一、讲座的主题是：过去，现在和未来
1.当下前沿的人工智能技术及其局限
当前的AI方法主要基于监督学习，机器能够识别已经标记好的数据，但是怎么能让机器识别没有标记的数据？怎么通过已经看到的东西来预测尚未看到的东西？
LeCun指出人工智能发展的障碍：如何能让机器获得常识？
他还指出人工智能进步所面临的障碍：
机器需要学习/理解世界的工作方式：它们需要具备一定程度的常识
机器需要学习非常大量的背景知识：通过观察和行动
机器需要理解世界的状态：从而做出准确的预测和规划
机器学习更新和记忆对世界状态的估计：关注重要事件、记忆相关事件
机器需要推理和规划：预测哪些动作序列可以导致我们想要的世界状态
2.如何发展人工智能技术让其更加智能
LeCun给出的答案是：机器不仅需要学习、理解这个世界，学习大量的背景知识，还需要感知世界的状态，更新、记忆并评估世界的状态，而且还要有推理和计划的能力。这也就是所谓的智能&常识=感知+预测模型+记忆+推理和规划。
从让机器获取常识来看，无监督学习和预测学习是十分必要的，也是未来几年深度学习型领域的巨大挑战。通常，需要拿来去训练一个大型学习机器的样本数量取决于我们要求机器所预测的信息量。你需要机器回答的问题越多，样本数量就要越大。
他给出了一组数据来证明这个推论：“大脑有 10 的 14 次方个突触，我们却只能活大概 10 的 9 次方秒。因此我们的参数比我们所获得的数据会多得多。这一事实激发了这一思想：既然感知输入（包括生理上的本体感受）是我们每秒获取 10^5 维度约束（10^5 dimensions of constraint）的唯一地方，那么，就必须进行大量的无监督学习。”
人工智能系统的架构，包括感知器、代理、目标、环境。
也即：预测+规划=推理。
智能的本质是预测的能力，要提前进行规划，我们需要模拟这个世界，然后采取行动以最小化预测损失。
3.提问环节和LeCun与八名企业家探讨AI
一位同学用中式英语提问“请问机器学习能否预测股票？”当时说的第一遍竟然没让LeCun听懂，真是尴尬。他听懂后说“至今还没有人能够预测出来，但要知道股票市场中有一些secret data是你不能获得的，另外股票受很多因素影响，所以很难。”
有一位同学问“请问您如何看待将人工智能应用到机器人开发中？”他说“首先，我很鼓励这样的想法，也希望你们能够一直做下去；其次，希望你们能够熟练掌握机器人和人工智能的相关知识；最后，支持更多的开发者将人工智能应用于不同领域。”
印象最深的是有位企业家提出能否让人们学习machine learning的门槛在降低点，无论是软件框架上，还是硬件GPU上？LeCun的回答是，他也十分倡导门槛能够降低，欢迎更多的爱好者加入学习，开发。
二、当时的感触
1.英语（口语）不好真的没法张口；
2.机器学习激发了各行各业爱好者们的兴趣，但这条路上充满挑战和未知；
3.研究生阶段努力钻研专业知识，形成体系，推陈出新。
