栗子 安妮 乾明 发自 凹非寺 

量子位 报道 | 公众号 QbitAI

深度学习三巨头成为新晋图灵奖得主！

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的新进展。

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、机器人等等应有领域都带来了惊人的突破。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行将结束之际。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）杰出学者奖终生成就奖等等。

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的第一次实现，就是在这里诞生。

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、语音识别这些应用中，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识别任务中常用的概念。

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多篇学术文章的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”，不少人将这本书亲切称之为“花书”。

除了学术界，Bengio也活跃在产业界。

曾经，Bengio联合Jean-François Gagné创立了Element AI，为那些想给自家业务寻找机器学习解决方案的公司，找到AI领域的专家。

除此之外，Bengio也有许多荣誉在身。他不仅成为了加拿大皇家学院（RSC）及加拿大高等研究院（CIFAR）的院士，还在2017年获得了代表加拿大公民最高荣誉的“加拿大总督功勋奖”。

一小撮“蠢货”

从上世纪50年代开始，神经网络的发展起起伏伏，被人唾弃过，也被屡次唱衰过。

多亏了一批最早在黑暗中等待黎明的人，不断研究探索，才有了人工智能的今天。这是一段卧薪尝胆般的故事，将Hinton、LeCun和Bengio的命运交织在一起。

三十多年以来，他们仨一直徘徊在人工智能研究的边缘地带。像局外人一样坚守着一个简单的观点：计算机可以像人类一样，通过神经网络思考，依靠直觉而不是规则。

而当时主流学术界给出的答案，是一个震耳欲聋的No。他们说计算机最佳的学习方式，就是规则和逻辑。Hinton主张的神经网络，被他们“证明”是错的。

1972年，25岁的Hinton在爱丁堡大学攻读博士学位，并把神经网络作为研究重点。导师几乎每周都会提醒他在浪费时间。然而Hinton不为所动。

1980年代LeCun在巴黎读大学时，计算机就是瞎子，无法识别图片中的内容，也无法判断摄像头前方出现了什么。但就在那个时候，LeCun偶然涉足了探索人工智能领域的一种方法：“智能神经网络”。

这并不是一条新路，而且并不受待见。但在攻读博士学位时，LeCun顶着一片质疑声专注于研究神经网络。“我只是不相信他们所说的。”他说。

1985年，Bengio在加拿大麦吉尔大学时，根本没人教神经网络。他学的是经典的、符号化的人工智能（Symbolic AI），所以，想做神经网络，必须先说服教授来指导他。

△Hinton在他的办公室

80年代末，神经网络曾有过一次小小的复苏。但由于计算力和可用数据的缺乏，人工智能再次进入寒冬。一直到2000年代初期，这群坚信神经网络的学者处境愈发边缘化。一些学术机构甚至不允许他们在会议上发表论文。计算机视觉的圈子将他们拒之门外。

在蒙特利尔大学任教的Yoshua Bengio发现，他很难找到愿意与自己共事的研究生。“我需要强迫学生从事这方面的研究，他们害怕在博士毕业后找不到工作。”

对Hinton、Bengio和LeCun来说，这是一段黑暗的时期。

“当然，我们一直相信它，也一直在研究它。”Hinton说。

“神经网络终有一天会回来——至少有很小一撮人心里是这么想的。”LeCun说。

Hinton出生于一个学术背景显赫的世家。在他长大成人的过程中，母亲给过他两种选择：“做学者，或是做失败者。”7岁就已经意识到要读博的Hinton说，自己一辈子都在压抑、沮丧中挣扎。

但他投入研究的神经网络，真真是经历过漫长而幽暗的岁月。除了面对学术上的不认可，他的两任妻子先后罹患了癌症。而他自己也深受背痛困扰。

2003年，Hinton在多伦多，被CIFAR招揽过去启动一个神经计算项目。于是，他们聚到了一起，决定努力奋斗，重新点燃这个领域的热情。

一直到大约2009年前后，计算机最终有了足够的算力挖掘大型数据库，从此神经网络开始在语音和图像识别方面战胜基于逻辑的系统。工业界很快注意到变化的发生，微软、Facebook、谷歌等科技巨头开始在这个领域投资。

△LeCun拍摄：Hinton和Bengio

Bengio评价Hinton时说“他有时可以穿过黑暗看清事物。但他的个人生活非常不容易。他也有他的黑暗时代”。

在黑暗中穿行的日子里，他始终坚持一个信念：其他人都错了。

不过最终，他们都算是等到了春天。

在去年一次彭博社的采访中，Hinton说：未来是很难预测的。当你开始试图预测未来20年会发生什么事情，你基本就错得离谱了。但也有一些东西是可以预测的，比如人工智能技术将会改变一切。

— 完 —

微软出品，硬核课程推荐

△ 扫描上方二维码进入小程序，探究微软机器学习，离图灵奖更进一步！

点击阅读原文，了解更多超硬核数据科学。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点这里吧 !