著名 AI 学者、图灵奖得主 Yann LeCun 表示，机器之心一直不看好自回归 LLM，认为这种技术很难像人类和动物一样高效地学习。他认为当前的 ML 系统需要通过大量试验进行训练，才能在训练期间覆盖最意外的情况。而要想让 AI 如此发展，需要先实现拥有猫类（或狗类）级别的智能，且AI 应该朝这个方向发展。最近 LeCun 在哈佛大学的演讲也深入探讨了这个问题，长达 95 页，堪称干货满满。

：

《机器之心：关于机器学习的深度探讨》

在信息爆炸的时代，机器学习成为了我们理解和利用数据的重要工具。然而，随着人工智能的发展，有些人开始担忧机器学习的进步可能会对人类社会产生威胁。例如，有人担心机器学习可能会取代人类的工作，或者机器学习可能会导致人机关系的疏远。

尽管如此，我认为机器学习并非一无是处。实际上，机器学习可以帮助我们解决许多复杂的问题，并且它的发展前景十分广阔。本文将深入探讨机器学习的一些关键问题，并讨论如何让机器学习达到更高的效率和水平。
首先，让我们来看看机器学习的基本概念。机器学习是一种计算机科学技术，它的目标是使计算机能够从经验中自动学习和改进，从而无需明确编程。在这个过程中，算法会不断地分析数据并从中提取出模式，然后使用这些模式来做出决策或预测未来的事件。
对于机器学习来说，有一个关键问题就是“记忆”。虽然我们希望计算机能够记住以前的信息，但这并不总是可能的。这是因为，我们的大脑无法同时处理大量的信息。因此，我们需要开发新的算法和技术，使得计算机能够在处理大量信息的同时，也能保持高效的学习能力。
此外，另一个重要的问题是“优化”。虽然计算机已经能够从数据中提取出模式，但我们也希望它能够在没有明显模式的情况下，依然能够准确地完成任务。这就需要我们在设计算法时，考虑到各种可能出现的情况，并尽可能地使其能够在各种情况下都能正常工作。
在这个过程中，有一些工具和方法可以用来帮助我们更好地理解机器学习。例如，我们可以使用深度学习技术，这是一种基于神经网络的方法，它可以有效地处理大量数据，并从中提取出有用的模式。另外，我们也可以使用强化学习技术，这是一种通过试错的方式来学习的方法，它可以教会计算机如何在环境中取得最佳结果。
总的来说，虽然机器学习存在一些挑战，但我仍然相信它有着巨大的发展潜力。在未来，我期待看到更多的创新和突破，以及机器学习在各个领域的应用。
总结：
总的来说，机器学习是一个非常有潜力的技术，它可以帮助我们解决许多复杂的问题，并且它的发展前景十分广阔。尽管存在一些挑战，但我仍然相信它有着巨大的发展潜力。在未来，我期待看到更多的创新和突破，以及机器学习在各个领域的应用。
这是一篇关于机器学习的深度探讨的文章，我在这篇文章中详细讨论了一些关键问题，并探讨了如何让机器学习达到更高的效率和水平。我相信，只有深入了解机器学习的原理和技术，我们才能真正地利用这一强大的工具，解决我们面临的各种问题。