深度學習領域三位先驅(qū)——約書亞·本吉奧、杰弗里·辛頓和雅恩·勒昆榮獲2018年圖靈獎。

當?shù)貢r間3月27日，美國計算機學會宣布將2018年圖靈獎頒發(fā)給深度學習領域三位先驅(qū)——約書亞·本吉奧、杰弗里·辛頓和雅恩·勒昆，以褒獎他們推動深度神經(jīng)網(wǎng)絡成為計算機技術的重要組成部分。

圖靈獎素有“計算機界的諾貝爾獎”之稱，三位獲獎者也都是人工智能領域大名鼎鼎的科學家。本吉奧是蒙特利爾大學教授，辛頓是谷歌公司副總裁、多倫多大學名譽教授，勒昆是紐約大學教授、臉書公司首席人工智能科學家。

“人工智能目前是所有科學領域中發(fā)展最快的學科之一，也是當今社會最為熱議的話題之一�！泵绹�計算機學會主席切里·潘凱克說，這很大程度上歸功于深度學習領域近年來取得顯著進展，而這一領域的基礎是由本吉奧、辛頓和勒昆奠定的。

將單層神經(jīng)網(wǎng)絡拓展成多層

要解釋三位科學家的貢獻，首先得說說人工神經(jīng)網(wǎng)絡。

所謂人工神經(jīng)網(wǎng)絡，是指模仿人的神經(jīng)機制，在計算機中模擬出一層或多層被稱為“神經(jīng)元”的計算單元，使它們之間通過加權連接而互相影響。通過改變這些節(jié)點的加權值，可以改變?nèi)斯ど窠?jīng)網(wǎng)絡的計算性能。

本吉奧、辛頓和勒昆認識到通過搭建多層神經(jīng)元，形成比較“深”的人工神經(jīng)網(wǎng)絡的重要性，這正是“深度學習”一詞的由來之一。

“三位獲獎者確實可稱為深度學習領域的奠基人。”中科院自動化所模式識別國家重點實驗室研究員宗成慶接受科技日報記者采訪時說，早期實現(xiàn)的神經(jīng)網(wǎng)絡是單層的，他們把單層神經(jīng)網(wǎng)絡拓展成多層并付諸應用，在圖像識別、語音識別和機器翻譯等很多任務上都取得了不錯的效果。

“通過大大提高計算機理解世界的能力，深度神經(jīng)網(wǎng)絡不僅在改變計算機領域，也在改變科學和人類行為所涉及的每一個領域。”谷歌高級副總裁杰夫·迪恩說。

從不被認可堅持到產(chǎn)業(yè)爆發(fā)

上世紀80年代，科學家開始使用人工神經(jīng)網(wǎng)絡模型幫助計算機完成模式識別任務，并模擬人腦的智能。辛頓、本吉奧和勒昆一直把這種思路堅持到本世紀，盡管起初他們的想法不被認可。

“計算機科學界已認識到這種方法并不離奇，這是好事。”辛頓在接受英國廣播公司（BBC）采訪時說，多年來大家都覺得人工神經(jīng)網(wǎng)絡不值一提。

辛頓自上世紀80年代早期就開始倡導機器學習方法，他和其他科學家提出將“人工神經(jīng)網(wǎng)絡”作為機器學習研究的基石�，F(xiàn)在，深度學習已在人工智能領域被普遍采納。

“很大一部分原因是計算機性能有了根本性提高。”宗成慶告訴記者，上世紀八九十年代人工智能出現(xiàn)一波熱潮，但當時計算機的存儲容量、計算能力都十分有限，只能計算單層神經(jīng)網(wǎng)絡。如今計算機性能大大提升，再加上有海量數(shù)據(jù)支撐，在多層神經(jīng)網(wǎng)絡中訓練大規(guī)模數(shù)據(jù)得以快速實現(xiàn)。

深度學習仍待更大突破

“深度學習技術目前在計算機領域的應用非常普遍。從應用角度看，這種方法確實可使很多任務的處理取得最優(yōu)結果。”宗成慶說。

但在宗成慶看來，已得到廣泛采用的深度學習技術未來仍需更大突破。

拋開其進展不談，現(xiàn)階段深度學習技術還無法讓計算機像人一樣去深度理解語言、語音和圖像。比如，智能手機助手看起來口齒伶俐，卻并未真正理解我們的話。假如對它說“臭豆腐真香啊”，它的答復會莫名其妙，或者給出怎么理解都不錯的答案。

宗成慶認為，以自然語言理解為例，下一步的方向是讓機器在語義、概念上進行推理和計算，而不僅停留在對信號層面的處理。這就涉及很多神經(jīng)科學、認知科學和計算科學結合的問題。

與此同時，人工神經(jīng)網(wǎng)絡依然是個“黑箱子”，可解釋性比較差。讓它將英文翻譯成中文，如果出現(xiàn)錯誤，是哪個環(huán)節(jié)導致錯誤依然難以解釋。處理特定任務究竟需要幾層神經(jīng)網(wǎng)絡才能實現(xiàn)最佳，也沒有合理解釋，只能依靠經(jīng)驗和實驗大量地測試。

“深度學習技術將經(jīng)過一段時間的發(fā)展逐漸趨于成熟，進入比較平穩(wěn)的平臺期。進一步突破需要對人工神經(jīng)網(wǎng)絡進行較大改進，或者在包括腦科學在內(nèi)的多學科交叉研究的基礎上提出新的模型和方法�！弊诔蓱c說。