本文來自於：HUFF POST，原文標題為《Meet The Man In The Front Seat Of Google's Driverless Car》，Tech2ipo 翻譯。

剛踏出大學校門的時候， Brian Torcellini 的夢想是成為一位專門描寫衝浪運動的作家。

然而， Torcellini 卻在六年前入職到 Google ，夜以繼日地沉浸在位於 Google 矽谷總部附近一個塵土飛揚、燈光昏暗的車庫中。在技​​術海洋中乘風破浪的 Torcellini 最後得到了一個充滿矛盾的崗位：擔任無人駕駛汽車的司機。

現年31 歲的 Torcellini 帶領著一個由「司機」組成的測試團隊。出於安全考慮，美國法律要求 Google 為全數 48 輛的無人駕駛汽車配備司機。但 Google 的工程師卻一直致力於打造出完全無需人工干預的自動駕駛汽車。

「許多人在工作的時候都是待在一個小空間裡，只是我們所待的空間會在路上移動。萬一我們最終獲得了成功，等待我們的將會是圓滿失去這份工作的結局。」Torcellini 說道。

在近六年中，無人駕駛汽車已經分別在私家小路、高速公路和城市街道上行駛了超過 2,000,000 英里，其中大部分測試地點位於 Google 舊金山總部附近。

無人駕駛汽車有超過一半的行程是在自動模式下行駛的， Google 會為無人駕駛汽車配備一位測試司機以便在技術出錯等危機出現時進行接手。另一位測試人員會坐在汽車的副駕駛座位上記錄出現的問題並記錄下需要研究的道路情況。

「我可不想把自己比喻成太空人，但有時候感覺還挺像的。」Google 的測試司 Ryan Espinosa 說道。 Ryan Espinosa 曾經陪同一位美聯社記者在一輛自動駕駛的雷克薩斯轎車上行駛了 20 分鐘，全程無需任何人工干預。

如果無人駕駛技術真的如 Google 預想一般，那麼到 2020 年乘坐無人駕駛汽車的人就只有乘客了，人們可以尋求一種更為便捷的方式出門。

那時司機也會變得更少，因為無人駕駛汽車在未來必將實現全自動化，完全沒有必要專門配備人員來控制方向盤或者踩剎車。車內的一切都由感應器、雷射、軟體以及複雜的車載地圖共同進行控制。屆時 Google 的測試司機們或許也該尋找新工作了。

擔任測試司機的人需要具備一定程度的冒險精神，從高中便開始衝浪的 Torcellini 顯然具備冒險精神。他還有許多興趣，包括用長矛捕魚以及潛水等。 Torcellini 認為自己鑽入 Google 無人駕駛汽車的車廂並打開自動控制模式的行為無疑也是一次冒險。

「在從事器械潛水的時候你只需細想就會發現自己正在進行的活動對於人類而言原本是不可能的，因為你在水中呼吸。」Torcellini 說道，「在鑽進無人駕駛汽車的時候你的感覺也一樣，這對於人類而言原來也是不可能的事情。」

沒錯，負責無人駕駛汽車編寫程式的工程師們必然擁有深厚的技術背景，但擔任測試司機的人可不一定。

Torcellini 在聖地亞哥州立大學（San Diego State University）攻讀政治科學學位的時候在一家藥店倉庫中工作，他是在朋友的建議下才會選擇面試這個在當時仍處於保密狀態下的項目。最終 Torcellini 在 2009 年進入 Google 。

現年27 歲的 Espinosa 進入 Google 已經有兩年半的時間，在進入 Google 之前 Espinosa 在一家自行車店里工作。現年 28 歲的 Stephanie Villegas 在成為測試司機之前曾經從事過游泳教練、磨刀工匠以及債券交易員等職業。還有一些測試司機是退伍老兵或者是前攝影師。他們之間有一個共通點：他們都擁有良好的駕駛記錄。

在被分派給無人駕駛汽車之前，測試司機們需要接受為期三週的訓練課程，課程將教導司機如何在心存疑慮以及遇上危險等情況下將汽車的控制權從機器人手中搶奪過來。

據悉， Google 聘請了數十名測試司機，但 Google 拒絕透露具體數量。測試司機的真實數量應該接近 100 位，因為加州法律規定在進行測試時，每輛汽車至少需要配備 2 名測試司機，而 Google 目前擁有 23 輛雷克薩斯和 25 輛外形像是豆莢的汽車。

目前 Google 有少部分無人駕駛汽車在位於德克薩斯州的奧斯汀市（Austin, Texas）盤旋，由此可以推測應該有少部分測試司機駐紮在當地。

測試司機的團隊由全職員工和承包商組成，其中有部分承包商最終也成功被 Google 聘用。

從 Google 近期在 Glassdoor.com 發布的招聘消息可知，承包商身份的測試司機的時薪為 20 美元，他們的工作中經常會出現加班的情況（每天工作時間超過 8 小時或每週工作時間超過 40 小時）。而全職身份的測試司機在享受薪酬的同時還可享有公司股票的優先認購權，但 Google 並沒有透露全職測試司機的薪酬水平。

除了必須擁有良好的駕駛記錄以外，要成為測試司機還需具備良好的判斷力、充足的耐性以及一定的無畏精神。在 2010 年的五月至八月期間，無人駕駛汽車總共發生了 16 起事故，但隨著在公共道路上行駛時長的增加，事故發生的頻率也越來越高。其中有半數的事故發生在今年二月至今的時間裡。目前無人駕駛汽車每週都會在自動模式下行駛 10,000 英里，因此事故發生的頻率也會隨之上升。但目前為止還未發生過任何嚴重的傷亡事件。

Google 稱應該為事故負責的並非自動駕駛技術，其中有一次事故是一名員工為了完成私人事務而選擇自行駕駛汽車造成的。另外三起追尾事故則是由於其他汽車司機在行駛過程中從事發短訊和打電話等容易分散注意力的危險行為所導致。

「我們經常可以見到一些對駕駛技術並不在行的司機。」Torcellini 說道，「我們要做的是讓機器人成為比他們更加在行的司機，當然在未來機器人的駕駛技術有可能會超過任何人類。」

This posting includes an audio/video/photo media file: Download Now

本文來自Popsci.com，原文標題為《Facebook Is Using Our Data To Build The ‘World's Best' Artificial Intelligence Lab》，虎嗅翻譯。

是時候停止把 Facebook 當作純粹的社群媒體公司來看了。它用無人機提供網路連接服務，為了發展虛擬現實而收購 Oculus ，努力不懈追求人工智慧， Facebook 已經迅速成為世界上最先進的技術研究中心之一了。

無獨有偶， Google 甚至 IBM 之類的公司也有類似的計劃，總的來說，人工智慧領域的發展已經提速到無疑會影響到人機互動的節點了。事實上，這已經發生了，不過是悄悄地在幕後進行。每月為 15 億用戶提供服務的 Facebook 對人工智慧技術興趣濃厚。 Facebook 解決的是模擬一般智力的問題——即讓計算機日漸脫離線性邏輯的機器的思考方式，而是像我們自由形態的人類以多管齊下的方式來思考。 Facebook 人工智慧研究室（FAIR）致力於解決廣義的人工智慧的問題，而語言技術項目組和 Facebook M（虛擬助手）這類規模稍小的項目組則致力於開發用戶操作中會用到的實際功能。

Facebook 人工智慧研究室的誕生

一切始於 2013 年， Facebook 創始人兼 CEO Mark Zuckerberg 、 CTO Mike Schroepfer 和其他公​​司高層在評估公司上線十年以來的成就，並思考在接下來的十年、二十年如何長盛不衰。

Facebook 已經將機器學習運用到其流行的社群網絡中，比如說決定用戶會在 News Feeds 中看到什麼內容。不過相比起當時的神經網絡成果，這不過是小兒科。

一些 Facebook 工程師也一直在嘗試卷積神經網絡（CNNs），這是一種非常強大的機器學習，現在普遍被用於圖像識別。即便人工智慧還處於發展初期， Zuckerberg 對它的潛力非常看好，因此他從 Google Brain 挖了一位叫做 Marc Aurelio Ranzato 的工程師。然後他追本溯源找到了卷積神經網絡的發明者—— Yann LeCun。

Facebook 人工智慧實驗室負責人 Yann LeCun 是​​人工智慧界的一個傳奇。他最早在 1988 年在貝爾實驗室擔任研究員（由電話之父 Alexander Graham Bell 創立，並因其在電信技術領域的無數領域的實驗而聞名）開始他的研究，然後在 AT&T 實驗室擔任部門主管直到 2003 年。那之後他開始在紐約大學任教。現代的積神神經網絡是 LeCun 職業生涯的巔峰之作。你是否曾經好奇過 ATM 怎麼能識別你的支票？這就得益於 LeCun 負責的「SN」的神經網路模擬器的早期研究，於 1996 年被採用。

「我開始和 Schroepfer 和 Mark 接洽，我想他們也許喜歡我向他們講述的東西」， LeCun 在接受《Popular Science》採訪中說道：「他們試圖說服我來運作這個實驗室……當像 Mark 那樣的人跑過來和你說：『好吧，你基本上接受了全權委託。你能組建世界一流的研究室，我希望你建立起全世界最好的人工智慧研究實驗室』。我的回答將會是：『嗯，相當有意思的挑戰。』」

關於世界頂級的研究室是什麼樣子， Yann 有自己的想法。如果你想要吸引頂尖人才，你得有一個雄心勃勃的研究室，有著雄心勃勃的長期目標。然後你還得給他們工作上的自由權，同時對你的研究你必須持有非常開放的態度。 「這和 Facebook 的信念有幾分吻合， Facebook 秉持著開放的理念。」 LeCun 說。

組建團隊

這個肩負著 Facebook 的未來的團隊規模很小，由大約 30 個研究科學家和 15 名工程師組成。團隊有三個分支： Facebook 人工智慧研究組的主要辦公室位於紐約市的 Astor Place ，由 LeCun 管理著一個由 20 名工程師和研究人員組成的團隊。 Menlo Park 的是一個同等規模的分支。六月， FAIR 又在巴黎設立了一個更小的 5 人組，與 INRIA（法國計算機科學與自動化研究機構）合作。還有很多在 Facebook 其他部門一起合作致力於人工智慧發展的團隊，例如語言技術團隊； FAIR 只是主要的研究部門。

這些研究人員和工程師來自科技領域的各個層面，同時當中很多人都曾與 Lecun 合作過。高等人工智慧研究並非是一個龐大的領域，而且 Lecun 的很多學生都創建了人工智慧方面的新創公司，它們一般會被像 Twitter 這樣更大的企業收購。

Lecun 曾經告訴《連線》雜誌，「深度學習實際上是 Geofff Hinton ，我，還有蒙特利爾大學的 Yoshua Bengio 之間的一個陰謀。」 Hinton 在 Google 研發人工智慧， Bengio 奔波於蒙特利爾大學和數據挖掘公司 Apstat 之間，而 LeCun 也與其他行業內的著名企業有千絲萬縷的關聯。

「當我第一次在貝爾實驗室做到部門主管時，我的老闆對我說，你需要記住兩點：首先，永遠不要讓自己陷入團隊內部的競爭。第二，只僱傭那些比你更聰明的人，」 LeCun 說。

負責領導語言研究子群的 Leon Bottou ，是 LeCun 的一個老同事。他們一同研發了神經網絡模擬器， 1987 年的 AmigaOS 就是他們的第一個作品。 Bottou 2015 年 3 月加入的 FAIR ，此前他在為微軟研究組工作的同時，還致力於機器學習和機器推理的探索。

從左數起， Leon Bottou , Yann LeCun , 還有 Rob Fergus，在 Facebook 的紐約辦公室里工作

2014年11月，LeCun 請來 Vladimir Vapnik 作為他們的團隊顧問。 Vapnik 和 LeCun 曾一起在貝爾實驗室工作，發表了關於機器學習的形成性研究，其中包括一項測量機器學習能力的技術。 Vapnik 是統計學習理論之父，統計學習理論即基於既定數據的預測。預測，對人類來說似乎是一個簡單的任務，實際上卻需要關於預先形成的概念和對世界的觀察巨量訊息（更多是後者）。 Vapnik ，這一領域的先驅，基於他在知識傳播上的興趣，繼續著這一領域的工作，並把師生互動時的線索運用在機器學習當中。

目標

團隊的規模和科研力量允許 Facebook 擁有雄心勃勃的長期目標，絕不會達不到被 LeCun 稱為「明確的智慧」的標準。

「迄今，最好的人工智慧係統也是愚鈍的，因為它們沒有常識。」LeCun 說道。他用一種情況舉例，比如我拿起一個瓶子，然後離開房間。 （我們在紐約 Facebook 的會議室裡討論真正的機器智慧的誕生，而這個房間的名字卻不怎麼吉利—— Gozer the Gozerian，與《魔鬼剋星》裡面的反派同名。）人類的大腦不難想像出一個人拿起瓶子然後離開房間這麼個簡單的場景，但對一台機器來說，僅這個前提就會導致大量的訊息缺失。

Yann 一邊說，我一邊在心中想像這個場景：「你很可能站起來，即使我在語句中沒有提到，你也很可能走動；你打開門，走進去，也許還會關上門；瓶子不在房間裡。由於知道真實世界的情況和界限，你可以藉由判斷。因此我並不需要告訴你所有的細節。」

現在對於機器如何學習該水平的推理，人工智慧領域的專家知道得並不多。在向這個目標邁進途中， Facebook 正致力於製造能足夠好地學習已知世界的機器。

LeCun 說：「最大的障礙是自助式學習（unsupervised learning）。」現在機器主要通過一兩種方式進行學習，即他助式學習（supervised learning）——在系統中，向機器展示成千上萬的狗的圖片，直到機器了解了狗的特徵。 Google 的 DeepDream 以研究者反轉流程以揭示出其有效性對這一方法進行了闡釋。

另一種方式是增強學習（reinforcement learning），即機器對給出的訊息以是或否的二擇一的方式進行選擇，以給出一個答案。這種學習耗費的時間稍長，但是機器被強制由自身做出內在的抉擇。當這兩種學習方式結合起來時，就會產生強大結果。 （還記得 DeepMind Atari 嗎）。自助式學習不需要回饋或者輸入， LeCun 表示這就是人類的學習方式。我們發現、得出結論，並將其加入到人類的知識庫存之中。這，被證明是一項艱鉅的任務。

LeCun 笑著說：「我們甚至沒有一個用以發展人工智慧的基本指導原則，很明顯，我們在努力尋找。我們有很多點子，只是目前沒一個奏效罷了。」

真正人工智慧的早期探索

但是這並不是說以前的探索沒有成果。現在讓 LeCun 激動的是關於「記憶網絡」的工作，其可以被整合進卷積神經網絡，並使它們獲得記憶保持的能力。 LeCun 把這個新的記憶模型比作大腦中的分別由海馬體和大腦皮層控制的短期記憶和長期記憶（ LeCun 厭惡把 CNNs 比作大腦，相反他更喜歡這個模型：一個帶有 50 億把手的黑箱）。

記憶單元允許研究者向該「記憶網絡」講說一個故事，隨後使該網絡回答關於這個故事的問題。

故事選自《魔戒》一書。我們不把全書而是書中主要情節的簡短概述（「比爾博拿到了魔戒」）講給「記憶網絡」，當被問及在書中某一具體情節中魔戒在哪裡，這個「記憶網絡」能做出簡短正確的回答。 Facebook 的 Mike Schroepfer 說（他強調技術可以幫助 Facebook 以更高的精確度向人們展示其想看到的）這意味著它理解書中事物與時間的關係。

「通過搭建能理解世界的本質、了解你所想要的是什麼的系統，我們就能幫助你。」 Schroepfer 在三月的一個開發者報告會上說道：「我們能搭建出一個系統，確保讓所有人可以把時間花在他們真正關心的事情上。」

FAIR 團隊正在圍繞這個目標開發一個被稱為「嵌入世界」的項目。在該項目中，為了幫助機器更好的理解現實， FAIR 團隊正在教它們用向量表示所有事物之間的關係，如：圖像，帖子，評論，相片及影片等之間的關係。神經網絡也在構建一個包含了能組合媒體內容、不同個體之間的距離等錯綜複雜內容的體系。

嵌入世界

Lecun 說通過使用這一系統能讓我們開始「用代數替換原因」。這表示著讓人難以置信的強大。在嵌入世界項目中開發的人工神經網絡能夠根據視覺相似性將在同一地點拍攝的兩張不同照片連接起來，並能指出文字描述是否符合場景。它重建了現實的一種虛擬記憶，並將之在其他地方和事件的背景下進行聚類。它甚至能根據一個人之前的喜好，興趣以及數字經歷「虛擬地表示這個人」。雖然這還只是帶有實驗性質的，但是對 Facebook 的新聞流呈現具有很大的影響，在跟踪標籤上也進行了一定的使用。

有很多關於長期目標的演說，但恰恰是小的勝利讓 Facebook 不斷前行。在 2014 年 6 月，他們發表了一篇名為《 DeepFace：縮小人類表現與人臉識別間差距》的文章，該文宣稱在 Facebook 的這項技術在人臉識別中已達到97%的準確率。 Lecun 說：他相信 Facebook 的人臉識別技術已達到世界第一，這也是 Facebook 與學術研究機構的一個關鍵性的區別。現在， DeepFace 是 Facebook 自動標記照片背後的驅動力。

「如果我們有一個切實有效的想法，我們就能讓它在一個月內出現在 15 億人面前。」 LeCun 說，「讓我們把目光聚焦在我們的長期目標的高度上，但是，在這個過程中會有很多我們將要去實現的會在短期具有實用性質的事。」

作為 FAIR 的研究成員之一的 Rob Fergus（右站立），正在紐約辦公室處理有關人工智慧虛擬方面的工作

作為在 NYU 和 MIT 計算機科學和人工智慧實驗室工作過的老手， Rob Fergus 領導著有關計算機視覺的 AI 團隊。他們的工作已經在自動標記相片上得到使用，接下來將被用於標記影片。大量影片因為缺乏原數據，或者沒有任何描述性文本，而被「淹沒」於噪聲中。 AI 將會能夠「觀看」影片，並將它們大致分類。

這對 Facebook 阻止那些不想被上傳到他們服務器上的內容具有巨大的意義—例如色情照片，版權問題或者其他違反他們使用條款的任何內容。它也能鑑別新聞事件，對不同類型的影片進行管理。 Facebook 之前一直將這些任務劃分給外包公司，當這項技術穩定後， Facebook 就能降低這部分的人工成本。

在目前的測試中，人工智慧表現得很有希望。給它播放一段正在進行的體育影片，比如冰球、籃球或乒乓球，人工智慧能夠準確地識別出這個體育項目。並且還可以區分壘球和棒球，漂流和皮划艇，以及籃球和街球這些類似的運動。

Facebook 背後的人工智慧

Facebook 有一個叫做語言科技的獨立小組，主要負責開發翻譯，語言辨識和自然語言理解。 LeCun 所在的部門， Facebook 人工智慧研究室（FAIR）是 Facebook 人工智慧戰略研究的主力，而語言科技（從屬於應用機器學習）是實際進行軟體開發的地方。

他們與 FAIR 合作，但獨立進行開發和實踐，並且已經開發了 493 種廣泛使用的翻譯方向（從英語到法語，從法語到英語算兩種方向）。

本著讓世界更開放更連通的宗旨，語言服務是 Facebook 的一條必經之路。超過一半以上的 Facebook 用戶不說英語，然而 Facebook 上大部分的內容都是通過英語呈現的，語言科技小組的負責人 Alan Packer 說道。

約有三億三千萬用戶經常點擊「翻譯」按鈕使用這些翻譯服務。

如果你是第一個點擊翻譯按鈕的人，恭喜，你已經操作了人工智慧了。首次點擊會向服務器發出翻譯請求，之後該請求將儲存起來供其他用戶使用。 Packer 說，夏奇拉（Shakira，著名拉丁裔歌手）發布的內容總是很快就翻譯出來了。語言科技小組還推出了本地內容翻譯，通過點擊「見原文」按鈕可以體驗這項服務。

人工智慧是這項任務裡一個必要的環節，因為「傻瓜」翻譯對於人們彼此之間相互溝通作用不大，還會生成不正確的語法，誤讀的習語，俚語也無從參考。這就是過去 Google 翻譯那種直接逐詞翻譯的缺陷。

Packer 說，修辭尤其難翻譯，但人工智慧可以把握一些語義層面的含義。

「如果把『熱狗（hot dog）』這個詞組按字面翻譯成法語，是說不通的。『Chaud chien』對法國人來說沒有任何意義，」Packer說道。 「同樣如果你拿著一幅我滑雪的照片，我說，『我今天秀了一下滑雪技巧（I'm hot dogging it today）,』這就變得很難理解，因為這裡的 hot dogging 是炫耀的意思。」

儘管這種理解並不算太多，但早期的結果預示著這個任務很難處理。 Packer 說，人工智慧的妙處在於它不會去理解比喻或習語，但仍會在不理解的同時認識到這一點。

人工智慧本身俱有適應性，經過訓練後便可以很快掌握俚語。語言科技小組最近發現法國球迷在用一個新俚語表達「wow」，人工智慧在接受那部分公用數據的神經網絡訓練以後，現在能夠可靠地將文本翻譯出來。他們通過每天對人工智慧進行新數據的訓練擴展 Facebook 的詞庫，不過所有語言的詞庫正在按月更新。

Facebook M

我們已經習慣於個人數字助理，比如 Siri ， Cortana ，以及 Google Now 。但 Facebook 選擇了一條不同的道路，其名為「M」的新型個人AI助理擁有超越手機界限處理複雜事物的能力。 Siri 可以發短信，而 M 可以預定航班或製定旅行計劃。在開發過程中，一位 Facebook 的僱員甚至讓 M 安排了一個找搬家公司到家中進行評估的行程。 （不過當然了，你不能讓 M 給你買煙草、酒、槍支，或者給你安排色情服務​​。）

在三年內， M 有可能能夠給有線電視公司或者車輛管理部門打電話，並幫用戶線上等待，直到對方的接線員接過電話。

事實上， Facebook M 的主幹來自於今年早些時候收購的一家創業公司： Wit.ia 。他們加入了 Messenger 的小組，受 VP David Marcus 的管理，並在本月早些時候首次發布了 M 。

Alex LeBrun 在 Facebook 內部領導 Wit.ai 小組，他說人工智慧不僅幫助 M 更好地完成一般的任務，也能完成有一些特殊情況的任務，如帶一個小嬰兒旅遊，或在燈火管制日的時候旅行。這也意味著 M 的能力隨著人工智慧的發展而發展。他樂觀地認為，在三年內， M 就可能有能力呼叫有線電視公司或者車輛管理部門，並幫助用戶在線等待，直到有人接過電話。

「 M 這樣的服務最大的附加值在於它能夠完全滿足你的需求，甚至在你的需求比較特殊或比較奇怪的情況下，」 LeBrun 說，「在任務比較複雜或並非常理情況的時候，它也能完成任務。」

隨著 M 的運行，它能夠不斷學習。現在，它還沒有能力獨自運行。一個被稱為「 AI 訓練者」的小組跟 M 一起工作，如果出現 M 不懂的任務，小組會接管過來。隨後 M 可以從人類訓練者身上學到應該怎麼做，並應用到之後的任務中。在程序中還內嵌了一種隨機機制， Lebrun 說是為了讓它更像人類學習的過程。

「 AI 訓練者」是個新的職位， Facebook 本身也在對這個職位的探索中。他們說，這並不是一個給研究員或者工程師的職位，而是為那些擁有客戶服務經驗的人準備的。 Facebook 將能夠評估哪些任務需要人類的干預，但最後，他們希望在未來完成這些任務將不需要任何人類干預。

但在開發過程中，這個職位是必須的，因為他們的工作主要有兩部分：一是保證服務品質的最後一道關卡，二是訓練 AI 。

有人類智慧做看門人， M 可以在 FAIR 進行開發時當做 SandBox 來用。 「如果有什麼東西需要測試，就會在 M 中顯現，因為在我們的訓練和督導下，這個過程是沒有風險的。」Lebrun 說。

M 平台是完全建立在 Wit.ai 的平台之上的(主要在 Facebook 收購前就已研發)，但 FAIR 也會對用戶和個人 AI 助理的交互過程產生的數據用作深度學習。

Facebook在人工智慧團體中的角色

「我們的研究項目都是完全公開的。幾乎我們做的每件事都會發布，大部分的程式碼也都是開源的」 LeCun 說道​​。你可以在 Facebook 的研究網站上和 ArXiv ——一個收納電腦科學、數學及物理研究的圖書館，找到這些出版物。

大多人工智慧團體都是這樣不隱秘的。 LeCun 已成為發展 Torch（一個針對 AI 發展的 C++ 算法庫）的領導人物。 LeCun 帶領他的團隊，還有 Twitter 和 Google 的 DeepMind 的研究人員合作，共同發展 Torch 。許多現今在這個領域的專家都曾是 LeCun 的學生。

任何他們可能出版的資料，從與醫學成像相關的資料到無人駕駛車，也都是公開以促進未來發展的， LeCun 說道。 Facebook 的研究固然對他們的用戶很重要，但它的核心價值更佳體現在讓人類對如何更好地用機器來模仿智慧的知識。

這是為什麼 Facebook 是人工智慧社區中重要的一部分，也是為什麼這個社區本身是如此重要。

「那些你在好萊塢電影裡看到的情節，譬如一個在阿拉斯加與世隔絕的人研究出了完美運作，並在當下無人能及的人工智慧系統，是完全不可能的」。 LeCun 說，「這是當代最大最複雜的科學挑戰之一，沒有任何一個人，甚至一個大公司能夠憑他們自己解決。解決它需要整個研究發展社區的集體力量」。

This posting includes an audio/video/photo media file: Download Now

有人形容，月經是上帝贈與女人的美好禮物，但每月大紅鮮血造訪的日子總是黏膩惱人，生心理都特別容易跌宕到谷底。歐美國家流行使用棉條，大幅降低下體悶濕的不適感、也不必像衛生棉一樣得經常更換，但棉條與衛生棉都有容易感染的風險，而且也不甚環保，近來可重複利用的月亮杯蔚為風行，上個月台灣就有月亮杯的募資行動，受到熱情迴響，至今累計 650 萬，超標 219%。

若能在月亮杯的基礎上進一步想像，把月經變得不再令人反感、並且充分運用它，揭開身體的秘密，是不是更棒呢？

那就把月亮杯變聰明吧！舊金山 Loon Lab 推出了號稱全球第一款「智慧型月亮杯」LOONCUP，外型就跟一般月亮杯無異，但是上面附有感應器、電池與天線（antenna），並利用藍芽與其搭配的手機或蘋果手錶 app 連接。Loon Lab 強調，他們所選用的材質是醫藥等級，且採用藍芽 4.0 低功耗，安全無虞。

LOONCUP 有三個最主要的功能：第一，能夠即時偵測血量，提醒女性更換的時機，第二，能夠檢測經血顏色與體溫，一旦有異狀便會傳到手機 app，讓使用者即時就醫診治，第三，可以自動紀錄月經來潮的時間，下次得以即早準備，避免意外染紅衣褲的困擾。就跟許多智慧型穿戴裝置一樣，使用者愈頻繁地使用它，它就愈能準確預測使用者的「好朋友」何時到訪，以及身體狀況。

一只 LOONCUP 重量 19 克，寬度 4.2 公分、長度 7.1 公分，一次大約可承接 25 ml 的經血，清潔方式簡單，只需使用肥皂與清水就好，但無法煮沸消毒。只是，LOONCUP 還是有些不成熟的缺點，比方說，現在只提供一種尺寸，電池可維持六個月，沒電了雖能當成普通月亮杯使用，不然就是要重買。

作為首個智慧型月亮杯，還是有很多人相當樂見針對月經的創新嘗試。在 Kickstarter，上架三天，LOONCUP 30 美金的超級早鳥方案已被搶購一空，現在若要購買，一只 35 美金起跳，預計於 2016 年春天出貨。

This posting includes an audio/video/photo media file: Download Now

豐厚的薪資始終是新創公司追求的目標和渴望達到的報酬，但對於新創公司來講，最主要最有價值的報酬還是我們的學習效率，利用學習去創造不可能實現的價值。

HotelTonight 的行銷經理 Kyle Tibbitts 談了他對於學習效率的看法。

現如今矽谷的泡沫經濟很容易讓人捲入到一種扭曲的現實中：股指高價、資本廉價、房價飛漲以及眾多受限制的股份。

人們也會拒談另一種「泡沫」現象，特別是在 2000 年網路經濟泡沫裡傷痕累累的人。自那時起，科學技術猛進發展，進入了 Carlota Perez 說的科技發展時代。

毫無疑問，在過去的十五年裡，科技突飛猛進地發展著實讓人驚奇。公司將新產品推入市場的成本降低了，同時，只要產品符合市場的需求，公司就可得到快速發展的機會，產品也會一夜成名。這也就會導致人才競爭的激烈，每個公司都渴望得到高階人才，以便迎接未來科技領域裡的大戰。

在這個注重科技的時代裡，如果我們從經濟角度去審視自己的職業，就像審視一個快速成長的公司那般，我們會發展這是一件很危險的事。

公司應該將發展的視野放長至 5 到 10 年，不能僅僅從金融角度去評估自己的薪資和成長率，需要密切關注融資環境的變化以及全球的經濟發展狀況。

因為每個人的職業生涯很長，所以你獲得最有價值的新創報酬不僅僅是一份有競爭力的薪資或是股票。如果你只看重這些短期的收益，這就和你在傳統的大公司沒什麼區別，事實上可能會更糟。

有其他普通工作相比，在新創公司裡，你獲得的最有價值的報酬就是你會提高自己的學習效率。

比起你現階段的薪資或股票收益，你的學習效率會是你成功的主要因素，它會讓你變得更加主動。放棄普通的工作投入新創會成為你成長的催化劑，同時加上不斷提高的學習效率，你的職業生涯會發生徹底的改變。為了更清楚地解釋其原因，我們先來定義來 ROL（Rate-of-Learning）：

定義：學習效率是你匯集新的想法並努力實現這些想法價值的速度。

在物理學中，速度圖像表表示的是速度與方向之間的關係。實際上你湧現新想法的速度和如​​何你將它們實現有著直接的關係，它們可以被定義為速度和方向。在這個過程中增加學習效率就會加速實現的速度，而你也將被定義為全面開發的“強人” 或是沒有價值的行銷人員，不再是整天開開會就會得到高報酬的工作者。

為什麼我會認為學習效率會是新創中最有價值的報酬呢？

主要由三個原因：

可以複製學習經驗並獲得利益。

如果你的學習效率足夠高，你的學習經驗可以得到複製並獲得有利的收益。

舉個例子：假如你是新創公司裡的行銷人員，你需要通過高效率的方式增加網站的註冊量，你會發現只有不斷用新的方式去吸引網站訪客的注意，才會提高網站註冊率。

在你成功擴大用戶群之後，你也許開始轉變方向，通過個性化的註冊頁面和高品質的圖片來增加瀏覽量。這又會激發你新的想法：例如可以簡化註冊方式等。如此反覆，你公司的註冊量會提高20%。

在新創期間，你需要通過極短的時間完成大量的事，而在大公司你可能會因為一個小小的預算而等上一個星期。這會導致你最初非常有價值的想法慢慢消散，而你錯過越來越多的成功的機會。

學習就是資本。

有人認為錢就是資本，但事實上對於新創公司來講，學習效率會帶來比金錢更多的東西。面對「給你一張10000 美元的支票」和「給你一個發現很多新想法並在 Airbnb 或 Dropbox 的工作機會」這兩個選擇，你會選擇哪一個？

還有另一種方式可以體現學習效率的好處：錢的現值比較低，特別是當利率為0%時，你從金錢上得到的複利絕對小於學習效率。

就像當你面臨這樣的選擇：一個薪資 5000 美元的新創公司和一個薪資 100000 美元但瀕臨滅亡的公司。可能大多數人都會選擇前者，你要​​相信以後你會感激自己當時的選擇。儘管你犧牲了一般的工資，但你可以換來 3-5 倍的學習效率，這會是你在新創公司得到最有價值的報酬，它會為你未來的發展提供可以複製的經驗。

學無止境。

你可以發現任何一個成功人士都不會停止工作的腳步，在他們獲得大量的金錢收益之後，他們仍堅持努力學習，因為學無止境。

儘管在矽谷到的大街小巷裡有瀰漫著金錢的味道，但不要因此就沉溺於金錢的世界裡。爭取一個最大化自己學習效率的工作可能會讓你變得疲憊不堪，但請記住，你在這個過程中收穫到的遠遠比你付出的要多。

This posting includes an audio/video/photo media file: Download Now