现在，Facebook展示了一种人工智能算法，可以在没有标签的的帮助下识别图像类别，将人工参与度降到最低。Facebook这种算法叫做Seer（出自于SELF-supervised），它从Instagram上抓取了超过十亿张图像，通过自我监督学习判断哪些对象看起来相似。例如，将带有胡须、毛皮和尖耳朵的图像收集到一起，然后，为该算法提供了少量带标签的图像，包括一些带了标签“猫”的图像。结果是该算法能够像带有标签图像识别目标的算法一样识别出相关图像。
普林斯顿大学助理教授奥尔加·鲁萨科夫斯基认为：对比的结果预示着该算法可以成为“自我监督学习”AI方法的里程碑。“因为让自我监督学习算法发挥作用是非常具有挑战性的一件事，在这一领域的突破对改善视觉识别能力具有重要的影响”。除此之外，Facebook的Seer算法挑选的Instagram图片并不是人工挑选的，这也是自我监督学习的减少人类依赖性的另一表现。
Facebook的首席科学家Yann LeCun率先提出了称为“深度学习”的机器学习方法，该方法可以将大量数据反馈到大型人工神经网络中。约十年前，深度学习已成为一种更好的方式，通过编程训练机器去完成各种有用的事情，例如图像分类和语音识别。
但是LeCun表示，传统的方法无法扩展，因为需要通过向机器提供大量带标签的数据来“训练”算法，这样根本无法形成规模化，所以他一直在倡导自我监督学习的完整理念，“从长远来看，人工智能的进步将来自那些全天观看视频并像婴儿一样学习的程序。”
LeCun认为自我监督学习可能将会有许多有用的应用场景，例如学习医学影像而不需要标记很多X光照片。他说，类似的方法已经被用来为Instagram图像自动生成标签，并且Seer技术还可以在Facebook上用于将广告与帖子匹配，或帮助过滤掉不良内容。
Facebook的研究建立在调整深度学习算法以使其更加高效和有效的基础上。在此之前，自我监督学习已被用于将文本从一种语言翻译成另一种语言，但将其应用于图像比理解单词更困难。LeCun表示，研究小组为算法开发了一种新方法：即使在图像的一部分已被更改的情况下，也可以学习识别图像。Facebook将发布Seer背后的某些技术，但不会发布算法本身，因为它是使用Instagram用户数据进行训练的。
麻省理工学院计算感知与认知实验室的负责人表示，这种方法“将使我们能够承担更为艰巨的视觉识别任务。”但是，诸如Seer之类的尖端AI算法的庞大规模和复杂性也可能带来数十亿或数万亿次的神经元连接或参数（比具有可比性能的传统图像识别算法要多得多），随之也带来了新的问题——需要大量的计算能力，这使可用芯片的供应变得更为紧张。
https://baijiahao.baidu.com/s?id=1693719063023216217&wfr=spider&for=pc
