一些人工智能科学家认为，给人工智能系统提供足够信息的唯一方式是加入视觉认知，因为影像会比语言的信息密度高得多。比如，你告诉机器“这是一部智能手机”，“这是一辆压路机”，“有些东西你可以推动它而有些不可以”等等，也许机器能够学会这个世界的基础运作原理。对此，LeCun表示：“这跟婴儿的学习方式类似。然而，幼儿在学习很多事情的时候并不需要明确的指示。”LeCun认为在没有指导的过程中的学习才是他想要达到的。
他表示，Facebook很想做到的一点是，让机器通过观看视频或观察其他东西来认识现实世界中的很多局限性，这最终会让它们建立起常识。“目前机器还十分好骗，那是因为它们对这个世界缺乏基本理解。”LeCun说，“比如将来你给机器看一小段视频，然后机器就能预测接下来会发生什么。如果我们能训练系统做到这一点，那么我们就已经创造了无监管指导的机器学习的核心技术。这是我们人工智能宏图的重要组成部分。”
卷积神经网络
在超过20年的研究历程中，LeCun累计发表了超过180篇论文，他最广为人知的研究是1988年参与开发著名的卷积神经网络(convolutionalneuralnetwork,CNN)，因此LeCun在业内也被称为“卷积神经网络之父”。
卷积神经网络是近年发展起来的一种高效识别方法。其最初的概念形成要追溯到上世纪60年代，科研人员在研究猫脑皮层中用于局部敏感和方向选择的神经元时，发现其独特的网络结构可以有效降低反馈神经网络的复杂性，继而提出了卷积神经网络。
现在，卷积神经网络已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，得到了更为广泛的应用。这种革命性的系统从一开始能够识别手写数字，并且随着数据训练的不断持续，能够开始从图片像素中识别视觉特征，这就像为计算机打开了双眼，让它们可以从数据中自我学习。
LeCun对第一财经记者表示：“如今深度卷积网络已可用于解决包括目标识别在内的各类计算机视觉问题。并且，随着网络深度不断增加，还出现了可用于图像识别、语义分割、ADAS等众多场景的新型深度卷积神经网络结构。”
Facebook目前正在使用机器学习实现一系列不同的功能，这些功能包括人脸识别，机器能从网上识别出人脸，即使这个人的脸未被标注，因为这一技术是基于模拟人脑的神经网络实现的。
这些网络能够被训练，并识别信息中的模式，包括语言、文字数据或者视觉图像，也是近几年来大量的人工智能研发的基矗机器系统的下一步任务将是通过观察现实世界，学习世界的运作方式，其中一种方法是通过与智能手机和可穿戴技术的互动来学习。
从事人工智能领域研究20多年来，LeCun的目标就一直是希望赋予机器更大的能力，让机器变得更加聪明。他对第一财经记者表示，在Facebook还有很多想做的事情，还有很多使命尚待完成。“我希望能在Facebook看到新技术的应用，让我们的研究变得更有意义，通过提升机器的深度学习能力，将它变成智能机器。”
LeCun还认为人工智能未来能够无所不能，包括预测人们的行为。“机器的下一步是能够通过观察现实世界的万物来进行学习，并且预测。”LeCun在最新发布的推特和Facebook中，多次强调“无需监管和指导(unsupervised)的机器人前景可观”。
他认为，在进入到人工智能下一个阶段的突破时，Facebook面临的最大挑战将是如何通过机器学习将最好的内容与个人需求相匹配。去年4月，Facebook在F8大会上推出了Chatbot聊天机器人，能够帮助人们完成订餐和行程安排等任务。在LeCun看来，聊天机器人的终极目标是成为个人的虚拟助理，通过人工智能技术来连接人类和现实世界，执行日常生活中的任务。
LeCun对第一财经记者表示：“尽管短期我们还只能从一些简单的功能应用开始做，但我们的远期目标是建立一个真正的智能机器，让你可以与它直接对话，它需要能回答任何问题，并对你的生活提供帮助。这件事对于当今的人工智能而言非常具有挑战性，人机对话系统、自然语言处理，所有这些的基础在于让机器学会人类的常识。我们现在还不知道到底应该怎么做，但我们对此有很多想法。”