上世紀(jì)80年代末，還在加拿大攻讀碩的尤舒亞·本吉奧（Yoshua Bengio）被一個當(dāng)時并不怎么流行的想法迷住了。那時，有少數(shù)從事人工智能研究的計算機(jī)科學(xué)家試圖研發(fā)這樣一種軟件，這種軟件可以大致模仿神經(jīng)元網(wǎng)絡(luò)在大腦中處理數(shù)據(jù)的方式，雖然當(dāng)時并沒有證據(jù)表明這是一種行得通的想法。

神經(jīng)元模擬。

20多年后，科技行業(yè)也后知后覺地愛上了這個想法。近年來，人工智能領(lǐng)域的長足進(jìn)步使得自動駕駛汽車等項目能達(dá)到幾乎與人類相差無幾的智能程度，而神經(jīng)網(wǎng)絡(luò)就是人工智能蓬勃發(fā)展的幕后推手。

現(xiàn)在，55歲的本吉奧已成為了蒙特利爾大學(xué)的一名教授，就在今天，他與71歲的杰弗里·欣頓（Geoffrey Hinton）和58歲的楊立昆（Yann LeCun），共同獲得了計算機(jī)科學(xué)的最高獎項——ACM圖靈獎（該獎項自1966年起每年頒發(fā)一次，以計算機(jī)之父艾倫·圖靈的名字命名）。

○從左至右：楊立昆、杰弗里·欣頓、尤舒亞·本吉奧。

| 圖片來源：Facebook/Google/Bolter AI

他們?nèi)说奶剿髦梅路鹗且粍t關(guān)于勇氣的寓言。在遠(yuǎn)離追捧與聚光燈的地方，他們潛心研究了幾十年，把一個不被看好的、被邊緣化的想法，變成了計算機(jī)科學(xué)中最熱門的想法?，F(xiàn)如今，他們所倡導(dǎo)的技術(shù)已經(jīng)成為了每家大型科技公司的未來戰(zhàn)略的核心。谷歌測試中的軟件得以讀取醫(yī)學(xué)掃描，特斯拉的自動駕駛儀得以讀取道路標(biāo)志，臉書得以自動刪除一些惡毒言論，都是得益于他們?nèi)怂鶆?chuàng)造的技術(shù)。

此次將圖靈獎授予這三位深度學(xué)習(xí)的教父，不僅是對他們工作的肯定，更表明了機(jī)器學(xué)習(xí)已經(jīng)成為了計算機(jī)科學(xué)中的一個核心領(lǐng)域。

這個學(xué)科有一個悠久的傳統(tǒng)，那就是重視問題的解決方案的數(shù)學(xué)證明。但機(jī)器學(xué)習(xí)算法會以一種更為混亂的方式完成任務(wù)，它會跟蹤數(shù)據(jù)的統(tǒng)計軌跡，來找到在實際中行之有效的方法，即使我們并不清楚具體是如何做到的。

神經(jīng)網(wǎng)絡(luò)是人工智能最古老的方法之一，當(dāng)這個領(lǐng)域在20世紀(jì)50年代末剛起步時就已經(jīng)建立起來了。研究人員將神經(jīng)科學(xué)家創(chuàng)造的神經(jīng)元的簡單模型改造成數(shù)學(xué)網(wǎng)絡(luò)，這種數(shù)學(xué)網(wǎng)絡(luò)可以通過讓一系列人工的“神經(jīng)元”對數(shù)據(jù)進(jìn)行過濾，來學(xué)習(xí)如何對數(shù)據(jù)進(jìn)行分類。

早期成功的例子包括占據(jù)整個房間的感知機(jī)馬克1號，它能學(xué)習(xí)如何分辨屏幕上的形狀。但當(dāng)時還不清楚要如何訓(xùn)練具有多層神經(jīng)元的大型網(wǎng)絡(luò)，讓這項技術(shù)超越模擬的小型任務(wù)。

欣頓提出的解決方案是訓(xùn)練深度網(wǎng)絡(luò)。1986年，他與他人共同發(fā)表了一篇題為“Learning Internal Representations by Error Propagation”的開創(chuàng)性論文，提出了全新的反向傳播算法。欣頓證明了反向傳播算法可以讓神經(jīng)網(wǎng)絡(luò)去發(fā)現(xiàn)其自身對數(shù)據(jù)的內(nèi)部表達(dá)，從而讓利用神經(jīng)網(wǎng)絡(luò)來解決之前無法解決的問題成為可能。如今，反向傳播算法處于深度學(xué)習(xí)的核心，但當(dāng)時這項技術(shù)還不夠成熟。

楊立昆說：“從90年代中期到21世紀(jì)的最初幾年，除了少數(shù)像我們這樣瘋狂的人，基本上沒有人研究神經(jīng)網(wǎng)絡(luò)。”

楊立昆的貢獻(xiàn)包括發(fā)展了卷積神經(jīng)網(wǎng)絡(luò)，上世紀(jì)80年代末，他是第一個用手寫數(shù)字圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)的人。如今，卷積神經(jīng)網(wǎng)絡(luò)已成為計算機(jī)視覺、語音識別、語音合成、圖像合成和自然語言處理等領(lǐng)域的一個行業(yè)標(biāo)準(zhǔn)。它們在諸多領(lǐng)域均具有廣泛應(yīng)用，例如自動駕駛、醫(yī)學(xué)圖像分析、聲控助手和信息過濾等等。

本吉奧開創(chuàng)了將深度學(xué)習(xí)應(yīng)用于序列（比如語音和理解文本）的方法。但直到本世紀(jì)初，在研究人員發(fā)現(xiàn)如何利用圖形處理器的能力之后，深度學(xué)習(xí)才觸及到更廣泛的世界。

一個關(guān)鍵的時刻出現(xiàn)在了2012年，當(dāng)時，欣頓與他的兩名學(xué)生一起利用兩種算法對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。在著名的 ImageNet比賽中，欣頓和他的學(xué)生出人意料地獲得了冠軍。他們以5次的猜測機(jī)會，將10萬多張照片正確地分成1000個類別，準(zhǔn)確率高達(dá)85%，比第二名高出十多個百分點(diǎn)。這一勝利使得原本在該領(lǐng)域備受青睞的方法被拋諸腦后。

2013年初，谷歌收購了由他們?nèi)藙?chuàng)立的一家初創(chuàng)公司，自那之后，欣頓便一直留在了那里工作。同年，臉書也聘請了楊立昆。

欣頓說，他和他的合作者能夠長期堅持這些不受青睞的想法，是因為在內(nèi)心深處，他們都是特立獨(dú)行的人?，F(xiàn)在，無論在學(xué)術(shù)圈還是技術(shù)行業(yè)，三位獲獎?wù)叨际侵髁鞯囊徊糠帧?/p>

盡管深度學(xué)習(xí)已經(jīng)在實踐中取得了諸多成功，但它仍然有許多無法做到的事。神經(jīng)網(wǎng)絡(luò)的概念受到的是人類大腦的啟發(fā)，但它與大腦并沒有太多的相似之處。深度學(xué)習(xí)賦予計算機(jī)的智能讓它可以在一些簡單的任務(wù)上表現(xiàn)出眾，例如玩某個特定的游戲，識別某些特定的聲音等，但它不像人類智能那樣具有適應(yīng)性和通用性。

欣頓和楊立昆說，他們希望能結(jié)束現(xiàn)有系統(tǒng)中對人來進(jìn)行的明確而又廣泛的訓(xùn)練的依賴。深度學(xué)習(xí)項目依賴于大量標(biāo)注的數(shù)據(jù)來解釋眼前的任務(wù)，這是醫(yī)學(xué)等領(lǐng)域所面臨的一個主要限制。本吉奧強(qiáng)調(diào)，盡管在一些領(lǐng)域我們?nèi)〉昧顺晒?，比如擁有了更好的翻譯工具，但這一技術(shù)還遠(yuǎn)遠(yuǎn)不能正確地理解語言。

三位獲獎?wù)叻Q，他們不知道要如何解決余下的這些挑戰(zhàn)。他們建議，任何希望在人工智能領(lǐng)域取得下一個突進(jìn)突破的人，都應(yīng)效仿他們過去的做法——無視主流想法的意愿。本吉奧說：“他們不應(yīng)該隨波逐流，現(xiàn)在深度學(xué)習(xí)就是這股洪流?！?/p>