編者按：本文原作者carlos e. perez，由雷鋒網(公衆号：雷鋒網)編譯整理。
yann lecun在很多演講中反複提到一個著名的“蛋糕”比喻：
如果人工智能是一塊蛋糕，那麼強化學習（ reinforcement learning）是蛋糕上的一粒櫻桃，監督學習（supervised learning）是外面的一層糖霜，無監督學習（ unsupervised learning）則是蛋糕胚。 目前我們隻知道如何制作糖霜和櫻桃，卻不知如何制作蛋糕胚。
到12月初巴塞羅那的nips 2016時，lecun就開始使用“預測學習”（predictive learning）這個新詞，來代替蛋糕胚“無監督學習”了。
lecun在演講中說道：
我們一直在錯過一個關鍵因素就是預測（或無監督）學習，這是指：機器給真實環境模組化、預測可能的未來、并通過觀察和示範來了解世界是如何運作的能力。
這是一個有趣的微妙的變化，暗示了lecun對于“蛋糕”看法的改變。其觀點認為在加速ai發展程序之前，有很多的基礎性工作要完成。換句話就是，通過增加更多的能力（比如記憶、知識基礎和智能體）來建立目前的監督式學習，這意味着在我們能夠建造那個“預測性的基礎層級”之前，還有很多漫長艱辛的路途要走。
在其最新的 nips 2016的演講中，lecun放出了這麼一張ppt，列出了ai發展中的障礙：
機器需要學習/了解世界是如何運作的（包括實體世界、數字世界、人等，獲得一定程度的常識） 機器需要學習大量的背景知識（通過觀察和行動實作） 機器需要觀察世界的狀态（以做出精準的預測和計劃） 機器需要更新并記憶對世界狀态的估測（關注重大事件，記住相關事件） 機器需要推理和規劃（預測哪些行為，會最終導緻理想的世界狀态）
預測學習，很顯然要求其能夠不僅在無人監督的情況下學習，而且還能夠習得一種預測世界的模型。lecun正在嘗試改變我們對ai的固有分類的原因，或許是在表明，ai離最終的目标還有很多艱辛的路途要走。
最近受雇于蘋果的ruslan salakhudinov教授曾做過一個關于無監督學習的演講，在他示範的這張ppt的最右下角，提到了“生成對抗網絡”（gans）。
gans由互相競争的神經網絡組成：生成器和辨識器，前者試圖産生假的圖像，後者鑒别出真正的圖像。
gans系統有趣的特點就是，一個封閉的形狀損失函數并不是必須的。實際上，一些系統能夠發現自己的損失函數，這是很令人驚喜的。但gans網絡的一個缺點，就是很難訓練，這當中需要為一個非合作性的雙方博弈，找到一個納什均衡。
lecun在一個最近的關于無監督學習的演講中稱，對抗性網絡是“20年來機器學習領域最酷的想法”。
elon musk所資助的非營利研究組織openai，對生成模型格外偏愛。他們的動力可以總結為理查德·費曼的一句名言“不是我創造的，我就不能了解”（what i cannot create, i do not understand）。費曼這裡其實是指“首要原則”（first principles）思考方法：通過建構驗證過的概念來了解事物。
在ai領域，或許就是指：如果一個機器能夠生成具有高度真實感的模型（這是一大飛躍），那麼它就發展出了對預測模型的了解。這恰好就是gans所采取的方法。
這些圖檔都是由gans系統根據給定詞彙生成的。比如，給定詞彙有“紅腳鹬”、“螞蟻”、“修道院”和"火山"，便生成了如下圖像。
這些生成的圖像很令人驚豔，我想很多人類都不會畫得這樣好。
當然，這個系統也不是完美的，比如下面這些圖像就搞砸了。但是，我見過很多人在玩“畫圖猜詞”遊戲時畫得比這些糟糕多了。
目前的共識是，這些生成模型并不能準确捕捉到給定任務的“語義”：它們其實并不能了解“螞蟻”、“紅腳鹬”、"火山"等詞的意義，但卻能很好地進行模仿和預測。這些圖檔并不是機器基于原有訓練圖檔庫的再創造，而是根據通用模型（generalized model）所推斷出的非常接近現實的結果。
這種使用對抗性網絡的方法，異于經典的機器學習方法。我們有兩個互相競争的神經網絡，但又好像在共同協作達成一種“泛化能力”（ generalization）。
在經典的機器學習領域，研究人員先定義一個目标函數，然後使用他最喜愛的優化算法。但這當中有一個問題，那就是我們都無法準确得知所定的目标函數是否是正确的。而gans令人驚喜的地方在于，它們甚至能夠習得自己的目标函數！