深度學(xué)習(xí)領(lǐng)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(jiǎng)。

當(dāng)?shù)貢r(shí)間3月27日，美國(guó)計(jì)算機(jī)學(xué)會(huì)宣布將2018年圖靈獎(jiǎng)?lì)C發(fā)給深度學(xué)習(xí)領(lǐng)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(jiǎng)他們推動(dòng)深度神經(jīng)網(wǎng)絡(luò)成為計(jì)算機(jī)技術(shù)的重要組成部分。

圖靈獎(jiǎng)素有“計(jì)算機(jī)界的諾貝爾獎(jiǎng)”之稱，三位獲獎(jiǎng)?wù)咭捕际侨斯ぶ悄茴I(lǐng)域大名鼎鼎的科學(xué)家。本吉奧是蒙特利爾大學(xué)教授，辛頓是谷歌公司副總裁、多倫多大學(xué)名譽(yù)教授，勒昆是紐約大學(xué)教授、臉書公司首席人工智能科學(xué)家。

“人工智能目前是所有科學(xué)領(lǐng)域中發(fā)展最快的學(xué)科之一，也是當(dāng)今社會(huì)最為熱議的話題之一。”美國(guó)計(jì)算機(jī)學(xué)會(huì)主席切里·潘凱克說，這很大程度上歸功于深度學(xué)習(xí)領(lǐng)域近年來取得顯著進(jìn)展，而這一領(lǐng)域的基礎(chǔ)是由本吉奧、辛頓和勒昆奠定的。

將單層神經(jīng)網(wǎng)絡(luò)拓展成多層

要解釋三位科學(xué)家的貢獻(xiàn)，首先得說說人工神經(jīng)網(wǎng)絡(luò)。

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

本吉奧、辛頓和勒昆認(rèn)識(shí)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(luò)的重要性，這正是“深度學(xué)習(xí)”一詞的由來之一。

“三位獲獎(jiǎng)?wù)叽_實(shí)可稱為深度學(xué)習(xí)領(lǐng)域的奠基人。”中科院自動(dòng)化所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室研究員宗成慶接受科技日?qǐng)?bào)記者采訪時(shí)說，早期實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)是單層的，他們把單層神經(jīng)網(wǎng)絡(luò)拓展成多層并付諸應(yīng)用，在圖像識(shí)別、語音識(shí)別和機(jī)器翻譯等很多任務(wù)上都取得了不錯(cuò)的效果。

“通過大大提高計(jì)算機(jī)理解世界的能力，深度神經(jīng)網(wǎng)絡(luò)不僅在改變計(jì)算機(jī)領(lǐng)域，也在改變科學(xué)和人類行為所涉及的每一個(gè)領(lǐng)域。”谷歌高級(jí)副總裁杰夫·迪恩說。

從不被認(rèn)可堅(jiān)持到產(chǎn)業(yè)爆發(fā)

上世紀(jì)80年代，科學(xué)家開始使用人工神經(jīng)網(wǎng)絡(luò)模型幫助計(jì)算機(jī)完成模式識(shí)別任務(wù)，并模擬人腦的智能。辛頓、本吉奧和勒昆一直把這種思路堅(jiān)持到本世紀(jì)，盡管起初他們的想法不被認(rèn)可。

“計(jì)算機(jī)科學(xué)界已認(rèn)識(shí)到這種方法并不離奇，這是好事。”辛頓在接受英國(guó)廣播公司(BBC)采訪時(shí)說，多年來大家都覺得人工神經(jīng)網(wǎng)絡(luò)不值一提。

辛頓自上世紀(jì)80年代早期就開始倡導(dǎo)機(jī)器學(xué)習(xí)方法，他和其他科學(xué)家提出將“人工神經(jīng)網(wǎng)絡(luò)”作為機(jī)器學(xué)習(xí)研究的基石。現(xiàn)在，深度學(xué)習(xí)已在人工智能領(lǐng)域被普遍采納。

“很大一部分原因是計(jì)算機(jī)性能有了根本性提高。”宗成慶告訴記者，上世紀(jì)八九十年代人工智能出現(xiàn)一波熱潮，但當(dāng)時(shí)計(jì)算機(jī)的存儲(chǔ)容量、計(jì)算能力都十分有限，只能計(jì)算單層神經(jīng)網(wǎng)絡(luò)。如今計(jì)算機(jī)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(luò)中訓(xùn)練大規(guī)模數(shù)據(jù)得以快速實(shí)現(xiàn)。

深度學(xué)習(xí)仍待更大突破

“深度學(xué)習(xí)技術(shù)目前在計(jì)算機(jī)領(lǐng)域的應(yīng)用非常普遍。從應(yīng)用角度看，這種方法確實(shí)可使很多任務(wù)的處理取得最優(yōu)結(jié)果。”宗成慶說。

但在宗成慶看來，已得到廣泛采用的深度學(xué)習(xí)技術(shù)未來仍需更大突破。

拋開其進(jìn)展不談，現(xiàn)階段深度學(xué)習(xí)技術(shù)還無法讓計(jì)算機(jī)像人一樣去深度理解語言、語音和圖像。比如，智能手機(jī)助手看起來口齒伶俐，卻并未真正理解我們的話。假如對(duì)它說“臭豆腐真香啊”，它的答復(fù)會(huì)莫名其妙，或者給出怎么理解都不錯(cuò)的答案。

宗成慶認(rèn)為，以自然語言理解為例，下一步的方向是讓機(jī)器在語義、概念上進(jìn)行推理和計(jì)算，而不僅停留在對(duì)信號(hào)層面的處理。這就涉及很多神經(jīng)科學(xué)、認(rèn)知科學(xué)和計(jì)算科學(xué)結(jié)合的問題。

與此同時(shí)，人工神經(jīng)網(wǎng)絡(luò)依然是個(gè)“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(cuò)誤，是哪個(gè)環(huán)節(jié)導(dǎo)致錯(cuò)誤依然難以解釋。處理特定任務(wù)究竟需要幾層神經(jīng)網(wǎng)絡(luò)才能實(shí)現(xiàn)最佳，也沒有合理解釋，只能依靠經(jīng)驗(yàn)和實(shí)驗(yàn)大量地測(cè)試。

“深度學(xué)習(xí)技術(shù)將經(jīng)過一段時(shí)間的發(fā)展逐漸趨于成熟，進(jìn)入比較平穩(wěn)的平臺(tái)期。進(jìn)一步突破需要對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行較大改進(jìn)，或者在包括腦科學(xué)在內(nèi)的多學(xué)科交叉研究的基礎(chǔ)上提出新的模型和方法。”宗成慶說。