新年到来，也不要忘记和雷锋网一起温故而知新啊。
在刚刚落下尾声的 2016 年，许许多多的人工智能大神们站在台上分享他们的所见所感，雷锋网整理了十位人工智能领域的大牛们所做的最新演讲，一起与雷锋网来回顾这些充满智慧闪光的科研成果吧。
Yann LeCun：从小白科普到 AI 技术探讨，一个也没落下
Yann LeCun 堪比学术界的网红，今年频频露面于公众面前发表演讲，还录制了不少教学视频，圈粉无数。如果 Yann LeCun 想坐 2016 最活跃学界大神的宝座，雷锋网觉得没有人敢和他抢。
LeCun 在卡内基梅隆大学机器人研究所进行了一场关于 AI 技术核心问题与发展前景的演讲。雷锋网了解，他在演讲中提到了三点干货：
1. 无监督学习代表了 AI 技术的未来。
2. 当前 AI 应用的热点集中在卷积神经网络。
3. 用模拟器提高无监督学习的效率是大势所趋。
但不久后，在 NIPS 大会的演讲上，LeCun 又将预测学习代替无监督学习一词，认为预测学习不仅能在无监督情况下学习，还能学习世界的预测模型。而就在最近，他又把预测学习的落脚点放在了 GANs，称它为「20 年来机器学习领域最酷的想法」。
雷锋网对他的演讲做了不少覆盖，比如演讲 PPT 实录；演讲视频整理；教授人人都能懂的深度学习基本原理；甚至还有 Quora 问答集锦，亲授如何（像他一样）从小白到大牛，自觉深度学习技术。
啥也不说了，关注 AI 科技评论快上车吧！
Yoshua Bengio：从机器学习到人工智能，聚焦机制是核心
作为与 Yann LeCun、 Geoffrey Hinton 齐名的「深度学习三巨头」，Yoshua Bengio 同样是学界不可忽视的一名执牛耳者，他自 1993 年在蒙特利尔大学任教。谷歌于今年 11 月宣布建立蒙特利尔算法学习人工智能实验室（MILA），共计投资 340 万美元，资助蒙特利尔大学和麦吉尔大学旗下七名重量级教授及超过 150 名研究者的日常实验。而自然，Yoshua Bengio 也在其列。他领导下的深度学习实验室可谓是人工智能的研究前沿阵地，也是世界上最大的研究中心之一。http://www.leiphone.com/news/201611/u6HcoL3VhOxAbdjx.html
在今年 5 月的 Twitter Cortex 上，Bengio 应邀做了题为「自然语言词义下的深度学习」的演讲。在演讲中，Bengio 提及了从机器学习到人工智能的三个关键要素，主要包括：
1. 非常非常多的数据；
2. 极灵活的模型
3. 强大的先验知识，能打破维度魔咒。
此外，他还引申到了深度学习中的聚焦机制（Attention），首先它需要考虑一个输入（或中间的）序列或图像；但考虑到高层次指称，通过设置权重或每个输入位置概率，（如 MLP 所产生的），能够应用于每个位置。而这最主要的一个应用就在于机器翻译。在 2014 年，神经机器翻译获得了初步突破，并在端到端机器翻译取得了显著成果。雷锋网此前也做过报道，谷歌大脑团队执掌下的 Google Translate 目前已经完全应用了机器学习进行翻译学习。
Bengio 认为，聚焦机制能够让深度学习取得巨大进步，并让学习者模型更好地做选择。
Ian Goodfellow：我发明的生成式对抗网络怎么样？
既然说到了 Bengio，雷锋网怎么能不提他的得意门生、「GANs」之父 Ian Goodfellow 呢？他同样在 NIPS 2016 上发表演讲，分享了他对生成式对抗网络的研究成果。
生成对抗网络是一种生成模型（Generative Model），其背后最基本的思想就是从训练库里获取很多的训练样本（Training Examples），从而学习这些训练案例生成的概率分布。
而 GANs 所做的「对抗」，就是让生成器网络与判别器网络玩一个游戏，生成器网络不断通过输入的随机噪声转化为假数据；而判别器网络就需要判断数据的真伪。
「与传统神经网络训练不一样的且有趣的地方，就是我们训练生成器的方法不同。生成器一心想要「骗过」判别器。使用博弈理论分析技术，我们可以证明这里面存在一种均衡。」
不过训练 GANs 的一个难点，就在于会出现「模型崩溃」（Mode Collapse）：生成的所有样本都在一个点上（样本相同），而主要的解决方式是开发能找到均衡状态的新算法，而非令误差最小化的成本函数。