joaquin Candela评价：“人们在Facebook全套产品上的综合体验与AI密不可分。今天的Facebook已经离不开AI了。”(本文首发钛媒体，综合自外网，编译/陈倩敏）