近日，图灵奖得主Yann LeCun发表了长达62页的论文，综述了他近10年对于AI行业发展大方向的思考，并对将来10年提出了“自主智能”架构（autonomous intelligence）的新方向。他认为，让机器更加懂得通用智能的关键，就在于“自主”二字。
通用人工智能的困境：举一不能反三
“通用人工智能”（AGI，也即强人工智能）的出现尚显遥远。究其原因，在于当前AI仍高强度依赖于海量的训练数据，与千万乃至上亿级数的被动式监督学习训练，才可实现一点点人类认知能力的复用。
当前AI可使用强大算力处理人类无法顾及的千亿级数据，但在主动的领悟能力方面，可能连2~3岁小朋友都不如。
就像一位老师教学，监督式训练与学习短时间内无法穷举所有可能性，而当相应规则变得复杂，相应数据缺乏，产生的训练数据种类无法穷举，AI就无法进行主动有效的学习。
例如，普通青年平均20小时即可学会开车，能从各类简单规则中举一反三学会驾驶，不必穷举所有情况。
但在拥有极度复杂的道路状况与事故的可能性之下，一个优秀的自动驾驶技术却需要上百万甚至数十亿条标注数据，在虚拟环境中上百万次强化学习才能生成，而其可靠性还不一定比拟人类。
如何让机器具备一定的自主性，从被动接受数据与训练转变成为主动学习，提高学习效率，这便正是图灵奖得主Yann LeCun考虑的方向。
"自主智能"与自主学习：AI未来的方向
Yann LeCun提出了“自主智能”的新架构，其中包含了六个可微模块，每个模块都可容易地计算一些目标函数，以及相对应的梯度估计，并将梯度信息传播到上游模块。
其中包含了：“配置模块”、“感知模块”、“世界模型模块”、“成本模块”、“行动模块"与"短期内存模块”。
配置器（Configurator）是他所构想的新结构中的顶层模块，负责从其他模块中获取输入，并根据任务要求来调节其他模块的参数，从而预先配置感知（perception）、世界模型（world model）、成本（cost）和参与者（actor）的相应值。也使得配置器模块变得更像一个大脑中枢，具备更自主输出结果的能力。
配置器模块的理念与机器学习中的元学习（Meta-learning）相一致。Meta-learning旨在让机器learning to learn，也即让机器通学会学习的方法。
有别于传统机器学习先进行人为调参等工作，然后直接训练特定任务下的深度模型；Meta-learning则是会让机器预先学习所有需要人为设置和定义的参数变量，其中就包括了让机器预先去学习如何预处理数据、选择网络结构、设置超参、定义损失函数等等工作，从这些学习历史中获得的经验让机器拥有了元知识，从而在未来仅需极少量样本，即可快速适应和掌握新的任务。
Meta-learning的理念让机器学习过程变得更加自主，从而很好替代人类工程师许多工作。
LeCun也提出，AI想要突破现在的瓶颈，必须让机器自主学习，从而能够填补缺失的信息，预测将要发生的事情，并预测行动的影响。
用自主学习应对超大规模精细化的未来
同时，由于超大规模的大范围应用场景涌现，以及精细化的个性算法需求激增，使得AI模型的生产呈现大量且多元的趋势，在不同行业、不同场景、不同环境、运行在不同设备上，算法都需要进行大规模的个性化开发。AI的数量规模，有望在未来出现爆炸性增长。
以视觉算法为例，从前的算法仅部署于有限的交通或物业监控摄像头，仅承担识别人脸、车辆等通用功能。但近年来，更加定制化、精细化的算法需求，已经开始摆上各种智慧场景的台面。今后随着硬件出货量的增加与普及，AI会渗透入各行业细枝末节的场景中，比如：
广东的木材加工厂会用到AI，用来识别木料碎屑的堆积情况，及时提醒工人清理避免火灾隐患；内蒙古的奶牛牧场会用到AI，来识别奶牛草料堆积情况并定时给奶牛皮肤浇水；上海的车间工厂需要用到AI，帮助管理员判断员工是否过度疲劳；甚至你住的小区也会用到AI，当老人摔倒、垃圾满溢时，AI都可以做到第一时间响应。
所有这些超大规模的部署场景需求，使得AI无法再像水、电、煤一样进行标准化的供应，AI算法将会依赖于每个行业、每个场景、每个需求、每次设计和迭代一样，成为海量碎片化与精细化的定制产品。
在超大规模精细化的趋势下，Yann LeCun也认为使用通用大模型、靠纯粹数据堆叠、让机器被动学习、反复人工调参的老路，已经无法走通，他也指出让机器学习更加自主，将是未来AI发展最重要的方向。
共达地的AutoML自动化训练
让AI学会“自主学习”这个方向上，共达地正在致力于用AutoML技术，将LeCun与meta-learning的理念付诸实践。
在人力密集且重复度极高的AI研发流程下，共达地依托业内领军的AutoML技术，用AI训练AI，摆脱业内常调侃为“只有人工，毫无智能”的繁冗研发AI流程，用前所未有的加速动能，为AI产业带来质变。
通过半监督式学习的数据工程；自动调节模型结构、超参、Loss函数与Head等方式；以及自动根据芯片算子调节神经网络结构等技术，共达地可将原本的训练时间由3至6个月缩短至了两周内，一键即可下发至云/边多端设备之中。并且无需任何算法团队0代码经验也可操作，仅需上传数据点击训练即可生成媲美人类工程师精度的AI算法。
部署之后，在运维团队中无需专业算法工程师的参与，可持续自动获取现场数据，对算法进行迭代优化，让精度接近场景理想值。
目前共达地AI广泛于智慧城市、智慧工业、智慧园区、智慧楼宇等各场景之中。
参考：A Path Towards Autonomous Machine Intelligence | OpenReview