2018年图灵奖得主：三大深度学习创始人

今天，深度学习的三位创始人Yoshua Bengio, Yann LeCun, 和Geoffrey Hinton因其在深度学习理论及工程领域上的重大贡献，获得了2018年的图灵奖，共享100万美元奖金。

图灵奖，通常被称为计算机领域的“诺贝尔奖”，为纪念著名的计算机科学先驱艾伦·图灵，由ACM于1966年设置。Bengio，Hinton和LeCun将于2019年6月15日在旧金山ACM年度颁奖宴会上被正式授予2018 图灵奖。

深度学习几乎改变了每一个领域。

“人工智能现在是所有学科中增长最快的领域之一，也是社会上谈论最多的话题之一，”ACM总裁CherriM.Pancake说。“AI的增长和兴趣在很大程度上归功于Bengio、Hinton和LeCun奠定了基础的深度学习的最新进展。这些技术被数十亿人使用。任何有智能手机的人都能明显体验到自然语言处理和计算机视觉方面的进步，而这在10年前是不可能实现的。除了我们每天使用的产品外，深入学习的新进展也为科学家提供了强大的新工具——从医学、天文学到材料科学等等领域。”

谷歌高级研究员、谷歌人工智能高级副总裁杰夫·迪恩（Jeff Dean）表示：“深度神经网络是现代计算机科学最伟大的进步之一，有助于在计算机视觉、语音识别和自然语言理解等长期存在的问题上取得实质性进展。”这一进展的核心是由今年的图灵奖获得者Yoshua Bengio、Geoff Hinton和Yann Lecun在30多年前开发的基本技术。通过大幅提高计算机对世界的理解能力，深层神经网络不仅改变了计算领域，而且几乎改变了科学和人类努力的每一个领域。”

今年图灵奖获得者在人工智能技术方面取得重大突破的技术成果包括但不限于：

Geoffrey Hinton

反向传播：1986年，Hinton与David Rumelhart 和 Ronald Williams 合作发表了一篇里程碑式的论文《Learning Internal Representations by Error Propagation》，他们通过实验验证了，反向传播算法可以在神经网络的隐藏层中学习到对输入数据的有效表达，现在，反向传播算法已广泛应用在各式各样的神经网络中。

玻尔兹曼机：1983年，Hinton与Terrence Sejnowski一起发明了Boltzmann机，这是第一批能够学习神经元内部表征的神经网络之一。

卷积神经网络的改进：2012年，Hinton和他的学生Alex Krizevsky 和Ilya Sutskever 一起，改进了卷积神经网络，引进了 rectified 线性神经元和dropout正则化。在Imagenet竞赛中，Hinton和他的学生几乎将目标识别的错误率减半，并重塑了计算机视觉领域。

Yoshua Bengio

序列的概率模型：20世纪90年代，Bengio将神经网络与序列的概率模型（如隐马尔可夫模型）结合起来。这些想法被纳入AT&T/NCR用于阅读手写检查的系统中，在20世纪90年代被认为是神经网络研究的顶峰，现代深度学习语音识别系统正在扩展这些概念。

Word Embeddings和注意力模型：2000年，Bengio写了一篇里程碑式的论文，“神经概率语言模型”，介绍了高维嵌入作为词义的表示。Bengio的见解对自然语言处理任务（包括语言翻译、问答和视觉问答）产生了巨大而持久的影响。他的小组还介绍了一种注意力机制的形式，这导致了机器翻译的突破，并形成了带深度学习的顺序处理的关键部分。

生成对抗网络：自2010年以来，Bengio关于生成性深度学习的论文，特别是与Ian Goodfellow共同开发的生成对抗性网络（GANs），引发了计算机视觉和计算机图形学的革命。计算机从此可以生成图像，赋予了其创造力。

Yann LeCun

卷积神经网络：20世纪80年代，LeCun发明了卷积神经网络，这是该领域的基本模型，它对于提高深度学习的效率至关重要。上世纪80年代末，在多伦多大学和贝尔实验室工作时，LeCun是第一个在手写数字图像上训练卷积神经网络系统的人。如今，卷积神经网络已成为计算机视觉以及语音识别、语音合成、图像合成和自然语言处理的行业标准。它们被广泛应用于各种应用，包括自动驾驶、医学图像分析、语音激活助手和信息过滤等等。

改进反向传播算法：Lecun提出了早期版本的反向传播算法，并基于变分原理对其进行了清晰的推导。他的工作加快了反向传播算法，从而加快了学习速度。

本篇文章来源于: 深度学习这件小事