图灵奖获得者从左到右：Yann LeCun、Geoff 和 ，他们围绕神经网络重塑了AI。
20世纪80年代末，加拿大硕士生 被一种不合时宜的想法所吸引。一些AI研究人员当时正在尝试开发软件，以便松散地模仿神经元网络如何处理大脑中的数据，尽管鲜有证据证明这切实可行。现为蒙特利尔大学教授的说：“我们既可以了解大脑的运作原理，又可以构建AI，我对这个想法一见倾心。”
20多年后，科技行业也对这个想法一见倾心。神经网络是AI近期蓬勃发展的幕后推手，AI领域的发展造就了自动驾驶汽车和与人类实际上没有区别的电话机器人等项目。
周三，55岁的和这场革命的另两位领导者共同获得了计算机科学界的最高荣誉：ACM图灵奖，它被誉为是计算机界的诺贝尔奖。另外两位获奖者是谷歌的研究人员：71岁的Geoff 和纽约大学教授及的首席AI科学家：58岁的Yann LeCun，正是后者撰写的一些论文当初吸引研究神经网络。
通过长达数十年的潜心研究，他们将一种老式的、边缘化的想法转变为计算机科学界最热门的想法。他们所倡导的技术是每一家大型科技公司未来战略的核心。无论是谷歌的测试软件读取医疗扫描影像，特斯拉的自动驾驶技术（）读取道路标记，还是自动删除一些仇恨言论，这些都离不开他们的贡献。
被问及赢得图灵奖意味着什么时，有点惊讶。他说：“我猜神经网络现在是受人尊敬的计算机科学。”在计算机科学界，没有什么比图灵奖更受人尊敬的了。自1966年以来每年颁发一次，以英国数学家艾伦·图灵（Alan ）的名字命名，图灵在20世纪30年代、40年代和50年代为计算机和AI奠定了早期基础。
华盛顿大学教授 在对冲基金DE Shaw领导机器学习研究工作，他表示深度学习得到认可偏晚了。他说：“深度学习早就该得到认可了。”在2015年所写的著作《终极算法》（The ）调查了采用不同AI方法的五个“群体”，包括从事神经网络工作的“联结学派”。
他表示，将图灵奖授予这个群体承认了计算机科学家解决问题的方式已发生转变。说：“这不仅仅是授予这几位杰出人士的图灵奖。它还表明，机器学习已成为计算机科学的一个核心领域。”
该学科长期以来重视用数学验证的方法来解决问题。机器学习算法以一种更简洁的方式完成工作，遵循数据中的统计跟踪线索，找到实际效果良好的方法，即使它并不清楚具体怎样。说：“计算机科学是一种工程形式，是否得到结果很重要。”
神经网络是最古老的AI方法之一，在20世纪50年代后期开始确立其在这个领域的地位。研究人员将神经科学家创建的大脑细胞的简单模型改编成数学网络，可以通过一系列“神经元”过滤数据，从而学习对数据进行分类。
早期的成功包括塞满房间的，它可以学会辨别屏幕上的形状。但目前尚不清楚如何训练拥有多层神经元的大型网络，以便这项技术适用于试验任务之外的实用环境。
展示了训练所谓的深度网络的解决方案。1986年他与人合著了一篇开创性的论文，介绍一种名为反向传播的学习算法。这种算法名为，是今天深度学习的核心，但那时候这项技术还没有完全成熟起来。LeCun说：“从90年代中期到2000年代中期之间出现了一段黑暗期，实际上除了像我们这几个人外，没有多少人在研究神经网络。”
他的贡献包括，发明了非常适合图像的神经网络设计；他通过在贝尔实验室为ATM开发支票读取软件来证明这个概念。开创了将深度学习应用于序列的方法，比如语音和理解文本。但是，在研究人员想出如何利用图形处理器或GPU的强大功能之后，更多的人在这个十年的早期才开始了解深度学习。
一个关键的时刻发生在2012年，当时在多伦多大学的和两名研究生出人意料地赢得了一年一度的软件竞赛（该软件用于识别照片中的目标）。他们的胜利使得该领域青睐的方法黯然失色，在五次猜测后正确地将多张照片分成1000个类别，准确度达到85%，比第二名高出了10个百分点。谷歌于2013年初收购了这三人成立的初创公司，此后一直为该公司效力。在那年晚些时候聘请了LeCun。
说：“你回顾一下发生的经历，就会觉得科学以它本该的样子出现。”也就是说，“在我们获得明显优于现有技术水平的结果之前，人们非常怀疑。”
说，他和合作者长期坚持他们不合时宜的想法，因为他们本质上都特立独行。这三人现在都是学术和科技行业的中流砥柱。和LeCun是两家全球最具影响力的公司的副总裁。还没有加入一家科技巨头，不过是微软的顾问，并与多家初创公司合作，将深度学习应用于诸如药物发现和帮助性骚扰受害者之类的任务。
这三个人走的方向不一样，但仍然是合作者和好友。被问及他们是否共同发表传统的图灵奖演讲时，哈哈大笑，建议和LeCun先上台，那样他可以发表自己的演讲，说说他们俩哪里出了什么问题。这个笑话是否体现了这三巨头的典型工作状态？说“不”，而LeCun善意地说“是”。
尽管深度学习在许多实用场合取得了成功，但仍然有它无能为力的地方。神经网络受大脑的启发，但与大脑不太相似。深度学习为计算机赋予的智能在狭窄定义的任务中可能非常出色（玩某个特定的游戏，识别某种特定的声音），但是不像人类智能那样具有适应性和多样性。
和LeCun表示，他们希望摆脱今天的系统依赖人们进行明确和广泛的训练这种局面。深度学习项目依赖提供大量的标记数据来解释手头的任务，这是AI在医学等领域的一大限制因素。强调，尽管取得了成功（比如现在有更好的翻译工具），但这项技术还远远谈不上能够正确理解语言。
这三人都没有声称知道如何解决那些剩下来的难题。他们建议，谁希望在AI领域取得下一个可以获得图灵奖的突破，应该像他们那样愿意忽视主流想法。说：“他们不应该追随潮流，眼下这股潮流是深度学习。”
评论（0）