昨天，ACM把2018年圖靈獎頒給了深度學習領(lǐng)域的三位學者。他們是：Geoffrey Hinton、Yann LeCun、Yoshua Bengio。

Yann LeCun、Geoffrey Hinton、Yoshua Bengio

今天我們就來聊一聊這位72歲獲圖靈獎的Geoffrey Hinton。

Hinton教授是機器學習的開創(chuàng)者，使得計算機可以獨立模擬程序、自己解決問題。特別重要的是，他開辟了機器學習子領(lǐng)域--深度學習：讓那些機器像一個蹣跚學步的孩子一樣，模仿大腦的神經(jīng)網(wǎng)絡(luò)形式。

Hinton出生在英國一個學術(shù)背景顯赫的世家。在他小時候，他媽就給了他一個人生選擇題："做學者，或是做失敗者。"當Hinton還是一個7歲的孩子時，他就知道自己日后肯定要讀博。

后來，當被問起對于生長在一個顯赫之家中作何感想時，Hinton說："壓力。"Hinton說，自己一輩子都在壓抑、沮喪中掙扎，而工作就是他釋放壓力的方式。

1960年，Hinton還是高中生，有一天，一個朋友告訴他，人腦的工作原理就像全息圖一樣。大腦并非將記憶儲存在一個特定的地方，而是在整個神經(jīng)網(wǎng)絡(luò)里傳播。

這句話對Hinton的人生有著不一般的意義，成為他之后人生的起點。

Hinton是個很愛折騰的人，回頭思考他這種愛折騰，就像是一個人在睡眠中不停地變換姿勢，以便尋找覺得最舒服的那個。他不停的折騰，最終的方向似乎是最大程度地點燃他頭腦最深處的那團火花。

他說，"我有一種教育上的多動癥。"最開始，他去克利夫頓大學，畢業(yè)后進入劍橋的國王學院攻讀物理和化學，一個月后就退學了。一年后，他再次申請攻讀建筑學，上了一天課后，又轉(zhuǎn)而攻讀物理學和生理學，然后又是退學。最后，他改讀哲學，這回他呆夠了一年。"我對哲學仿佛產(chǎn)生抗體，因為我想了解大腦是如何運轉(zhuǎn)的。"

從哲學系出來，他開始研究心理學，不久之后也退了學。退學后，他在鄉(xiāng)下當過一段木匠。不過也沒閑著，每個星期六早上，他都會去附近的圖書館，在筆記本里匆匆記下關(guān)于大腦工作原理的理論。

從1972年開始，他又開始了學習生涯，在愛丁堡大學開始神經(jīng)網(wǎng)絡(luò)研究探索，攻讀愛丁堡大學Christopher Longuet-Higgins麾下的人工智能博士學位。Christopher Longuet-Higgins是位桃李滿天下的教授，他的學生包括諾貝爾獎獲得者John Polanyi，多倫多大學化學家和理論物理學家Peter Higgs等。

Hinton認為，神經(jīng)網(wǎng)絡(luò)一定是未來趨勢，但導師堅持傳統(tǒng)AI取勝。導師的觀念代表當時學術(shù)界的主流觀點，那就是——計算機最佳的學習方式，就是規(guī)則和邏輯。而Hinton認為，計算機將像人腦一樣學習。"就像小孩一樣，你不會告訴他們‘這個是主動，這個是被動?！^段時間，他們自然就明白了。神經(jīng)網(wǎng)絡(luò)也是如此。"

博士畢業(yè)，他輾轉(zhuǎn)在美國的幾所大學繼續(xù)他的研究，由于不滿于大部分AI研究工作是由美國國防部資助。于是他辭職，并搬到基本無軍事資助的加拿大。加拿大給了他一份不錯的工資和自由的研究空間。

神經(jīng)網(wǎng)絡(luò)被束之高閣也是有歷史原因的。1957年，康奈爾大學的科學家Frank Rosenblatt發(fā)布了世界上第一臺神經(jīng)網(wǎng)絡(luò)機器。這個機器被稱為感知器（Perceptron），它的任務(wù)是圖像識別。理論上，如果你給感知器看一張?zhí)O果的照片，它就能告訴你這是"蘋果"。這個感知器運行在IBM的機器上。1958年，紐約時報預測這將是第一個能像人腦一樣思考的設(shè)備，"（感知器）將能走路、說話、觀察、書寫、自我復制，意識到它自己的存在"。

然而并沒有。這個機器左右不分，更何談與人腦媲美。彼時神經(jīng)網(wǎng)絡(luò)基本在學術(shù)圈被除名了，然而這并沒有阻擋Hinton。

1980年代，Hinton參與使用計算機模擬大腦的研究，這也便是如今所說"深度學習"概念，然而學術(shù)期刊因為不認可神經(jīng)網(wǎng)絡(luò)這一理念而頻頻拒收論文。

"大腦必然以某種方式運作，但肯定不是編好的程序，"Hinton說，他相信神經(jīng)網(wǎng)絡(luò)并沒有錯，問題在于計算力。要讓計算機發(fā)現(xiàn)圖片的意義，需要先給它數(shù)百萬張圖片，但當時的設(shè)備還做不到。樣本量太小了。

后來人們用"寒冬"形容當時神經(jīng)網(wǎng)絡(luò)在學術(shù)界的境況。

1986年，Hinton和小伙伴完成著名的論文Experiments on Learning by Back Propagation，證明在神經(jīng)網(wǎng)絡(luò)中的反向傳播可以提供"有趣的"分布表示，提出了影響后世人工智能的新方法。

可惜鑒于當時數(shù)據(jù)與計算的影響，神經(jīng)網(wǎng)絡(luò)無法進行大規(guī)模訓練。

到90年代末，神經(jīng)網(wǎng)絡(luò)和反向傳播被機器學習社區(qū)大量遺棄，同時也被計算機視覺和語音識別領(lǐng)域忽略。人們普遍認為，學習有用的、多層級的、幾乎不靠先驗知識的特征提取器并不現(xiàn)實可行。

Hinton和他的神經(jīng)網(wǎng)絡(luò)只能坐在學術(shù)界的外圍。

但也不完全是寒冷。這個期間，發(fā)生了一些很重要的事。他有了非常重要的小伙伴。其中就包括Yann LeCun，也就是這次獲獎?wù)咧弧Ｋ荋inton的博士后學生，也是神經(jīng)網(wǎng)絡(luò)的堅定信仰者。

2009年，Hinton以及他兩個研究生D.Mohamed等，用神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音的聲學建模，在小詞匯量連續(xù)語音識別數(shù)據(jù)庫TIMIT上，獲得了語音識別競賽勝利，隨后，這項基于神經(jīng)網(wǎng)絡(luò)的方法被應(yīng)用于谷歌安卓手機上。

工業(yè)界很快注意到變化的發(fā)生，微軟、Facebook、谷歌等科技巨頭開始在這個領(lǐng)域投資。

坐了30多年冷板凳的神經(jīng)網(wǎng)絡(luò)終于迎來它的時代。

神經(jīng)網(wǎng)絡(luò)的翻身，一方面仰仗計算力的發(fā)展，使復雜神經(jīng)網(wǎng)絡(luò)的實現(xiàn)成為可能。30年前，并非沒人知道神經(jīng)網(wǎng)絡(luò)多一些隱藏層效果會更好，只是還沒有足夠的環(huán)境去做到。其次，是算法的進步，尤其是一系列深度學習的算法的提出。

從2009年開始，隨著他學生還有無數(shù)研究者所做出的一系列貢獻，Hinton在深度學習所做的研究開始為人所知并接受，也被人們推舉為計算新時代領(lǐng)頭人。現(xiàn)在，神經(jīng)網(wǎng)絡(luò)涵蓋了所有的人工智能算法，并借助科技企業(yè)的各類應(yīng)用傳播開來。

2015年，Geoffrey Hinton、Yann LeCun、Yoshua Bengio這三位深度學習巨頭曾在Nature上共同發(fā)表一篇名為《深度學習》的綜述文章，講述了深度學習為傳統(tǒng)機器學習帶來的變革。

當然，后來的故事大家都知道了。

Hinton在學術(shù)界，突然從默默無聞變成明星。

"我之所以有很大的影響力，是因為我是少數(shù)相信這個道路的人之一，所有相信這個方向的學生跟隨著我一起工作，我必須選出那些擁有最佳判斷力的人。"Hinton說。

現(xiàn)在，Hinton一半時間在多倫多大學教書，一半時間在Google建設(shè)神秘的Google大腦。

最后，總結(jié)中心思想的時候到了。今天這個故事我覺得講了兩件事：認清自己與堅持下去。這兩件事都不容易，無論是科學家還是常人。

以上文章整合自公開報道，整理：《中國教育網(wǎng)絡(luò)》編輯部，南京大學周會群教授對本文亦有貢獻。