經歷了長達兩周的「罵戰」，Yann LeCun不知是感覺失望還是心累，于今日宣布，將退出推特，不會再在該平臺上發表言論。

Yann LeCun 在推特上的最后發聲：

請社交網絡上的所有人不要再互相攻擊了，特別是對 Timnit Gebru 的攻擊，以及對于我之前言論的攻擊。無論是口頭還是任何其他方式的沖突，都只會得到傷害和相反的結果。我反對一切形式的歧視。這將是我在推特上最后一篇帖子。

由于PULSE建立在StyleGAN的基礎上，而StyleGAN所用的數據集是FFHQ，這個數據集里包含了90%以上的白人人臉。PULSE的特點在于，可以將多個不同但相似的人臉圖像聚合為同一個低分辨率圖像。

許多算法都試圖從低分辨率恢復高分辨率圖像，這可能是錯誤的方法，原始圖像實際上是信息稀疏的。因此，奧巴馬的打碼圖像還原后也不一定是奧巴馬，我們會堅持認為那張圖像的原型必然是奧巴馬，也是由于記憶先驗導致的偏見。PULSE提供的不是錯誤的答案，也不是故意的，但提供了有偏見的答案。

針對這張圖，Yann LeCun在推特上發表了這么一句話：“當數據有偏見時，機器學習系統就變得有偏見。這個人臉上采樣系統讓每個人看起來都像白人，因為網絡是在FlickFaceHQ數據集上預訓練的，而這個數據集主要包含白人圖像。”

這為LeCun招來了不少的批評，很多專家認為LeCun在提出狹隘甚至錯誤的觀點誤導人們，并紛紛提出了自己的質疑。LeCun對這些質疑一一回應，但仍得不到理解。

一開始爭論的焦點在于：AI產生偏見的原因是否只是數據集導致？算法本身的缺陷能不能成為原因？盡管LeCun后來在一系列的推文中一條一條地解釋自己的觀點，指出自己同意各位專家的質疑，只是自己的論點建立在特定的條件下，數據確實不是AI偏見的唯一來源。

爭論中走向了真正的“偏見”

作為AI的公平性、問責制和透明性的領先研究者，Timnit Gebru首先在推文中對 LeCun 的言論表示「失望」，并指出機器學習系統中的偏見僅來自數據的觀點是不正確的。她還建議Yann LeCun查看她之前做過的課程，因為她才是專家。

Yann LeCun后來在Timnit Gebru 的推特評論區連寫 17 條回復：表示自己同意她的觀點。

Timnit Gebru對此的回應卻是：我出于自己的理智不再與您交流，因為這不值得我花費時間。

Yann LeCun回應：我很遺憾您不愿意討論實質內容。我曾希望從這種交流中學到一些東西。FB中有幾個小組完全專注于ML / AI的公平性，偏見和社會影響。

有人批評Yann LeCun，并稱其向Timnit Gebru講授她的專業知識，居高臨下，并涉及言論霸凌。

另外還有人說，Yann LeCun給該領域的專家提供了推文教程，沒有問任何問題，沒有進行真正的討論，沒有尊重她的專家地位，也沒有要求澄清她的任何觀點，還要求她控制情緒，那么又希望她如何參與？其中還有人特別強調了Timnit Gebru的黑人女性身份，暗示Yann LeCun存在歧視行為。甚至還有人直接批評Yann LeCun在進行對女性的“直男”說教。

也有很多人在為Yann LeCun辯護，表示他的行為是理性、冷靜和有耐心的，并且也稱得上是AI偏見方面的專家，他不應該為自己沒做錯的事情道歉。

Yann LeCun后來在推文中向Timnit Gebru表示贊賞她在AI道德、公平方面的工作，并對自己的交流方式道歉，希望她能和Facebook AI的研究員一起交流如何一起和偏見作斗爭。

不過事情并非如此簡單，Yann LeCun又因為另一個言論被卷進了漩渦。當有人說，機器學習研究者應該在選擇數據的時候更加小心，Yann LeCun回應道，這主要是機器學習工程師而不是研究者的責任。人們又開始批評Yann LeCun在推卸責任，忽視學術研究對AI偏見的影響力。人們也提醒Yann LeCun，作為領域的領軍人物，發表言論應該更加小心。其他人則指出，研究人員在一定程度上必須使用有缺陷的數據集來取得進步。

盡管在這次漫長的爭論中，還是有很多人為Yann LeCun辯護。但或許，對于Yann LeCun來說，這種爭論早就脫離了正軌，不應該出現，這本身就是一種失敗，是將社交網絡應用于AI社區交流的失敗。由于自己話語的分量，當其中涉及了敏感話題，無論怎么辯解，都會陷入矛盾的中心被圍觀，最后卻得不到有意義的結果。一向直言不諱的Yann LeCun，這次也心累了。

總結

以上是生活随笔為你收集整理的AI圈的杠精惹不起：图灵奖得主“认输”关闭社交账号的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。