点击上方“视学算法”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者 | 陈彩娴

编辑 | 青暮

昨晚，“递归神经网络之父”Jürgen Schmidhuber 在推特上亲自发文，称目前引用数最高的5项神经网络工作都基于他的团队成果，一时引起了网友的广泛讨论。这并不是他首次发声，Jürgen Schmidhuber近两年来发表无数文章和言论，每次提及几项他过去的研究，表示是他首创，并抱怨学界不承认他对AI领域的贡献。

这篇博文也算是为我们划了重点，即他过去两年来提过的几十项“不是你首创”AI研究中，有哪些更具影响力。

Jürgen 称，人工神经网络（neural networks，简称“NN”）与深度学习是现代人工智能的两大主题，而现今最受欢迎的五大神经网络都是基于他在慕尼黑工业大学和 IDSIA 实验室的研究团队所取得的成果，这五大神经网络就包括：

1）LSTM（Long Short-Term Memory，长短期记忆人工神经网络），是 20 世纪被引用最多的神经网络；当然这项工作已经被公认是他的首创，Yann LeCun也在自传中提及了这一点；

2）ResNet，21世纪被引用最多的神经网络，Jürgen 认为是他们早期提出的高速网络（Highway Net，第一个真正有效的深度前馈神经网络）的门控版本；

3）AlexNet 与 VGG Net，21世纪引用数排第二与第三的神经网络，Jürgen 称这两个网络都是基于他们早期提出的 DanNet（第一个在图像识别竞赛中取胜的深度卷积神经网络）；

4）GAN（Generative Adversarial Networks，生成对抗网络），基于他早期提出的“对抗性人工好奇心”（Adversarial Artificial Curiosity）；

5）Transformer的变体，Jürgen 认为，线性 Transformer 的形式与他早期所提出的 Fast Weight Programmers 一样。许多工作是从他们在 1990 年至 1991 年间提出的 Annus Mirabilis 开始的，当时的计算代价比现在要贵一百万倍。

回顾神经网络的发展历程，Jürgen 所提出的五大工作都在现代人工智能领域的研究中发挥了重要作用。比如，LSTM 被广泛应用于医疗健康、学习机器人、游戏、语音处理与机器翻译等研究方向。

在他所发表的博文中，Jürgen 本人特地谈到，何恺明等人在2015年所提出的 ResNet（残差网络）借鉴了他们在 2015 年 5 月发布的 Highway Net。他指出，Highway Net 是第一个具有 100 层以上的前馈神经网络（以前的神经网络最多只有几十层），而 ResNet 的本质其实是“开放的” Highway Nets。Highway Net 展示了具有跳跃式传递（skip connection）的深度神经网络是如何工作的，且在 ImageNet 上的表现与 ResNet 大致相同。但美国专利商标局在 2001 年就将这项发明的专利授予了 NNAISENSE。

论文链接：https://arxiv.org/pdf/1505.00387.pdf

值得注意的是，20 世纪与 21 世纪被引用最高的神经网络（LSTM与ResNet）是紧密相连的，因为 Highway Net 实际上是 Jürgen 团队所提出的循环 LSTM 的前馈神经网络版本。深度学习主要是聚焦于神经网络的深度。LSTM 打破了监督循环神经网络的深度局限性，而 Highway Nets 将其引到了前馈神经网络。

在 Jürgen 所写的文章中，他感慨，这些工作为谷歌、Facebook、微软等大企业做出了巨大贡献，颇有点“为他人做嫁衣”的唏嘘：何恺明是在 MSRA 期间发表的 ResNet，后来他加入了Facebook；而 AlexNet 与 VGG Net 的大多作者去了谷歌，谷歌在 2017 年发布了Transformer，都与他在 1991 年发表的线性 Transformer 相关，然后谷歌还收购了他实验室里一位学生参与联合创立的 DeepMind；而 DanNet 的二作、GAN 的一作去了苹果公司。

“上述这些公司都广泛使用了我的 LSTM。”

或许是抱怨过于频繁，Jürgen Schmidhuber形象早已濒临崩塌边缘。

广大吃瓜群众亦不耐烦，在推特和reddit上纷纷对Jürgen Schmidhuber开启了嘲讽模式，一句“他的自负大于他的引用次数”可谓精辟。

在Reddit上，一位网友中肯地评价道：

不可否认，他做了真正开创性的工作，并帮助开创了深度学习，但这篇文章看起来像一个孩子在大喊，“看我，我是最棒的”。

参考链接：

1.https://www.reddit.com/r/MachineLearning/comments/pk69xy/d_schmidhuber_the_most_cited_neural_networks_all/

2.https://people.idsia.ch/~juergen/most-cited-neural-nets.html

3.http://people.idsia.ch/~juergen/deep-learning-miraculous-year-1990-1991.html

点个在看 paper不断！