Facebook首席人工智能科學家、當代人工智能先驅之一的YannLeCun在接受英國「金融時報」采訪時表示，公司當前的目標包括打造一個具備「常識」、能與人類就任何主題展開交流的的數字助理，他認為這是當今語音控制設備必須踏出的關鍵一步；此外，Facebook還希望能將AI變成實用的社交網絡管控工具，協助人類實時監控視頻并決定哪些內容可以在平臺上出現。

為此，YannLeCun說Facebook與多家芯片公司展開了合作，比如最近與英特爾的合作項目，以及Facebook自行開發、可支持自家AI程序的定制「ASIC」芯片?！副娝苤?，Facebook經常根據自身業務需求來構建硬件矩陣，ASIC芯片是其中一個例子。我們將為此竭盡全力「這是Facebook首次以官方的形式公開其在AI芯片領域的愿景。談及Facebook在芯片以及計算系統基礎方面取得突破的可能性，YannLeCun補充道：「往下絕對擁有巨大的發展空間?！?/p>

無論如何，Facebook自行打造專屬的AI芯片將給Nvidia帶來長期挑戰，因為Nvidia是目前AI圖形處理器的主要生產商，接下來將面臨來自大數據中心客戶退出的短期擠壓。實際上，一款速度快、功耗低，用來執行指定任務的專業AI芯片，不僅只有谷歌、亞馬遜、蘋果等大公司在傾力投入，當中還包括幾十家初創企業。

全球AI芯片初創企業近幾年的融資情況（來源：CBInsights）

大家之所以會對芯片設計和硬件架構的前景表示關注，是因為意識到只有在基礎計算方面取得根本性突破，才能避免AI走進死胡同。

YannLeCun表示，在人工智能整個發展歷史中，研究人員提出有突破性的見解以前，往往都會在硬件層面先取得長足進步。「在一段相當長的時間里，人們都沒有什么具體想法」這阻礙了人工智能的發展。其中就包括反向傳播——當今深度學習系統中非常核心的一項技術，它通過將算法重新進行計算以最大限度減少錯誤。反向傳播是早期研究的一個明顯延伸，一直到計算硬件發展成熟之后才在20世紀90年代得到廣泛應用。

Facebook在過去也曾經設計過其他類型的硬件，比如針對數據中心設備的新想法，然后再開放供其他人使用。YannLeCun表示，同樣的理念也會應用到AI芯片的設計上，并補充道：「我們的目的是讓更多的人因此受益?！?/p>

此外，Facebook還會將研究重點放在新神經網絡的設計上，這是深度學習系統的核心，它有效促進了圖像識別與語音識別等領域的發展。三十年前，當YannLeCun還在在AT＆T貝爾實驗室投身于AI芯片研究工作時，他建立了第一個「卷積」神經網絡-一種借鑒了動物視覺皮層如何工作的設計，而這在當今的深度學習系統中很是常見。

Facebook 首席人工智能科學家 Yann LeCun

今天的神經網絡經常使用一個被稱作監督學習的技術，該技術需要大量的數據進行訓練，一旦在Facebook這種體量的公司上運行，還將消耗大量電力。據YannLeCun介紹，如今Facebook每日需要對上傳至系統上的2-3億張照片進行大量即時分析，其中包括使用面部識別技術辨別照片中的人物、為描述場景起標題、以及識別類似裸露等在平臺上不被允許的內容。

Facebook正致力于“做一切可以降低功耗并改善延遲的事情”來提升系統處理速度。他補充道，在網站上對視頻進行實時監控的巨大需求，導致需要對神經網絡重新進行設計。

為此，Facebook如今正努力尋找全新的神經網絡架構，以便能模擬人類智能的更多方面，使其能更自然地與人類進行交互。YannLeCun表示，Facebook正在在大力投入建設“自我監督”（self-supervised）系統，該系統能夠對真實世界做出更廣泛的預測，而不只是根據訓練數據來得出結論。這將使系統對世界產生廣泛的理解，從而讓人類得以應對新情況。

“就新用途而言，Facebook很希望開發出具體一定“常識”水平的智能數字助理”他如此說道?！斑@些助理擁有相應知識背景，你可以就任何話題與它們進行探討?！比欢?，創建這種具有常識的計算機的想法尚處于早期階段，YannLeCun表示，這種更深層次的智能“不會在明天突然發生”。

“我們都希望機器能夠像人類或者動物一樣能夠理解當世界對你的交互做出反應時會發生什么。為此，我們在因果關系的研究方面下了很大功夫，“他這么說道。“如何在不確定性中做出預測是當今的主要挑戰之一?！?/p>

Facebook是推動當今神經網絡研究工作的一個重要力量。YannLeCun周一將在舊金山舉行的芯片會議上發表演講來概述這項工作。其中就包括可以根據數據調整其設計的網絡，以便能夠更靈活地應對現實世界。另一個關于網絡的研究途徑是僅“除去”那些需要用來解決特定問題的神經元，這種方法借鑒了人類大腦的運作方式，可以有效降低功耗。其他研究工作還包括將計算機存儲器添加到神經網絡當中，以便在與人類進行“對話”時，可通過保留更多信息來形成更強的上下文語境。

另外值得一提的是，關于神經網絡如何發揮作用的研究進展很可能對芯片的設計產生影響，給制造當今領先AI芯片的公司帶來更多競爭。YannLeCun補充說道，谷歌的TPU——已成為當今最強大的機器學習芯片“仍然被業界普遍使用”，“然而他們的假設不一定適用于未來的神經網絡架構。”

另一方面，硅設計的靈活性可能還存在其他缺點。例如，微軟有計劃在其所有數據中心的服務器中植入一種被稱為fieldprogrammablegatearray的新類型芯片。雖然在使用上更加靈活，然而卻降低了處理大量數據時的效率，使它們在應對特定任務時在芯片處理方面處于劣勢地位。