机器学习、神经网络和深度学习为何能独领风骚?

有“计算机界诺贝尔奖”之称的 ACM AM图灵奖（ACM A.M. Turing Award）近日公布 2018 年获奖者，由引起这次人工智能革命的三位深度学习之父——蒙特利尔大学教授 Yoshua Bengio、多伦多大学名誉教授 Geoffrey Hinton、纽约大学教授 Yann LeCun 获得，他们使深度神经网络成为计算的关键。

据官方公告介绍，因三位巨头在深度神经网络概念和工程上的突破，使得 DNN 成为计算的一个重要构成，从而成为 2018 年图灵奖得主。

ACM这样介绍他们三人的成就：

Hinton、LeCun和Bengio三人为深度神经网络这一领域建立起了概念基础，通过实验揭示了神奇的现象，还贡献了足以展示深度神经网络实际进步的工程进展。

这是图灵奖十年来第三次颁给机器学习领域的杰出贡献者了：2011 年图灵奖得主为 Judea Pearl，他开发的概率与因果推理微积分（calculus for probabilistic and causal reasoning）为人工智能发展做出了重大贡献。Leslie Gabriel Valiant 获得了 2010 年图灵奖，他为计算理论的发展作出了变革性贡献，包括 PAC 学习理论、并行与分布计算理论等。

https://amturing.acm.org/byyear.cfm

其实，现代神经网络、机器学习等AI技术背后的思想，可以追溯到第二次世界大战行将结束之际。彼时，学者们开始构建计算系统，旨在以类似于人类大脑的方式存储和处理信息。

而深度神经网络早在1980年代就已经提出，但很快遭受质疑。专注于这种方法的学者，是AI界的少数派，LeCun、Hinton和Bengio就在其中。

三十多年前，是他们一生的至暗时刻。

然而，这一小撮“顽固分子”始终坚持自己的信念，他们不怕被视作蠢货，一直相信神经网络会照亮这个世界，并改变整个人类的命运。

最终他们的信念，也改变了自己的命运。

Geoffrey Hinton

Geoffrey Hinton，1947年生，现年72岁，谷歌的副总裁和工程师，也是AI研究机构Vector Institute的首席科学顾问和多伦多大学的名誉教授。

在ACM颁奖辞博文中，主要提到了Hinton的三个贡献，如果你做过AI项目，肯定不会陌生，它们分别是：

反向传播（Backpropagation）：

1986年，在Learning Internal Representations by Error Propagation这篇论文里，Hinton证明了，反向传播能让神经网络发现自己内部的数据表征，这样便可以处理以往无法解决的问题。

如今，反向传播已经是神经网络的标准操作，Hinton也有了“反向传播之父”的名号。

玻尔兹曼机（Boltzmann Machines）：

1983年，Hinton和同伴一起发明了玻尔兹曼机，那是最早能够学习神经元内部表征的网络之一：那些表征既不来自输入，也不来自输出。

改进卷积神经网络：

2012年，Hinton和学生们一起，利用线性整流神经元（Rectified Linear Neurons）和dropout 正则化改进了卷积神经网络。

在ImageNet比赛上，他们几乎把物体识别的错误率降到了从前的一半，让计算机视觉领域焕然一新。

在获得图灵奖之前，Hinton就已经获得了大量的荣誉，手握加拿大最高荣誉勋章（Companion of the Order of Canada），是顶级认知科学奖鲁梅哈特奖的首位获奖者，也获得了人工智能国际联合会（IJCAI）杰出学者奖终生成就奖等等。

此外，他也是英国皇家学会成员、美国工程院外籍院士。

一个有趣的轶事是，Hinton的高祖父是大名鼎鼎的乔治·布尔——布尔逻辑的创立者，因“布尔检索“而闻名于世。

而即将出场的人，曾经在Hinton的实验室里做过博士后。

Yann LeCun

Yann LeCun，1960年生，58岁，现在是Facebook首席AI科学家。卷积神经网络 (CNN) 之父，是他最为人熟知的名号。

ACM列举的成就，也是从这里开始。

卷积神经网络 (CNN) ：

1989年，在AT&T贝尔实验室工作的LeCun，以反向传播为基础，发表了一项研究，叫做“将反向传播用到手写邮编的识别上”。CNN的第一次实现，就是在这里诞生。

如今，CNN已经成为深度学习的基础技术了，不止在计算机视觉领域，在语音合成、语音识别这些应用中，也是行业标准操作。

反向传播雏形：

1985年，Hinton还没有成为反向传播之父的时候，LeCun在巴黎六大读博期间，发表过反向传播的一个早期版本，根据变分原理给出了一个简单的推导过程。

他用两种加速学习的方法，让反向传播变得更快了。

拓展了神经网络的视野：

LeCun不止把神经网络用在图像识别上，还解锁了许多其他任务。他提出的一些概念，如今已经成了AI领域的基础。

比如，在图像识别上，他研究了神经网络怎样学习分层特征表示 (Hierarchical Feature Representation) ，这也成为了如今许多识别任务中常用的概念。

另外，他和同伴Léon Bottou一起提出，学习系统可以由复杂的神经网络构成。在这样的系统里，反向传播是靠自动微分来实现。他们还提出，深度学习架构可以对结构化数据 (比如图形) ，进行处理。

LeCun博士毕业后，只在Hinton的实验室做了一年博士后，就进入了工业界。

不过，他在2003年成为了纽约大学的教授，还在2012年创办了纽大数据科学中心。即便加入Facebook之后，也继续在纽大兼职。

而下一位巨头，也和LeCun一样，横跨学界和产业界。并且，他也在赫赫有名的贝尔实验室工作过。

Yoshua Bengio

Yoshua Bengio，1964年生，55岁，现在是蒙特利尔大学计算机科学与运筹学系教授。

Bengio创建了蒙特利尔学习算法研究所（MILA），担任研究所的科学主任，主持加拿大高等研究院（CIFAR）机器与大脑学习项目的研究。同时，Bengio也担任着数据评估研究所（IVADO）的科学联合主任。

同样，ACM也总结了Bengio的三个主要贡献。

序列的概率模型：

上世纪90年代，Bengio提出了序列的概率模型。他把神经网络和概率模型（例如隐马尔可夫模型）相结合，用新技术识别手写的支票。外界认为，这是20世纪90年代神经网络的巅峰之作，当下语音识别技术就是在它的基础上扩展的。

高维词汇嵌入和注意机制：

Bengio参与发表了一篇里程碑式的论文，A Neural Probabilistic Language Model（神经概率语言模型），把高维词嵌入 (High-Dimentional Word Embeddings) 作为词义的表征。这对NLP研究（如翻译、问答和视觉问答等任务）产生了深远的影响。

生成对抗网络（GAN）：

2014年，Bengio与Ian Goodfellow一同发表的生成对抗网络 (GAN) ，引发了计算机视觉和图形学的革命。

据统计，Yoshua Bengio发表的300多篇学术文章的累计引用次数已经超过137000次。

作为教授，Bengio曾经和Ian Goodfellow、Aaron Courville等业界大神一起写出了Deep Learning，成为人手一本的“AI圣经”，不少人将这本书亲切称之为“花书”。

除了学术界，Bengio也活跃在产业界。

曾经，Bengio联合Jean-François Gagné创立了Element AI，为那些想给自家业务寻找机器学习解决方案的公司，找到AI领域的专家。

除此之外，Bengio也有许多荣誉在身。他不仅成为了加拿大皇家学院（RSC）及加拿大高等研究院（CIFAR）的院士，还在2017年获得了代表加拿大公民最高荣誉的“加拿大总督功勋奖”。

机器学习、神经网络和深度学习为何能独领风骚？在传统计算中，计算机程序使用明确、逐步的指令来指导计算机，但在深度学习中，计算机并没有明确被告知该如何解决特定任务，如对象分类。相反地，它使用学习算法来提取数据中的模式（pattern），涉及数据的输入，例如图像的像素、标注、到输出。研究人员面临的挑战是开发有效的学习算法，能够修改人工神经网络中连接的权重，所以可抓取数据中的相关模式。

Geoffrey Hinton 从 80 年代早期就致力在 AI 领域倡导机器学习方法，研究人类大脑如何发挥作用，应将其应用在机器学习系统的开发。受到大脑的启发，他和其他人提出“人工神经网络”作为机器学习研究的基石。

在计算机科学中，“神经网络”是指由在计算机模拟“神经元”的一层一层组成的系统。这些“神经元”与人类大脑中的神经元相似，通过加权连接相互影响，并通过改变连接上的权重，可以改变神经网络执行的计算，三位大牛提出使用多层构建深层网络的重要性，因此也称为“深度学习”。

三位大牛 30 年努力所奠定的概念基础和工程进步，受惠于 GPU、计算机的普及以及对大量数据集而取得显著进展，Yann LeCun 在 Geoffrey Hinton 的指导下进行博士后工作，Yann LeCun 和 Yoshua Bengio 在 90 年代初都任职于贝尔实验室，尽管没有一起工作，他们的研究也激起了相互影响。

他们三人持续探索机器学习与神经科学和认知科学的交叉，特别是他们共同参与 CIFAR 的机器和大脑学习计划。

这一次 ACM 选择深度学习理论，在深度学习领域又选择了这三位先驱，其实有更深层的意义。因为，在深度学习和神经网络领域具有突出贡献的绝不止这三位学者，而他们并称为三巨头的原因，也并不只是因为他们投入研究的时间长达40年，更是因为他们始终保有对神经网络的兴趣，在他们的名字广为世人所知的几十年时间里，他们甘于用掉人生大部份的时间坐冷板凳做研究，才推动了神经网络走向复兴。