从Yann LeCun与马库斯的论战说起

近在AI领域最热闹的莫过于Yann LeCun与马库斯关于AI发展方向的论战了，这场论战从8月份开始，其余波到现在还未平息。

如果去搜索国内的自媒体和百度，可以找到一大堆这种看上去有点惊悚的科普文章。大体上是说杨立昆认为，人工智能的技术大方向错了，可能需要推到重来。可能有不熟悉Yann LeCun的人会认为怎么一个看上去像中国人的人说的一句话，会在AI届引起如此大的波澜呢？Yann LeCun有个中文名字-杨立昆，不过他是个妥妥的法国人。

对于这样的瓜，我是不喜欢直接吃的，国内自媒体往往断章取义，曲解一些大师的言论，从而博取眼球。于是我到谷歌和推特上去仔细看了看杨立昆与马库斯的论战，以及相关的报道材料。发现国内的这些观点都来自于ZDNET上资深撰稿人Tiernan Ray的一篇文章。Tiernan Ray从事技术和商业研究已有28年，在科技风投圈里也小有名气，他的文章影响力还是很大的。Ray的文章标题就够惊悚-当今的大多数AI方法都不会带来真正的智能。这句话居然出自大神Yann LeCun（杨立昆）之口。

在本月通过 Zoom 与ZDNet进行的讨论中，LeCun 明确表示，他对目前深度学习中许多最成功的研究途径持怀疑态度。“我认为它们是必要的，但还不够”，实际上LeCun明确的表达了他的观点，他认为基于统计学的算法无法实现真正的人工智能，而作为一个媒体，ZDNET肯定希望有更刺激的观点“你必须退后一步说，好吧，我们建造了一个。但我们的目标是想去月球，这个梯子不可能让我们到达那里，我们需要制造火箭，我不能告诉你我们如何制造火箭的细节，但这里是基本原理。”。访谈的完整内容可以参考ZDNET官网的文章（https://www.zdnet.com/article/metas-ai-guru-lecun-most-of-todays-ai-approaches-will-never-lead-to-true-intelligence/）。

如果在百度上搜索LeCun，可以看到很多中文的文章在讨论这个事情。从这些文章转载的LeCun的表述上看，似乎是LeCun认为基于统计学的深度学习算法无法解决AI的最终问题，而我们必须退回来，重新考虑。因为LeCun对于在AI应用中如何“度量信息”提出了一些疑虑。他甚至在与ZDNET的访谈中提到了要给神经网络添加符号推理的能力，但是他现在还不知道怎么来实现。

实际上这又涉及到我前阵子提过的莫拉维克悖论了，神经网络加上足够的训练就能获得我们所需的AI，这是这些年大多数从事AI工作的人的共识，而LeCun对此提出了一些疑义，他认为神经网络是不足够的。LeCun对马库斯的观点十分不屑一顾，甚至他认为马库斯不是个真正搞AI的人，而是一个心理学学者，他不懂AI。

这个访谈在AI领域带来了巨大影响，连自称是贝叶斯教徒的LeCun都认为现在的AI探索路线都错误了，要放弃造梯子，改为造火箭了。那么是不是我们也要思考一下推倒一切重来呢？事实并非如此，在推特上，LeCun最近发了几个推文，多次重申他并不是全面否定神经网络与统计学的方法，反而认为深度学习是AI技术的基础这一点没有问题。

在另外一个推文中，LeCun用了“人工智能艰难的一周”来表达他的痛苦思考。可能在ZDNET专访时，他确实表达出了一些悲观的情绪。甚至也在思考深度学习是否能够实现真正的AI。从最近LeCun的一些表态上可以看出，他最近确实在重新思考AI的技术方向问题，不过经过一周的思考，他认为目前的基于深度学习的大方向是没错的，只是需要修正，而不是彻底颠覆。这也给了最近热炒这个话题的一些自媒体当头一棒。似乎这瓜吃着吃着突然就变了味了。AI技术不需要退回原点，重新开始，这对于自媒体来说不是好事，而对于AI从业人员来说，不算太坏。目前的深度学习技术上需要添加一些其他的技术，从而实现AI的突破。这一点是毋庸置疑的。

在智能运维领域，这些争论也可以给我们带来一些启发。在复杂的智能运维领域，虽然深度学习算法已经获得了巨大的成功，并且给我们带来了用AI替代专家的希望。不过这一切还不足够，因为再往前发展的路上似乎遇到了难以翻越的高山。就像LeCun需要为神经网络引入符号推理能力一样，智能运维领域也需要深度学习与符号推理相结合，才能更有作为。

任何认为基于统计学的算法就能解决一切问题，或者认为基于专家经验才能实现真正的自动化运维的想法都是错误的。如何充分利用这两者的优势，构建一套能够发挥作用的组合体，采用鸡尾酒疗法，可能才是复杂场景下的智能运维的正确的方向。目前我们也在尝试不完全依靠知识图谱，加大智能算法在整个自动化预警与诊断工具中的作用范围，从而突破目前的瓶颈，更好的为用户解决问题。

前阵子在一个客户那边测试D-SMART，他觉得目前的D-SMART还不够实用，智能诊断虽然能够告诉运维人员，某个问题大致的问题范围在哪几个方面，但是无法精准定位到具体的问题。要想精准定位，还必须通过逐个点击智能诊断推荐的诊断路径或者专家知识库提供的诊断建议来完成，有点麻烦，而且有些时候问题定位的准确性也不够高。

确实这是目前我们遇到的最大的一个问题，目前D-SMART对于一些简单的问题的分析支撑还不错，智能诊断的结论足以让运维人员理解。如果遇到一些复杂的问题，也还是只能为运维人员提供一个方向性的指引，并根据推荐的诊断路径去做下钻定位。

如果使用者是一个十分资深的专家，那么可以比较容易从中获得建议，并快速帮助专家定位问题。如果使用者的能力不足或者对某个问题比较陌生，那么可能还是会觉得手足无措。这种情况下，我们一般就会建议用户做个”问题分析”，把报告发给我吗，或者通过Holadata工具把出问题这一天的监控数据导出，发给我们，我们远程协助分析。

当下AIOPS远没有达到数据库真正可以脱离专家，实现自治的阶段，因此构建人与工具的生态才是关键。工具不是万能的，利用工具提供的强大的数据处理能力，可以提高专家的分析效率，利用一线与三线专家的互动，才能真正的把运维工作做好。而从事AIOPS工作的从业人员，是不是也能从杨立昆的反思中获得一些灵感呢？