首页科技快讯图灵奖颁给深度学习三巨头，他们曾是顽固的“蠢货”

图灵奖颁给深度学习三巨头，他们曾是顽固的“蠢货”

来源：晰数塔互联网快讯时间：2019年03月28日 08:42

来源：量子位（ID：QbitAI）

作者：栗子、安妮、乾明

ACM刚刚官宣，Yoshua Bengio、Geoffrey Hinton、Yann LeCun获得了2018年度图灵奖，表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。

图灵奖（A.M Turing Award）创立于1966年，是计算机界的最高荣誉。

ACM这样介绍他们三人的成就：

Hinton、LeCun和Bengio三人为深度神经网络这一领域建立起了概念基础，通过实验揭示了神奇的现象，还贡献了足以展示深度神经网络实际进步的工程进展。

ACM主席Cherri M. Pancake评价说，人工智能是现在科学领域发展最快的领域之一，也是社会上最受关注的话题之一。人工智能的发展很大程度上归功于Bengio、Hinton和LeCun奠定基础的深度学习新进展。

近年来，深度学习方法在计算机视觉、语音识别、自然语言处理、机器人等应用领域带来了惊人的突破。这三个人也随之走上人工智能“教父”的神坛。

其实，现代神经网络、机器学习等AI技术背后的思想，可以追溯到第二次世界大战末期。彼时，学者们开始构建计算系统，旨在以类似于人类大脑的方式存储和处理信息。

而深度神经网络早在1980年代就已经提出，但很快遭受质疑。专注于这种方法的学者，是AI界的少数派，LeCun、Hinton和Bengio就在其中。

三十多年前，是他们一生的至暗时刻。

然而，这一小撮“顽固分子”始终坚持自己的信念，他们不怕被视作蠢货，一直相信神经网络会照亮这个世界，并改变整个人类的命运。最终，他们的信念也改变了自己的命运。

Geoffrey Hinton

Geoffrey Hinton，1947年生，现年72岁，谷歌的副总裁和工程师，也是AI研究机构Vector Institute的首席科学顾问和多伦多大学的名誉教授。

在ACM颁奖辞博文中，主要提到了Hinton的三个贡献。如果你做过AI项目，肯定不会陌生，它们分别是：

反向传播（Backpropagation）：

1986年，在Learning Internal Representations by Error Propagation这篇论文里，Hinton证明了，反向传播能让神经网络发现自己内部的数据表征，这样便可以处理以往无法解决的问题。

如今，反向传播已经是神经网络的标准操作，Hinton也有了“反向传播之父”的名号。

玻尔兹曼机（Boltzmann Machines）：

1983年，Hinton和同伴一起发明了玻尔兹曼机，那是最早能够学习神经元内部表征的网络之一：那些表征既不来自输入，也不来自输出。

改进卷积神经网络：

2012年，Hinton和学生们一起，利用线性整流神经元（Rectified Linear Neurons）和dropout正则化改进了卷积神经网络。

在ImageNet比赛上，他们几乎把物体识别的错误率降到了从前的一半，让计算机视觉领域焕然一新。

在获得图灵奖之前，Hinton就已经获得了大量的荣誉，手握加拿大最高荣誉勋章（Companion of the Order of Canada），是顶级认知科学奖鲁梅哈特奖的首位获奖者，也获得了人工智能国际联合会（IJCAI）杰出学者终生成就奖等等。

此外，他也是英国皇家学会成员、美国工程院外籍院士。

一个有趣的轶事是，Hinton的高祖父是大名鼎鼎的乔治·布尔——布尔逻辑的创立者，因“布尔检索”而闻名于世。

而即将出场的人，曾经在Hinton的实验室里做过博士后。

Yann LeCun

Yann LeCun，1960年生，58岁，现在是Facebook首席AI科学家。卷积神经网络 (CNN) 之父，是他最为人熟知的名号。

ACM列举的成就，也是从这里开始。

卷积神经网络 (CNN) ：

1989年，在AT&T贝尔实验室工作的LeCun，以反向传播为基础，发表了一项研究，叫做“将反向传播用到手写邮编的识别上”。CNN就是在这个基础上第一次实现。

如今，CNN已经成为深度学习的基础技术了，不止在计算机视觉领域，在语音合成、语音识别这些领域中，也是行业标准操作。

反向传播雏形：

1985年，Hinton还没有成为反向传播之父的时候，LeCun在巴黎六大读博期间，发表过反向传播的一个早期版本，根据变分原理给出了一个简单的推导过程。

他用两种加速学习的方法，让反向传播变得更快了。

拓展了神经网络的视野：

LeCun不止把神经网络用在图像识别上，还解锁了许多其他任务。他提出的一些概念，如今已经成了AI领域的基础。比如，在图像识别上，他研究了神经网络怎样学习分层特征表示 (Hierarchical Feature Representation) ，这也成为了如今许多图像识别项目中常用的概念。

另外，他和同伴Léon Bottou一起提出，学习系统可以由复杂的神经网络构成。在这样的系统里，反向传播是靠自动微分来实现。他们还提出，深度学习架构可以对结构化数据（比如图形），进行处理。

LeCun博士毕业后，只在Hinton的实验室做了一年博士后，就进入了工业界。

不过，他在2003年成为了纽约大学的教授，还在2012年创办了纽大数据科学中心。即便加入Facebook之后，也继续在纽大兼职。

而下一位巨头，也和LeCun一样，横跨学术界和产业界。并且，他也在赫赫有名的贝尔实验室工作过。

Yoshua Bengio

Yoshua Bengio，1964年生，55岁，现在是蒙特利尔大学计算机科学与运筹学系教授。

Bengio创建了蒙特利尔学习算法研究所（MILA），担任研究所的科学主任，主持加拿大高等研究院（CIFAR）机器与大脑学习项目的研究。同时，Bengio也担任着数据评估研究所（IVADO）的科学联合主任。

同样，ACM也总结了Bengio的三个主要贡献。

序列的概率模型：

上世纪90年代，Bengio提出了序列的概率模型。他把神经网络和概率模型（例如隐马尔可夫模型）相结合，用新技术识别手写的支票。外界认为，这是20世纪90年代神经网络的巅峰之作，当下语音识别技术就是在它的基础上扩展的。

高维词汇嵌入和注意机制：

Bengio参与发表了一篇里程碑式的论文，A Neural Probabilistic Language Model（神经概率语言模型），把高维词嵌入（High-Dimentional Word Embeddings）作为词义的表征。这对NLP的研究（如翻译、问答和视觉问答等任务）产生了深远的影响。

生成对抗网络（GAN）：

2014年，Bengio与Ian Goodfellow一同发表的生成对抗网络（GAN），引发了计算机视觉和图形学的革命。

据统计，Yoshua Bengio发表的300多篇学术文章，其累计引用次数已经超过137000次。

作为教授，Bengio曾经和Ian Goodfellow、Aaron Courville等业界大神一起写出了Deep Learning，成为人手一本的“AI圣经”，不少人将这本书称为“花书”。