AI中国网 https://www.cnaiplus.com
当地时间27日，美国计算机协会(ACM)宣布了2018年的图灵奖获得者，人工智能科学家Yoshua Bengio、Geoffery Hinton 和 Yann LeCun共同获此荣誉。
图灵奖诞生于1966年，以计算机先驱艾伦·图灵 (Alan. M. Turing)命名，有“计算机学界的诺贝尔奖”之称。获奖者需是计算机领域有持久而重大的先进技术贡献的科学家。
图灵奖评奖程序严格，对获奖者要求极高，一般每年只发给一位科学家，极少数情况下会同时向在同一领域做出巨大贡献的两位科学家颁奖。而今年，继2002年和2007年后，图灵奖第三次同时颁给了三位科学家，对三人在神经网络方面的成就表示奖励。
ACM同时宣布，年度颁奖晚宴将于2019年6月15日在旧金山举行，三位获奖者将共同获得100万美元的奖金。
协会主席Cherri M. Pancake指出， 人工智能概念如今是社会最关注的话题之一，但正是Bengio、Hinton 和 LeCun三人在深度学习领域长达30年的坚守，为人工智能的发展奠定了基础。同时，他们的研究还在医学、天文学、材料科学等领域为科学家提供强大的新工具。
三剑客介绍
（左：Yann LeCun 中：Geoffrey Hinton 右：Yoshua Bengio）
Geoffrey Hinton （71岁），谷歌副总裁、工程研究员，也是Vector Institute 的首席科学顾问、多伦多大学 Emeritus 荣誉教授。他在1986年发表论文提出反向传播，1983年发明玻尔兹曼机，2012年对卷机神经网络进行改进。
Yann LeCun （58岁），纽约大学教授、Facebook 副总裁和首席 AI 科学家，代表贡献是卷神经网络理论。
Yoshua Bengio （55岁），蒙特利尔大学教授、魁北克人工智能机构Mila 的科学主管，与Ian Goodfellow、Aaron Courville 两人合著 《深度学习》一书。其贡献是在1990年代发明Probabilistic models of sequences。
从某种程度上说，三人在工作中同属一脉，师生相承。三人的工作既彼此独立又相互合作，共同开创了深度学习理论。
Geoffrey Hinton是三人中最年长的一位，他的科研之路颇为坎坷。Hinton本科就读于剑桥大学，曾经历过从物理和化学专业转系到建筑学，从建筑学转到物理和生理学，之后的哲学转向，让他对“大脑是如何工作的”产生好奇，进而研究心理学寻求答案。
研究生时期，Hinton在爱丁堡大学研究生院师从著名的理论化学家和认知科学家Christopher学习人工智能，赶上了21970年代的人工智能寒冬，AI并不受重视。Hinton坚持基于神经元理论的模拟神经元，而其导师坚持传统的逻辑人工智能观念，Hinton的毕业生涯一直处于和导师“讨价还价”进行研究的状态，直到1986年Hinton等人发表论文Experiments on Learning by Back Propagation，证明了在神经网络中的反向传播可以提供“有趣的”分布表示，才证明了自己的理论。但碍于当时数据和计算能力有限，Hinton的理论无法证明，也不受学术大咖重视，长期处于冷板凳状态。
Yann Lecun，Hinton的博士后学生，接过了老师手中的大旗。1989年，Yann LeCun在贝尔实验室进行了第一次反向传播示迹演示；1993年，Yann LeCun在电脑上展示识别手写字，将卷积神经网络与反向传播相结合；20世纪90年代末，卷机神经网络被大规模应用，并处理了美国10%到20%支票的识别。
Bengio是Yann Lecun任贝尔实验室组长时的组员。Bengio开创了神经网络的语言模型language model先河，他不是Hinton的直系弟子，但也被看作和Hinton、LeCun一起推动深度学习浪潮的旗手之一。20世纪90年代，Bengio提出序列的概率模型，现代深度学习语音识别系统正是这一理念的扩展。2000年，Bengio撰写论文提出高维词汇嵌入和关注，促使了机器翻译领域的突破。2010年以后，Bengio 关于生成性深度学习的论文，引发了计算机视觉和计算机图形学的革命。
正是在这三人长达30多年的长期坚守和敢于处于寒冬的毅力下，深度神经网络从不被重视的冷门领域发展成今天人工智能学习者的必备知识。
深度学习与人工智能
深度学习是一种人工智能技术，随着本世纪人工智能概念的火热而兴起。不同于传统的计算方法，深度学习模式下，计算机不会按部就班执行指令，它不会被明确告知如何解决特定任务，而是从数据中提取模式，模拟大脑神经网络，并根据录入数据提供结果，模拟的神经网络层数越深，结果越好。通过深度学习技术，可以通过大量训练来促进机器自动学习，降低人工建模成本。
深度学习模拟人类大脑神经中枢处理信息对逐层传递特征，克服了通过专家经验进行数据特征提取的浅层学习模型的局限，解决了人工智能发展的难题。
但深度学习理论也有着其局限性，如需要大量的数据支持，数据质量不稳定，对图片变化过于敏感等。
去年，深度学习走进死胡同理论开始兴起。作为深度学习关键支柱之一的自动驾驶技术，落地生产，又带来了神话的破灭——Uber自动驾驶在亚利桑那州发生了致命的撞车事故，特斯拉的自动驾驶仪相关事故也造成数人死亡，自动驾驶领域的领头者特斯拉也改变了“完全自动驾驶”的说法。
同样在去年，人工智能寒冬理论不绝于耳，但Hinton表示，不会再有寒冬了，因为最冷的寒冬他已经经历过。
人工智能和深度学习的发展路径，只能在时间显现，问题出现，解决问题，是事物发展不变的轨道。我们能做的，是给它时间。
AI中国网 https://www.cnaiplus.com
本文网址：
