2024/01/24 11:11

Yann LeCun：生成模型不适合处理视频，AI得在抽象空间中进行预测

AI 理解视频不能依靠在像素空间中预测。

在互联网文本数据即将枯竭之际，很多 AI 研究者将目光转向了视频。但如何让 AI 理解视频数据成了新的难题。

在 2024 世界经济论坛的一次会谈中，图灵奖得主、Meta 首席 AI 科学家 Yann LeCun 被问到了这个问题。他认为，虽然这个问题还没有明确的答案，但适合用来处理视频的模型并不是我们现在大范围应用的生成模型。而且新的模型应该学会在抽象的表征空间中预测，而不是在像素空间中。

一起参与讨论的还有斯坦福大学教授、Coursera 联合创始人 Daphne Koller。她的研究领域主要是人工智能及其在生物医学科学中的应用。她指出了理解因果关系对于构建未来AI系统的重要性。

以下是视频的文字版本：

主持人：我在世界经济论坛中参与过一些讨论。他们说，我们的数据快用完了，真的吗？网络上没有那么多了？

Daphne Koller：是真的。

主持人：但是自动驾驶汽车可能提供更多数据。Yann，你觉得呢？

Yann LeCun：我完全同意 Daphne 的观点。当然，如果我们致力于 LLM，或者说是自回归 LLM，我们可以看到它们的发展正趋向极致。毫无疑问，数据资源正变得越来越少，我们基本上已经使用了互联网上所有的公共数据。小型 LLM 使用十万亿 token 进行训练。以每个词大约 2 字节计算，我们用于训练的数据总量大约是 2*10¹³ 字节，用普通人的阅读速度来说，读完这些数据需要 15 万到 20 万年。

想象一下，一个孩子通过眼睛看到了多少东西。比如一个四岁的孩子，我们来试着量化一下 Ta 生活中所看到的信息量：每秒视神经传输大约 20 兆字节的数据，在孩子的头四年的生活中，醒着的时间有 16000 小时，每小时 3600 秒，计算可以得出有一千兆字节的信息量。由此可以看出，一个四岁的孩子所看到的信息总量，是最大的大模型所消化的数据量的 50 倍。

四岁的孩子比我们拥有的最大的 LLM 要聪明得多。Ta 积累的知识量看似更少，但这是因为形式不同。实际上，对于这个孩子来说，Ta 对世界如何运作有着很丰富的认知，而我们今天还不能用 LLM 做到这一点。我们还需要发明一些新的科学方法和技术，来让未来的 AI 系统像孩子一样，能够利用这些看到的信息。这将需要一些科学和技术上的突破，可能会在一年、三年、五年、十年后发生，很难说出准确的时间，因为这是个挑战。

主持人：确认一下我是否理解了你的意思。可获得的文本数据量会增长，但并不是无限的。而我们能输入到这些机器中的视觉数据量却是巨大的，远远超过文本数据。

Yann LeCun：我刚才提到的 16000 小时的视觉内容，相当于 YouTube 上 30 分钟的上传量。这意味着，我们拥有的数据远远超过我们能处理的量。问题在于，我们如何让机器从视频中学习呢？我们并不知道。

主持人：那么如果下一步是要处理视频输入，需要什么样的新架构呢？显然大型语言模型并不是好的选择，它的构建方式并不适合处理视频，那我们现在需要构建什么？

Yann LeCun：大型语言模型或者一般的 NLP 系统，通常是用这种方法训练的。拿一段文本，然后故意删掉一些地方，接着用一个巨大的神经网络来重建文本，也就是预测那些被删掉的词，也就是通过删掉一些词来「破坏」文本。像 ChatGPT 和 Lama 这样的模型都是这样训练的。你只需删掉最后一个词就能训练它们。从技术上讲实际上更复杂，不过大体就是这么个意思，训练这个系统来重建输入中缺失的信息。

一个显而易见的想法就出现了，为什么我们不用图片来试试呢？拿一张图片，通过移除一小部分来损坏图像，然后训练大型神经网络来恢复它。但这并不奏效，或者说效果并不好。这方面已经有很多尝试，但都不太成功。对于视频也是一样。

我已经研究视频预测九年了。我一直在尝试预测，就是向系统展示一段视频，然后训练它预测接下来会发生什么。如果系统能做到这点，它可能就能理解世界的一些基本规律，就像文本系统试图预测下一个词一样。它得能理解句子的含义，但这也做不到。

主持人：你的意思是，你拍了一段视频，你让视频里的人拿着笔把手举高，然后放开，我就能预测笔会掉下来。但现在机器并不能做到这一点？

Yann LeCun：主要的问题在于，你的笔有一些特殊的摆放方式。当你把它丢下去的时候，它会沿着特定的轨迹下落。我们大多数人无法准确预测轨迹是什么，但可以预测物体会掉下来。婴儿大概要花九个月的时间，才能理解没有支撑的物体会掉下来。这种直觉上的物理知识，婴儿九个月就能学会，那我们怎样让机器也做到这一点呢？

主持人：等一下，我想问个可能有点傻的问题。如果想要这些技术有效果，并持续革新，那就需要它们能够理解视频，毕竟数据都在视频里。但我们自己都不完全理解视频，这个矛盾该如何解决呢？

Yann LeCun：其实目前还没有真正的解决办法。但目前最有希望的，至少是能用于图像识别的东西，说出来可能会让大家惊讶，并不是生成式的。

所以最有效的模型不是生成图像的，不是重建，也不是直接预测。它做的是在一个抽象的表征空间中进行预测，就像我无法准确预测你手中的笔会如何掉落一样。但我可以预测它将会掉落。在某种抽象的层面上，一支笔具体在哪里以及它的确切摆放方式和其他具体细节，我都可以做出预测。

所以，我们需要在抽象表征空间中预测，而不是具体的像素空间。这就是为什么像素空间的预测都失败了，因为它太复杂了。

Daphne Koller：但是这不仅仅是关于视频的问题。我认为婴儿学到的另一件事是因果的概念。他们通过对世界的干预，并观察发生的事情来学习的。而我们的 LLM 还没有做到这一点。它们完全是预测性引擎，只是在建立关联，没有真正理解因果关系。而理解因果关系，对于人类与物质世界的交互极为重要，尤其是在我们尝试将数字信息与实体世界联系起来的时候。这是当前模型中缺失的一项很重要的能力。这种能力在实际应用的模型中缺失，在计算机进行常识推理的能力中也是缺失的。当我们尝试将其应用于其他领域，无论是制造业、生物学还是任何与物理世界互动的领域时，这种能力也都是缺失的。

Yann LeCun：在具身系统中，它实际上是有效的。有些系统是建立在对世界的模型上的。比如，这里有一个表示在时间点 t 的世界状态的模型，这里是我可能会采取的行动。想一想，在时间点 t+1 世界的状态会是什么？这就是所谓的世界模型。如果你有了这种世界模型，你就可以规划一系列行动来达到一个特定目标。

目前，我们还没有任何基于这一原理的 AI 系统，除了非常简单的机器人系统。它们的学习速度并不快。因此，一旦我们能够扩展这种模型的规模，我们就能拥有能理解世界、理解物理世界的系统。它们可以规划，可以推理，可以理解因果关系。因为它们知道一个行动可能产生什么效果。它将以目标为导向。我们可以利用这种规划给它们设定目标，这就是人工智能系统的未来架构。在我看来，一旦我们搞清楚怎么实现这一切，就不会有人还愿意用目前的方式。

^{原视频地址：https://www.weforum.org/events/world-economic-forum-annual-meeting-2024/sessions/the-expanding-universe-of-generative-models/}

理论Daphne KollerYann LeCun

相关数据

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

自动驾驶汽车技术

自动驾驶汽车，又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人，是自动化载具的一种，具有传统汽车的运输能力。作为自动化载具，自动驾驶汽车不需要人为操作即能感测其环境及导航。

来源：维基百科

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度，其目的是进行资源的优化。常见的规划方法包括经典规划（Classical Planning）、分层任务网络（HTN）和 logistics 规划。

来源：机器之心

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

生成模型技术

在概率统计理论中, 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例如根据某个变量的概率密度函数进行数据采样），也可以用来建立变量间的条件概率分布。

来源：维基百科

常识推理技术

常识推理是人工智能（AI）的一个分支，它关注模拟人类每天遇到的普通情境的类型和本质的假设。这些假设包括对人和物体的物理特性，目的，意图和行为的判断，以及他们的行为和相互作用的可能结果。展示常识推理的设备将能够预测结果并得出类似于人类民间心理学（人类对人们的行为和意图进行推理的天生能力）和天真物理学（人类对物理世界的自然理解）的结论。

来源：维基百科

语言模型技术

统计式的语言模型是借由一个几率分布，而指派几率给字词所组成的字串。语言模型经常使用在许多自然语言处理方面的应用，如语音识别，机器翻译，词性标注，句法分析和资讯检索。

来源：维基百科

量化技术

深度学习中的量化是指，用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

来源：Medium

视频预测技术

视频预测任务是指在基于给定的视频帧序列，生成一个可信的未来帧序列。