榮耀屬於深度學習。

今天，2018年圖靈獎公布，深度學習三巨頭：Yoshua Bengio、Geoffrey Hinton、Yann LeCun獲獎，三人瓜分100萬美元獎金。

• Yoshua Bengio（58歲）是蒙特利爾大學教授，也是魁北克人工智能研究所的科學主任；
• Geoffrey Hinton（71歲）是Google副總裁和Engineering Fellow，Vector人工智能研究院首席科學顧問，多倫多大學名譽教授；
• Yann LeCun（55歲）是紐約大學教授、Facebook副總裁兼首席AI科學家。

三位獲獎者在業內被稱為「當代人工智能教父」，開創了深度神經網路（deep neural network），而這項技術已經成為計算科學的關鍵部分，為深度學習算法的發展和應用奠定了基礎。

去年，」深度學習寒冬論「頻起，三位大神也在多個場合對」寒冬「做出了回應。實際上，三人對「寒冬」早有抗體，在上世紀八十年代，Geoffrey Hinton等人坐了數年的冷板凳，直到本世紀AI的再度爆發。

不僅如此，Geoffrey Hinton還提出新的神經網路模型Capsule Network（膠囊網路），試圖找到解決深度學習缺陷的新方法，這位71歲的老人熬過最冷的AI冬天，並且認定下一個「冬天」不會到來。

挺過寒冬

Hinton早年的科研之路可謂坎坷至極。

他最開始讀的是劍橋大學物理和化學專業，但只上了一個月就轉到了建築專業，結果只在建築系待了一天就受不了，重新註冊了物理和生理學，後來發現物理中的數學太難了，於是他又轉向了哲學，花一年時間學了兩年的課程。

雖然只有短短一年，但卻是非常有用的一年，因為他對哲學產生了非常強的抗體：「我想知道大腦是如何工作的」。

為了弄明白大腦的工作原理，Hinton轉而研究心理學，結果卻發現「心理學家對此毫無頭緒」。

1973年Hinton進入愛丁堡大學研究生院，師從Christopher Longuet-Higgins學習人工智能。但當時正值1970年代的人工智能寒冬出現，深度學習和AI都受到了學界輕視。

Christopher Longuet-Higgins

並且，Christopher是著名的理論化學家和認知科學家，桃李滿天下，曾培養出諾貝爾獎獲得者，但Hinton與導師的理念不同：導師堅持傳統的邏輯人工智能理念，Hinton則堅信基於神經元理論的模擬神經元，堅信神經網路一定是未來的發展方向。

「我的畢業生涯充滿了坎坷，每周我們都會有一場爭吵。」Hinton後來回憶，他一直在和導師做「交易」：「讓我再做六個月的神經網路，我會向你證明它們是有效的。」但在六個月結束的時候，Hinton又說：再給我六個月，之後又說，「再給我五年時間」。

進入八十年代，Hinton真的成功了。

1986年，Hinton等人完成著名的論文Experiments on Learning by Back Propagation，證明在神經網路中的反向傳播可以提供「有趣的」分布表示，提出了影響後世人工智能的新方法。

不過，當時既沒有足夠的數據，也沒有足夠的算力，神經網路無法進行大規模訓練，業界對Hinton的神經網路依舊不感興趣。Hinton參加學術會議時，經常坐在房間的最角落里，也得不到當時學界大咖的重視。

深度學習三巨頭的誕生

好在還有一批跟Hinton一樣的「頑固派」。

Yann Lecun是Hinton的博士後學生，也是神經網路的堅定信仰者。1989年，Yann LeCun在貝爾實驗室提供了第一次反向傳播的實際演示。

1993年，Yann LeCun在電腦上展示識別手寫字

他將卷積神經網路與反向傳播相結合閱讀「手寫」數字，後來卷積神經網路大規模應用，並在20世紀90年代末期處理了美國10％到20％支票的識別。

Yann LeCun在貝爾實驗室是組長，他的組員就包括今天或圖靈獎的另一位大神Bengio。

Bengio雖然不是Hinton的直系弟子，但也是被認為是和Hinton、LeCun一起推動深度學習浪潮的三位旗手，他開創了神經網路的語言模型language model先河。

從左至右：LeCun、Hinton、Bengio、吳恩達

2012年，Geoffrey Hinton和他的兩名學生發表論文，提出了深度卷積神經網路模型AlexNet，在當年的ImageNet大規模圖像識別競賽中獲得冠軍。後來Hinton加入Google大腦，AlexNet成為圖像識別中最經典的模型之一，在產業界也得到普遍應用，直到深度學習全面爆發。

更值得紀念的是，2015年，Geoffrey Hinton、Yann LeCun、Yoshua Bengio這三位深度學習巨頭曾在Nature上共同發表一篇名為《深度學習》的綜述文章，講述了深度學習為傳統機器學習帶來的變革。

不僅打臉知乎問題，深度學習還革新工業與學術界協作

早在2015年，知乎上就出現問題：Yann LeCun、Geoffrey Hinton或Yoshua Bengio能得圖靈獎嗎？

問題地址：

https://www.zhihu.com/question/33911668

當時不少網友認為他們三人雖然貢獻很大，但是不能得圖靈獎。於是今天紛紛跑到問題下面自行打臉。

京東集團副總裁、加拿大Simon Fraser大學計算科學學院教授、統計與精算系教授、加拿大一級研究講座教授、ACM Fellow、IEEE Fellow、ACM SIGKDD Chair裴健教授告訴新智元，今年圖靈獎頒發給Hinton、LeCun和Bengio三位深度學習的開創者、堅持者和布道者，眾望所歸。

「三四年前不少人就預測（或者說是期望）Hinton老先生和深度學習能獲獎。深度學習給我們日常生活帶來的好處，是史無前例的。因此，說Hinton的深度學習拿圖靈獎之前別人大概都不太好意思拿這個獎，也許不算太過分。我相信，深度學習已經成為計算的一個基本元素。」

裴健說，這三位大神的故事和各種花邊新聞已經廣為流傳了，無須贅述。有三點感想，值得自己學習，也和同行共勉：

首先，這三位長期聚精會神，榮辱不驚，是真正的學者。特別是Hinton老先生，他自八十年代初就開始對這個幾度沉浮的領域作出了突出貢獻 。三十多年他集中精力研究一個方向，不分心，不居功自傲，不因以往成就好為人師。這種嚴謹治學的精神非常值得我們後輩學習。我個人感覺，ACM在評大至圖靈獎小至Fellow上學術質量至上，嚴謹嚴格。

其次，雖然三位都出身學術界，但為了推進深度學習的應用，他們不同程度上遊走於工業界。他們給工業界帶來的重要貢獻不但是用深度學習方法解決了一批實際問題，更重要的是在工業研發上推廣科學治學原則和方法。

這種真正在科學方法論上的產學研結合培養了一大批既具有紮實學術功底和研究方法又具有廣闊的工業界視野和實際問題思維的新型年輕人才。可以這麼說，深度學習的影響不但止在技術上，還包括對學術界和工業界協作方式以及未來人才培養模式的革新。（做一個廣告：4月10日澳門召開的IEEE ICDE 2019大會上，我組織了一個panel，請到了著名的大學校長、傑出的工業界研發負責人和成功的新技術創業投資者專門討論這個問題。敬請關注。）

最後，他們的獲獎說明了一個鼓勵持續性獨立研究的環境非常重要。在深度學習不太受待見的漫長日子里，加拿大國家研究基金慷慨地支持了這幾位為代表的一批深度神經網路研究者的持續深入研究，使得這個星星之火最終成就燎原之勢。我本身在加拿大學習工作多年，非常喜歡那種平等平淡的研究環境，能使學者靜心思考。盡管深度學習大熱，加拿大學術界也是持比較理性的態度。Bengio這麼大的名氣，也是2017年才評上加拿大皇家院士的。

ACM主席Cherri M. Pancake說，人工智能的發展以及人們對它的興趣，在很大程度上要歸功於 Bengio、Bengio 和 LeCun 為之奠定基礎的深度學習的最新進展。這些技術被數十億人使用。任何口袋里有智慧型手機的人都能實實在在地體驗到自然語言處理和計算機視覺方面的進步，這在10 年前是不可能的。除了我們每天使用的產品，深度學習的新進展也為醫學、天文學、材料科學等領域的科學家們提供了強大的新工具」。

「深度神經網路對現代計算機科學的一些重大進步做出了貢獻，幫助在計算機視覺、語音識別和自然語言理解等領域長期存在的問題上取得了實質性進展。」Google高級研究員、GoogleAI高級副總裁Jeff Dean表示：「這一進步的核心是今年的圖靈獎獲得者Yoshua Bengio、Geoffrey Hinton和Yann LeCun 在30多年前開發的基礎技術。通過大幅提高計算機理解世界的能力，深度神經網路不僅改變了計算領域，而且幾乎改變了科學和人類努力的每一個領域。」

頻繁出現的深度學習「寒冬論」

從去年開始，關於深度學習「寒冬」、「至頂」的論調頻繁出現，不少人認為深度學習似乎遇到了瓶頸，需要特別大、特別深的網路以及大量數據訓練。

對此，幾位獲圖靈獎的深度學習大神在不同場合回應過「寒冬論」。

LeCun:

LeCun曾直言深度學習寒冬論的作者缺乏常識，文章的觀點非常無知（very uninformed）

Hinton：

Hinton認為，不會有人工智能的寒冬，因為AI已經在驅動著手機了。在過去的人工智能寒冬，AI並不是人們日常生活的一部分，但現在它已經是了。

更可貴的是，大神Hinton，一直奮鬥在深度學習第一線，一方面推倒重建，一方面更好地理解深度學習。

2017年，Hinton跟他在Google大腦兩個同事發表了《Dynamic Routing Between Capsules》，提出新的神經網路模型Capsule Network（膠囊網路），在特定任務上比傳統的卷積神經網路取得了更好的效果。

Hinton認為，Capsule網路最終將超越視覺，推廣到更廣闊的應用場景，盡管現在很多人還存在質疑，但他確信現在就像5年前很多人對神經網路存疑一樣。

「歷史將會重現「。

全面認識深度學習三巨頭

以下是ACM對三位大神的官方介紹，讀者若已熟悉，可跳過本部分。

Geoffrey Hinton

Geoffrey Hinton是Google副總裁兼Engineering Fellow，向量研究所首席科學顧問、多倫多大學名譽教授。Hinton在劍橋大學獲得實驗心理學學士學位，在愛丁堡大學獲得人工智能博士學位。他是CIFAR的神經計算和自適應感知（後來的「機器和大腦學習」）項目的創始主任。

Hinton曾獲加拿大最高榮譽勛章，英國皇家學會會員，美國國家工程院外籍院士，國際人工智能聯合會議（IJCAI）卓越研究獎，NSERC Herzberg金牌獎，及IEEE James Clerk Maxwell金牌。他還被「連線」雜誌選為「2016年度最具影響力100人」之一，並被彭博社選為2017年「改變全球商業格局的50人」之一。

Yann LeCun

Yann LeCun是紐約大學Courant數學科學研究所的Silver教授，Facebook的副總裁兼首席AI科學家。他在英國電子技術與電子學院（ESIEE）獲得高等英語學士學位，在瑪麗·居里·皮埃爾大學獲計算機科學博士學位。

LeCun是美國國家工程院院士，來自墨西哥IPN和洛桑聯邦理工學院（EPFL）的榮譽博士，賓夕法尼亞大學Pender獎得主，埃因霍溫技術大學和飛利浦實驗室Holst獎章獲得者，諾基亞-貝爾實驗室Shannon Luminary獎、IEEE PAMI傑出研究員獎、以及IEEE神經網路先鋒獎。

他被《連線》雜誌選為「2016最具影響力人物100人之一」以及「25位創造商業未來的天才」之一。LeCun是紐約大學數據科學中心的創始主任，也是CIFAR學習機器和腦力項目的負責人（與Yoshua Bengio共同擔任）。 此外，LeCun還是人工智能合作夥伴關係委員會的聯合創始人和前成員之一，該機構是研究AI的社會後果的企業和非營利組織的聯合體。

Yoshua Bengio

Yoshua Bengio是蒙特利爾大學的教授、魁北克人工智能研究所和IVADO（數據實驗研究所）的科學總監。他是CIFAR機器和腦力學習項目的聯合主任（與Yann LeCun共同擔任）。 Bengio擁有麥吉爾大學電子工程學士學位，計算機科學碩士和博士學位。

Bengio曾獲加拿大勛章，加拿大皇家學會會員和Marie-Victorin獎。他創建魁北克人工智能研究所（Mila）和並擔任該所科學主任也被認為是對AI領域的重大貢獻。 Mila是一家獨立的非營利組織，目前擁有300名研究人員和35名教職員工，目前是世界上最大的深度學習研究學術中心，並使蒙特利爾成為一個充滿活力的AI生態系統，全球多家大公司和AI創業公司均在此設立研究實驗室。

三位大神的成就

最後，送上本次獲圖靈獎的三位大神的主要技術成就，這些成就對其後的深度學習研究產生了巨大的影響，值得後人銘記。

Geoffrey Hinton

反向傳播：

1986年，Hinton與David Rumelhart和Ronald Williams共同撰寫了「Learning Internal Representations by Error Propagation」論文，Hinton等人在文中證明了反向傳播算法可以讓神經網路發現自身的數據內部表示，這一發現讓神經網路有可能解決以前被認為不可解決的問題。反向傳播算法已經成為如今大多數神經網路的標準。

玻爾茲曼機：

1983年，Hinton與Terrence Sejnowski一起共同發明了玻爾茲曼機，這是第一個能夠學習不屬於輸入或輸出的神經元內部表示的神經網路之一。

對卷積神經網路的改進：

2012年，Hinton與他的學生Alex Krizhevsky和Ilya Sutskever一起使用整流線性神經元和退出正則化改進了卷積神經網路。在著名的ImageNet圖像識別大賽中，Hinton和他的學生幾乎將對象識別的錯誤率降低了一半，可以說重塑了計算機視覺領域。

Yoshua Bengio

序列的概率模型：

20世紀90年代，Bengio將神經網路與序列的概率模型（如隱馬爾可夫模型）結合起來。這些思想被納入AT＆T / NCR用於讀取手寫支票的系統中，成為20世紀90年代神經網路研究的巔峰之作，目前的深度學習語音識別系統正是這些概念的擴展。

高維詞匯嵌入和注意力機制：

2000年，Bengio撰寫了具有里程碑意義的論文「A Neural Probabilistic Language Model」，此文引入了高維詞嵌入作為詞義表示。Bengio的這個思想對日後的自然語言處理任務產生了巨大而深遠的影響，其中包括語言翻譯、問答和視覺問答系統開發等。Bengio的團隊還引入了「注意力機制」，導致了機器翻譯研究的突破，並成為深度學習的順序處理的關鍵組成部分。

生成對抗網路（GAN）：

自2010年以來，Bengio與Ian Goodfellow共同開發的生成對抗網路（GAN）引發了一場計算機視覺和計算機圖形學的革命。GAN的一個引人註目應用是，計算機實際上能夠生成原始圖像，這種創造力往往被認為是機器具備人類智能的標誌。

Yann LeCun

卷積神經網路：

20世紀80年代，LeCun開發了卷積神經網路，成為神經網路領域的基本模型。在20世紀80年代後期，LeCun在多倫多大學和貝爾實驗室工作期間，首次在手寫數字圖像上成功了訓練卷積神經網路系統。如今，卷積神經網路是計算機視覺、語音識別，語音合成、圖像合成和自然語言處理領域的行業標準。已被用於自動駕駛、醫學成像分析、語音助手和信息過濾等多個領域。

對反向傳播算法的改進：

LeCun提出了反向傳播算法的早期版本（backprop），並根據變分原理對其進行了簡潔的推導。他表述了縮短學習時間的兩種簡單方法，從而加快了反向傳播算法的速度。

拓寬神經網路的研究領域：

LeCun還拓寬了神經網路的研究領域，將神經網路作為一種計算模型應用於更廣泛的任務上。他在早期研究中引入的許多思想和理念，現在已成為AI領域的基礎概念。例如，在圖片識別領域，他研究了如何讓神經網路學習層次特徵，這一方法現在已經用於很多日常的識別任務。他們還提出了可以操作結構數據（例如圖數據）的深度學習架構。