计算机最高奖项“图灵奖”公布！人工智能的三大教父获得

None

上世纪80年代末，还在加拿大攻读硕的

现在，55岁的本吉奥已成为了蒙特利尔大学的一名教授，就在今天，他与71岁的

此次将图灵奖授予这三位

神经网络是人工智能最古老的方法之一，当这个领域在20世纪50年代末刚起步时就已经建立起来了。研究人员将神经科学家创造的神经元的简单模型改造成数学网络，这种数学网络可以通过让一系列人工的“神经元”对数据进行过滤，来学习如何对数据进行分类。早期成功的例子包括占据整个房间的感知机马克1号，它能学习如何分辨屏幕上的形状。但当时还不清楚要如何训练具有多层神经元的大型网络，让这项技术超越模拟的小型任务。

欣顿提出的解决方案是训练深度网络。1986年，他与他人共同发表了一篇题为“Learning Internal Representations by Error Propagation”的开创性论文，提出了全新的

杨立昆说：“从90年代中期到21世纪的最初几年，除了少数像我们这样疯狂的人，基本上没有人研究神经网络。”杨立昆的贡献包括发展了

本吉奥开创了将深度学习应用于

一个关键的时刻出现在了2012年，当时，欣顿与他的两名学生一起利用两种算法对卷积神经网络进行了改进。在著名的 ImageNet 比赛中，欣顿和他的学生出人意料地获得了冠军。他们以5次的猜测机会，将10万多张照片正确地分成1000个类别，准确率高达85%，比第二名高出十多个百分点。这一胜利使得原本在该领域备受青睐的方法被抛诸脑后。

2013年初，谷歌收购了由他们三人创立的一家初创公司，自那之后，欣顿便一直留在了那里工作。同年，脸书也聘请了杨立昆。欣顿说，他和他的合作者能够长期坚持这些不受青睐的想法，是因为在内心深处，他们都是特立独行的人。现在，无论在学术圈还是技术行业，三位获奖者都是主流的一部分。

尽管深度学习已经在实践中取得了诸多成功，但它仍然有许多无法做到的事。神经网络的概念受到的是人类大脑的启发，但它与大脑并没有太多的相似之处。深度学习赋予计算机的智能让它可以在一些简单的任务上表现出众，例如玩某个特定的游戏，识别某些特定的声音等，但它不像人类智能那样具有适应性和通用性。

欣顿和杨立昆说，他们希望能结束现有系统中对人来进行的明确而又广泛的训练的依赖。深度学习项目依赖于大量标注的数据来解释眼前的任务，这是医学等领域所面临的一个主要限制。本吉奥强调，尽管在一些领域我们取得了成功，比如拥有了更好的翻译工具，但这一技术还远远不能正确地理解语言。

三位获奖者称，他们不知道要如何解决余下的这些挑战。他们建议，任何希望在人工智能领域取得下一个突进突破的人，都应效仿他们过去的做法——无视主流想法的意愿。本吉奥说：“他们不应该随波逐流，现在深度学习就是这股洪流。”