观点 | LeCun卸任成剧变?看FAIR研究员田渊栋如何看待

转自知乎专栏

作者:田渊栋

近日,人工智能先驱、纽约大学教授 Yann LeCun 卸任 Facebook 人工智能实验室(FAIR)主任一职,改任首席 AI 科学家,接任者是 Jerome Pesenti,LeCun 将向其汇报。这在业界引起了一场舆论风波。比如,华盛顿大学教授、《终极算法》作者 Pedro Domingos 在华盛顿邮报的一篇文章中声称 Facebook 与谷歌、微软在人工智能方面还存在不小差距;LeCun 的卸任折射出了 Facebook 人工智能的研发与工程化之间的深层矛盾。面对这些外界看法,FAIR 内部人员如何看待 LeCun 卸任一事呢?卡耐基梅隆大学机器人系博士、FAIR 人工智能研究员田渊栋发表了自己的观点,机器之心经授权获得转载。

FAIR 现在一切风平浪静,大家该干啥干啥,没见到和之前有什么区别,还是做 long-term 的工作,还是偏重科研,还是没有产品压力。我都不知道这些传言是怎么来的。

FAIR 基本上是自底向上的管理模式,给一个环境让研究者们去探索,只要有进展,老板们不会干涉。现在大家知道围棋是好方向了,但退回 2015 年做围棋,碰到个有点控制欲的老板还不把你一脚踹到爪哇国去,但是 FAIR 不会,大家以「与别人不同」为荣,并且愿意沿着自己看准的方向坚持下去。当时我做围棋大家会质疑,但我可以继续做。做原创研究要」于无声处听惊雷「,要是都听着上头的,上头指哪下头打哪,就没有原创性了,很多时候大佬说的都是错的。

之前 Yann 的 reports 太多,他不想管也很正常。国外管人很难的,手下人都是大爷,要好好伺候着,有啥不顺心的要负责解决,出活碰到障碍要提供便利,没思路了要经常一起讨论,要拉合作,作统筹,而且还到处是坑,说错话做错事责任全在管理者头上。

研究其实分两种,一种灌水式研究,以文章中稿为目的;另一种是解决式研究,以解决问题为目的。FAIR 从成立之初就是做后一种研究,文章不看多而看精,看效果和质量,不仅看文章,还看开源代码,看影响力。FastText,Convolutional Machine Translation,MaskRCNN,还有最近的 detectron,包括我这边的 ELF,都是被广泛关注并且可以在各种场景下用上的。在过去的四年里,FAIR 给公司带来了不可估量的价值,让大家觉得 FB 也是一个技术上很厉害的公司,牛人会纠结是去 Google Brain,DeepMind 还是来我们这里,这还不够么?

站在解决式研究的角度上看,它和产品没有什么不可调和的矛盾,最大的区别是检验标准。产品组标准相对客观简单,可能就几个数字,多少人在用,时长是不是涨了,等等;研究这边就多元化了,新方法,新方向,新思路,就算一时的」大逆不道「都可能是好的。所以一个研究团队要有好的头儿带,要有好的鉴赏力,知道什么是好的研究,什么是一般的研究,什么是在浪费时间,什么需要给空间让大家探索,并且可以把这个标准坚持下去。这个很重要,别看人家到处做讲座好像没干啥,大佬就是起这个作用的。

另一个是长期和短期的区别。太过注重短期效益,逼得紧,每周都要有进展,那就只能在原方法上修修补补(我以前在 Google 的组就是这样);给一个宽容的环境,鼓励大家坚持长期的方向,就会有创新出来。如 @ 吴育昕所说,对长期的项目现在投入是越来越大了。注意宽容并不意味着我们很闲,事实上像我基本上是 7 天 13-14 小时工作制,算法到系统到理论分析都搞,搭建系统的速度,产品组同事们看了 commit 的频率都无法插手。宽容只是容许失败,容许尝试很多不一样的方向,只要你努力了,就算失败也不会让人难堪,反而可以堂堂正正说试过了,换一个方向再试一次。

所以,你们觉得这样的组会被干掉么?

另外附带说一句,一直以来 FAIR 宣传自己是研究组,宣传各种文章各种研究成果,可能有点用力过猛,导致大家对它有误解,以为它只做研究,和产品关系不大。其实 FAIR 虽然没有产品压力,但和以前 MSR 有点不一样的地方是它一直在 deliver,一直有各种东西放进产品里面去,我上面列举的那些好项目,难道都是看着当摆设的?现在因为 AI 平台兼容性强很多,技术转化相对方便,要送训练好的模型去服务产品,真的不是什么难事情。以前听说 MSR 要花上一年时间才能转化研究成果,现在 FAIR 这里搞个新闻,明天一封 email 就来了要谈内部合作。我来 FAIR 的第一个小项目就是完全出于个人兴趣和我的 bootcamp mentor 做了个内部产品,不仅发布了还被 VP 点名了。不过我为啥要宣传这事呢?还是讨论高大上的游戏和强化学习比较吸睛啊。

可能大家只有「科研」、「工程」这几个概念,所以不知不觉把事情往非黑即白的方向上去想了,其实世界都是灰的。

原文链接:https://www.zhihu.com/question/266074007

本文为机器之心经授权转载,转载请联系原作者获得授权。

本文分享自微信公众号 - 机器之心(almosthuman2014)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-01-27

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

【涨姿势】绝不装逼的大数据科普(二)

言归正传,今天带来浅显易懂的大数据科普(二),会围绕一些大数据的关键概念重点普及一下,如果您已经很懂了也不要跑,本文可作为您的最佳厕所读物。 数据(data)这...

30360
来自专栏灯塔大数据

探秘|人工智能技术是基于大数据吃饭的?

自从 Google 的人工智能 AlphaGO 成为围棋界的百胜将军开始,AI(Artificial Intelligence,人工智能)这两个英文字,刹那间成...

311100
来自专栏钱塘大数据

没有大数据就没有人工智能?

自从 Google 的人工智能 AlphaGO 成为围棋界的百胜将军开始,AI(Artificial Intelligence,人工智能)这两个英文字,刹那间成...

30150
来自专栏leland的专栏

游戏与人工智能

在人工智能的发展上的道路上,游戏到底扮演着一个怎样的角色?也许接下来五分钟的阅读(多图预警),会让你得到一个较为清晰的答案。

479240
来自专栏PPV课数据科学社区

数据科学家自我修养——一份数据科学的开放课程清单

最近一年以来,大数据这个概念被吹嘘的天花乱坠,仿佛你要是不说大数据就落伍了。继云计算之后,大数据已然成为IT行业的热点。《哈佛商业评论》更是宣称“数据科学家”是...

32960
来自专栏吉浦迅科技

如何运用 GPU 分析细胞,减少不必要的摄护腺癌活体组织切片

每年在北美洲约有130万人接受活体组织切片,以判断他们是否罹患摄护腺癌。这些只是遵照医嘱进行多次检测,以查证是否有癌症病状,但其中许多病历最后证明是无需进行切片...

34770
来自专栏大数据文摘

人类历史上最有影响力的5张信息图

364100
来自专栏吉浦迅科技

赢了围棋还能做面包?深度学习能够为您的企业带来什么好处?

您也许不是 F1 赛车的狂热车迷,但是,很难不去欣赏这样迷人的机器。流线造型、美丽车身、疾速飞驰、全车充斥着迷人的科技,甚至巴望着自己狭窄的小车也能有一点点的相...

34750
来自专栏CreateAMind

一旦机器人眼超越人眼,机器人物种会发生大爆炸 | 张晓林 一席第424位讲者 内容丰富深入

作者介绍了眼睛进化的丰富知识,生物视觉的各种类型、还有鹰眼、兔眼等各种生物眼,介绍了生物视觉的各种应用:机器视觉的路线分析。仿生眼的制作思路。前庭动眼反射就是人...

18140
来自专栏AI科技大本营的专栏

古代荀子也懂AI?达芬奇的手术机器人有多神奇? 听浙大吴飞扒一扒人工智能的“古今中外”!

整理 | 晶晶 西周的印纸造文、三国的木牛流马、希腊古城的黄金机器女仆……吴飞的演讲,一下子将人工智能的历史拉到了2000年前……原来用机器替代劳动的想法古已有...

43050

扫码关注云+社区

领取腾讯云代金券