导语 3月27日，美国电子计算机协会（ACM）宣布，加拿大蒙特利尔大学教授Yoshua Bengio（约书亚·本希奥）、谷歌副总裁兼多伦多大学名誉教授Geoffrey Hinton（杰弗里·欣顿），以及纽约大学教授兼 Facebook 首席 AI 科学家Yann LeCun（杨立昆）因在人工智能深度学习方面的贡献获得2018年度图灵奖。
这三位被业内人士称为“当代人工智能教父”的科学家是深度神经网络（deep neural network）的开创者。
据了解，有关人工智能神经网络的想法在上世纪80年代就被提出，但后来一度遇冷，在质疑声中仍坚持相关研究的人为数不多。而Bengio、Hinton、LeCun不仅坚持至今，其研究出的相关方法也成为行业研究主流。
2018图灵奖三大得主
▲Yoshua Bengio
Yoshua Bengio是人工智能自然语言处理领域的先锋。Bengio 1964年出生于法国，成长于加拿大，现居蒙特利尔，在蒙特利尔大学（University of Montreal）计算机科学与运算系任教授。同时，他还创建了目前世界上最大的深度学习研究中心——蒙特利尔学习算法研究中心（MILA），使蒙特利尔成为世界上人工智能研究最为活跃的地区之一，引来大批公司和研究室入驻。
Bengio此次获奖的理由主要是他在1990年代发明的Probabilistic models of sequences，通过把神经网络和概率模型结合在一起，并和AT&T公司合作，利用新技术识别手写的支票。这种概念成为了现代深度学习技术中的语音识别的重要研究方向。
此外，Bengio还于2000年还发表了划时代的论文“A Neural Probabilistic Language Model”，使用高维词向量来表征自然语言。他的团队还引入了注意力机制，让机器翻译获得突破，也成为了让深度学习处理序列的重要技术。
▲Geoffrey Hinton
Geoffrey Hinton被称为“神经网络之父”，目前是谷歌大脑人工智能团队的高级研究员和多伦多大学的名誉教授。出生于1947年的Hinton，是加拿大认知心理学家和计算机科学家，以其在人工神经网络方面的工作而知名，是加拿大先进研究院神经计算和自适应项目（Neural Computation and Adaptive Perception Program）的创始人。2017 年被彭博社评为改变全球商业格局的 50 人之一。
在ACM的公告中，Hinton最重要的贡献来自他1986年发明反向传播的论文“Learning Internal Representations by Error Propagation”，1983年发明的玻尔兹曼机（Boltzmann Machines），以及2012年对卷积神经网络的改进。Hinton和他的学生Alex Krizhevsky以及Ilya Sutskever 通过Rectified Linear Neurons和 Dropout Regularization改进了卷积神经网络，并在著名的ImageNet评测中取得了很好的成绩，在计算机视觉领域掀起一场革命。
▲Yann LeCun
Yann LeCun常被认为是“卷积网络之父”，目前担任Facebook首席人工智能科学家和纽约大学教授。LeCun 1960年出生于法国巴黎附近，在法国皮埃尔和玛丽·居里大学获得计算机科学博士学位。曾获得了美国工程院院士、IEEE神经网络先锋奖（IEEE Neural Network Pioneer Award）等一系列荣誉，是纽约大学数据科学中心的创始人，与Bengio一起担任加拿大先进研究院机器与大脑学习项目的主管。
LeCun的代表贡献之一是卷积神经网络。1980年代，LeCun发明了卷积神经网络，首次将卷积神经网络用于手写数字识别，成为了机器学习领域的基础技术之一。如今成为了业界标准技术，广泛用于计算机视觉、语音识别、自然语言处理等学术方向，以及自动驾驶、医学图片识别、语音助手、信息过滤等工业应用方向。
第二个重要贡献是改进了反向传播算法。他提出了一个早期的反向传播算法backprop，也根据变分原理给出了一个简洁的推导，使反向传播算法更快。
第三个贡献是拓展了神经网络的应用范围。他把神经网络变成了一个可以完成大量不同任务的计算模型。例如在图片识别领域，他研究了如何让神经网络学习层次特征，这一方法现在已经用于很多日常的识别任务，还提出了可以操作结构数据（例如图数据）的深度学习架构。
电子计算机协会主席谢丽·潘凯克说，人工智能是发展最快的科学领域之一，这很大程度归功于深度学习的进展，而Bengio、Hinton、LeCun为此奠定了基础。
ACM会长Cherri M. Pancake说：“AI的增长和兴趣在很大程度上归功于Bengio、Hinton、LeCun奠定基础的深度学习的最新进展。数十亿人使用这些技术。任何在口袋里都装有智能手机的人都可以体验到自然语言处理和计算机视觉方面的进步，这在10年前是不可能实现的。除了我们每天使用的产品之外，深度学习的新进展为科学家提供了从医学、天文学到材料科学的强大新工具。”
“深度神经网络帮助在计算机视觉，语音识别和自然语言理解方面的长期问题上取得实质性进展，这一进步的核心是30多年前由图灵奖获奖者——Bengio、Hinton、LeCun开发的基本技术。通过大幅提高计算机理解世界的能力，深度神经网络不仅改变了计算领域，而且几乎改变了科学和人类努力的每一个领域。”谷歌人工智能负责人Jeff Dean 如此赞扬三人的成就。
AI神经网络的坚守者们
从上世纪50年代开始，神经网络的发展在黑暗中踱步不前。但Hinton、LeCun和Bengio没有放弃。
三十多年以来，三人一直徘徊在人工智能研究的边缘地带，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。
当时主流学术界给出的答案是“No”，认为计算机最佳的学习方式是规则和逻辑。
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。导师多次提醒他在浪费时间，Hinton没有动摇。
1980年代LeCun在巴黎读大学时，计算机几乎就是“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。但就在那时，LeCun涉足探索人工智能领域的一种方法：“智能神经网络”。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。
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，神经网络的研究再次进入寒冬，神经网络学者们的处境愈发边缘化。一些学术机构甚至不允许他们在会议上发表论文。
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。
直到2009年前后，计算机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。工业界也很快注意到神经网络的价值，微软、Facebook、谷歌等科技巨头开始在这个领域投资。
在去年彭博社的一次采访中，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。
历史上斩获图灵奖的AI大神们
▲图灵奖
图灵奖（Turing Award），由美国计算机协会（ACM）于1966年设立，专门奖励那些对计算机事业作出重要贡献的个人。其名称取自计算机科学的先驱、英国科学家艾伦·麦席森·图灵（Alan M. Turing）。
图灵奖有着极高的评奖要求和严格的评奖程序，一般每年只奖励一名计算机科学家，只有极少数年度有两名合作者或在同一方向作出贡献的科学家共享此奖。作为计算机界最负盛名、最崇高的一个奖项，有“计算机界的诺贝尔奖”之称。
其实，早在1969年，图灵奖设立的第四年，便有学者因为在人工智能领域的贡献获得了图灵奖。
1969年，Marvin minsky（马文·明斯基）
▲Marvin minsky
Marvin minsky是“人工智能之父”和框架理论的创立者。他首创框架理论，和麦卡锡一起在1956年发起“达特茅斯会议”并提出人工智能概念，还把人工智能技术和机器人技术结合起来，开发出了世界上最早的能够模拟人活动的机器人Robot C，使机器人技术跃上了一个新台阶。
1971年，John McCarthy（约翰·麦卡锡）
▲John McCarthy
John McCarthy和Marvin minsky因提出“人工智能”概念，同被称为“人工智能之父”。1959年，McCarthy开发了著名的LISP语言，成为人工智能界第一个最广泛流行的语言。
1975年，Allen Newell（艾伦·纽厄尔）和Herbert A.Simon（赫伯特·西蒙）
▲Newell
Newell是信息处理语言（IPL）发明者之一，并写了该语言最早的两个AI程序，合作开发了逻辑理论家（Logic Theorist 1956年）和通用问题求解器General Problem Solver。
▲Simon
Simon是经济组织决策管理大师，第十届诺贝尔经济学奖获奖者。
Simon和Newell合作给“物理符号系统” 下了定义，提出了“物理符号系统假说”PSSH(Physical Symbol System Hypothesis），成为人工智能中影响最大的符号主义学派的创始人和代表人物，而这一学说则鼓励着人们对人工智能进行伟大的探索。这也是两人在人工智能中做出的最基本的贡献。
1994年，Edward Feigenbaum（爱德华·费根鲍姆）和Raj Reddy（拉吉·瑞迪）
▲Feigenbaum
Feigenbaum的重大贡献在于通过实验和研究，证明了实现智能行为的主要手段在于知识，从而最早倡导了"知识工程"（Knowledge engineering），并使知识工程成为人工智能领域中取得实际成果最丰富、影响也最大的一个分支。
▲Reddy
Reddy是计算机领域的领军人物，他研究的语音识别课题为当今的高科技领域普遍的应用，提出旨在用计算技术来服务于文化程度和社会地位不高的人的生活，尤其是在教育、健康等方面，为世界范围内的计算机发展有着重要的贡献。
2011年，Judea Pearl（犹大·伯尔）
▲Judea Pearl
Pearl提出了概率和因果性推理演算法。他指出智能系统所面临的不确定性是一个核心问题，通过在不确定的条件下为信息处理创造了一个具有代表性的计算基础，彻底改变了人工智能最初基于规则和逻辑的方向。
本文版权归原作者所有，同心智造网（www.hahakm.com）转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
