7 月 4 日，Facebook 人工智能研究院院长、纽约大学终身教授 Yann LeCun 受邀现身上海交通大学闵行校区，围绕 Deep Learning and AI：Past, Present, and Future 发表主题学术报告。随后，第四范式联合创始人兼首席研究科学家陈雨强、思必驰首席科学家俞凯、360 人工智能研究院院长颜水成、今日头条实验室总监李 磊等八位中国人工智能科技领域新锐对话 Yann LeCun 教授，共同探索人工智能的未来。
Yann LeCun 是深度学习运动的领军人物，也是卷积神经网络的发明人，与 Geoffrey Hinton 及 Yoshua Bengio 比肩，被公认为是人工智能领域的三巨头之一。他创建的卷积网络模型被广泛应用于计算机视觉及语音识别应用中，曾在神经网络、图像压缩、人工智能专用硬件等相关领域内发表 190 余篇学术论文，其学术影响力及业内地位举足轻重。目前研究方向包括人工智能，机器学习，计算机视觉，机器人，以及计算机神经学等。
在演讲中，Yann LeCun 教授详尽介绍了深度学习领域的发展历程、技术原理、研究现状及最新成果，同时分析了现阶段人工智能发展存在的阻碍和具有研究潜力的课题方向以，并对未来人工智能技术的发展趋势做出前沿预测。
首先，Yann LeCun 对传统模式识别、主流现代模式识别以及深度学习特征提取方式加以比对；之后，对多层神经网络、反向传播算法、卷积神经网络结构（归一化——滤波器组——非线性计算——池化）等算法概念进行详细解析。
卷积神经网络也曾遭遇瓶颈，不过，在得到人们的认可后，深度卷积网络开始用于解决各类计算机视觉问题并大放异彩，如目标识别。随着网络深度的不断增加，产生了深度卷积神经网络结构，如 VGG，GoogLeNet，ResNet，它们可以用于图像识别、语义分割、ADAS 等众多场景。
这里，Yann LeCun 特别提到了 Facebook 提出的通用目标分割框架 Mask R-CNN，并展示了它在 COCO 数据集上的结果。（详情可见：学界 | Facebook 新论文提出通用目标分割框架 Mask R-CNN：更简单更灵活表现更好）
在为在场观众带来全新、深入的深度学习技术解析后，Yann LeCun 又探讨了人工智能领域存在的一个障碍和难点——怎样使机器获得「常识」呢？
在人工智能领域，机器是如何跨越这种本质的障碍呢？Yann LeCun 给出了答案，即机器不仅需要学习、理解这个世界，学习大量的背景知识，还需要感知世界的状态，更新、记忆并评估世界的状态，而且还要有推理和计划的能力。这也就是所谓的「智力+常识=感知+预测模型+记忆+推理和计划」。
人们由于了解这个世界运作原理，所以会拥有常识，可是对于机器呢？他们能否具备所谓的「常识」呢？
机器是无法凭空具备常识的，它需要一些已知的信息，比如从过去和现在推断未来；从现在的状态推断过去的事件。那么，这个过程就涉及预测学习这一个概念。
由此看见，无监督学习和预测学习是十分必要的，也是未来几年深度学习型领域的巨大挑战。通常，需要拿来去训练一个大型学习机器的样本数量取决于我们要求机器所预测的信息量。
Sutton 所提出的 Dyna 结构，这是一种集学习、计划、反应于一身的集成架构，即可以完成「在行动之前实现对脑内设想的尝试」。
而经典的基于模型的最优化控制过程则可以利用初始控制序列对世界进行仿真，调整控制序列利用梯度下降法对目标进行最优化，再进行时序反向传播。
Yann LeCun 介绍了人工智能系统的架构包括感知器、代理、目标、环境，并用一个公式概括人工智能系统，即：预测+计划=推理。最终得出结论：我们需要基于模型的强化学习。
接下来的《对话中国人工智能科技新锐》主题圆桌论坛中，国内八位人工智能领域科学家、学者从 AI 技术落地方向、应用案例、未来发展走势及业内的竞争等角度向 Yann LeCun 教授连番发问。Yann LeCun 在讨论中表示，人工智能技术正在逐步走向通用的道路，这项技术的出现对某些领域有所帮助进而引发变革，但是在某些领域并未引起波澜。面对巨头公司在竞争中占据天然优势的情况下，AI 创业公司如何找到自身定位这一问题，现场嘉宾的一致观点是，找到一个人工智能技术能够解决的问题，并专注于这个垂直领域。只有做出产品，才能掌握相关数据，之后才能构建数据自我驱动的技术算法，进而形成一个良性循环。
除此之外，Yann LeCun 还就嘉宾对 Facebook 人工智能领域的相关问题一一作答。这次交流活动加深了领域内顶级科学家之间的沟通交流，同时促进了参与者对于前沿技术及行业动向的理解。
