近日，圖靈獎得主Yann LeCun發表了長達62頁的論文，綜述了他近10年對于AI行業發展大方向的思考，并對將來10年提出了“自主智能”架構（autonomous intelligence）的新方向。他認為，讓機器更加懂得通用智能的關鍵，就在于“自主”二字。
通用人工智能的困境：舉一不能反三
“通用人工智能”（AGI，也即強人工智能）的出現尚顯遙遠。究其原因，在于當前AI仍高強度依賴于海量的訓練數據，與千萬乃至上億級數的被動式監督學習訓練，才可實現一點點人類認知能力的復用。
當前AI可使用強大算力處理人類無法顧及的千億級數據，但在主動的領悟能力方面，可能連2~3歲小朋友都不如。
就像一位老師教學，監督式訓練與學習短時間內無法窮舉所有可能性，而當相應規則變得復雜，相應數據缺乏，產生的訓練數據種類無法窮舉，AI就無法進行主動有效的學習。
例如，普通青年平均20小時即可學會開車，能從各類簡單規則中舉一反三學會駕駛，不必窮舉所有情況。
但在擁有極度復雜的道路狀況與事故的可能性之下，一個優秀的自動駕駛技術卻需要上百萬甚至數十億條標注數據，在虛擬環境中上百萬次強化學習才能生成，而其可靠性還不一定比擬人類。
如何讓機器具備一定的自主性，從被動接受數據與訓練轉變成為主動學習，提高學習效率，這便正是圖靈獎得主Yann LeCun考慮的方向。
"自主智能"與自主學習：AI未來的方向
Yann LeCun提出了“自主智能”的新架構，其中包含了六個可微模塊，每個模塊都可容易地計算一些目標函數，以及相對應的梯度估計，并將梯度信息傳播到上游模塊。
其中包含了："配置模塊"、"感知模塊"、"世界模型模塊"、"成本模塊"、"行動模塊"與"短期內存模塊"。
配置器（Configurator）是他所構想的新結構中的頂層模塊，負責從其他模塊中獲取輸入，并根據任務要求來調節其他模塊的參數，從而預先配置感知（perception）、世界模型（world model）、成本（cost）和參與者（actor）的相應值。也使得配置器模塊變得更像一個大腦中樞，具備更自主輸出結果的能力。
配置器模塊的理念與機器學習中的元學習（Meta-learning）相一致。Meta-learning旨在讓機器learning to learn，也即讓機器通學會學習的方法。
有別于傳統機器學習先進行人為調參等工作，然后直接訓練特定任務下的深度模型；Meta-learning則是會讓機器預先學習所有需要人為設置和定義的參數變量，其中就包括了讓機器預先去學習如何預處理數據、選擇網絡結構、設置超參、定義損失函數等等工作，從這些學習歷史中獲得的經驗讓機器擁有了元知識，從而在未來僅需極少量樣本，即可快速適應和掌握新的任務。
Meta-learning的理念讓機器學習過程變得更加自主，從而很好替代人類工程師許多工作。
LeCun也提出，AI想要突破現在的瓶頸，必須讓機器自主學習，從而能夠填補缺失的信息，預測將要發生的事情，并預測行動的影響。
用自主學習應對超大規模精細化的未來
同時，由于超大規模的大范圍應用場景涌現，以及精細化的個性算法需求激增，使得AI模型的生產呈現大量且多元的趨勢，在不同行業、不同場景、不同環境、運行在不同設備上，算法都需要進行大規模的個性化開發。AI的數量規模，有望在未來出現爆炸性增長。
以視覺算法為例，從前的算法僅部署于有限的交通或物業監控攝像頭，僅承擔識別人臉、車輛等通用功能。但近年來，更加定制化、精細化的算法需求，已經開始擺上各種智慧場景的臺面。今后隨著硬件出貨量的增加與普及，AI會滲透入各行業細枝末節的場景中，比如：
廣東的木材加工廠會用到AI，用來識別木料碎屑的堆積情況，及時提醒工人清理避免火災隱患；內蒙古的奶牛牧場會用到AI，來識別奶牛草料堆積情況并定時給奶牛皮膚澆水；上海的車間工廠需要用到AI，幫助管理員判斷員工是否過度疲勞；甚至你住的小區也會用到AI，當老人摔倒、垃圾滿溢時，AI都可以做到第一時間響應。
所有這些超大規模的部署場景需求，使得AI無法再像水、電、煤一樣進行標準化的供應，AI算法將會依賴于每個行業、每個場景、每個需求、每次設計和迭代一樣，成為海量碎片化與精細化的定制產品。
在超大規模精細化的趨勢下，Yann LeCun也認為使用通用大模型、靠純粹數據堆疊、讓機器被動學習、反復人工調參的老路，已經無法走通，他也指出讓機器學習更加自主，將是未來AI發展最重要的方向。
共達地的AutoML自動化訓練
讓AI學會“自主學習”這個方向上，共達地正在致力于用AutoML技術，將LeCun與meta-learning的理念付諸實踐。
在人力密集且重復度極高的AI研發流程下，共達地依托業內領軍的AutoML技術，用AI訓練AI，擺脫業內常調侃為“只有人工，毫無智能”的繁冗研發AI流程，用前所未有的加速動能，為AI產業帶來質變。
通過半監督式學習的數據工程；自動調節模型結構、超參、Loss函數與Head等方式；以及自動根據芯片算子調節神經網絡結構等技術，共達地可將原本的訓練時間由3至6個月縮短至了兩周內，一鍵即可下發至云/邊多端設備之中。并且無需任何算法團隊0代碼經驗也可操作，僅需上傳數據點擊訓練即可生成媲美人類工程師精度的AI算法。
部署之后，在運維團隊中無需專業算法工程師的參與，可持續自動獲取現場數據，對算法進行迭代優化，讓精度接近場景理想值。
目前共達地AI廣泛于智慧城市、智慧工業、智慧園區、智慧樓宇等各場景之中。
