2019年3月27日 ——ACM 宣布，深度學習之父Yoshua Bengio,Yann LeCun以及Geoffrey Hinton獲得了2018年的圖靈獎，被稱為“計算機領域的諾貝爾獎”。

左：Geoffrey Hinton

中：Yann LeCun

右：Yoshua Bengio

今天，深度學習已經成為了人工智能技術領域最重要的技術之一。三位達人三位大神獲得這個獎真是沒有什么懸念。

三位科學家發明了深度學習的基本概念，在實驗中發現了驚人的結果，也在工程領域做出了重要突破，幫助深度神經網絡獲得實際應用。

在 ACM 的公告中，Hinton最重要的貢獻來自他1986年發明反向傳播的論文 “Learning Internal Representations by Error Propagation”；1983年發明的玻爾茲曼機（Boltzmann Machines），以及2012年對卷積神經網絡的改進。

Hinton 和他的學生 Alex Krizhevsky 以及 Ilya Sutskever 通過 Rectified Linear Neurons 和 Dropout Regularization 改進了卷積神經網絡，并在著名的 ImageNet 評測中取得了很好的成績，在計算機視覺領域掀起一場革命。

Bengio的貢獻主要在1990年代發明的Probabilistic models of sequences。他把神經網絡和概率模型（例如隱馬爾可夫模型）結合在一起，并和 AT&T 公司合作，用新技術識別手寫的支票?，F代深度學習技術中的語音識別也是這些概念的擴展。

此外 Bengio 還于2000年還發表了劃時代的論文“A Neural Probabilistic Language Model”，使用高維詞向量來表征自然語言。他的團隊還引入了注意力機制，讓機器翻譯獲得突破，也成為了讓深度學習處理序列的重要技術。

Yann LeCun的代表貢獻之一是卷積神經網絡。1980年代，LeCun 發明了卷積神經網絡，現在已經成為了機器學習領域的基礎技術之一，也讓深度學習效率更高。1980年代末期，Yan LeCun 在多倫多大學和貝爾實驗室工作期間，首次將卷積神經網絡用于手寫數字識別。

今天，卷積神經網絡已經成為了業界標準技術，廣泛用于計算機視覺、語音識別、語音合成、圖片合成，以及自然語言處理等學術方向，以及自動駕駛、醫學圖片識別、語音助手、信息過濾等工業應用方向。

LeCun 的第二個重要貢獻是改進了反向傳播算法。他提出了一個早期的反向傳播算法 backprop，也根據變分原理給出了一個簡潔的推導。他的工作讓反向傳播算法更快，比如描述了兩個簡單的方法可以減少學習時間。

LeCun 第三個貢獻是拓展了神經網絡的應用范圍。他把神經網絡變成了一個可以完成大量不同任務的計算模型。他早期引進的一些工作現在已經成為了人工智能的基礎概念。

例如，在圖片識別領域，他研究了如何讓神經網絡學習層次特征，這一方法現在已經用于很多日常的識別任務。他們還提出了可以操作結構數據（例如圖數據）的深度學習架構。

Geoffrey Hinton

反向傳播：在 1986 年與 David Rumelhart 和 Ronald Williams 共同撰寫的 “Learning Internal Representations by Error Propagation” 一文中，Hinton 證明了反向傳播算法允許神經網絡發現自己的數據內部表示，這使得使用神經網絡成為可能網絡解決以前被認為超出其范圍的問題。如今，反向傳播算法是大多數神經網絡的標準。

玻爾茲曼機（Boltzmann Machines）：1983 年，Hinton 與 Terrence Sejnowski 一起發明了玻爾茲曼機，這是第一個能夠學習不屬于輸入或輸出的神經元內部表示的神經網絡之一。

卷積神經網絡的改進：2012 年，Hinton 和他的學生 Alex Krizhevsky 以及 Ilya Sutskever 通過 Rectified Linear Neurons 和 Dropout Regularization 改進了卷積神經網絡，并在著名的 ImageNet 評測中將對象識別的錯誤率減半，在計算機視覺領域掀起一場革命。

Yoshua Bengio

序列的概率模型：在 20 世紀 90 年代，Bengio 將神經網絡與序列的概率模型相結合，例如隱馬爾可夫模型。這些想法被納入 AT＆T / NCR 用于閱讀手寫支票中，被認為是 20 世紀 90 年代神經網絡研究的巔峰之作?，F代深度學習語音識別系統也是這些概念的擴展。

高維詞匯嵌入和關注：2000 年，Bengio 撰寫了具有里程碑意義的論文“A Neural Probabilistic Language Model”，它引入了高維詞向量作為詞義的表示。Bengio 的見解對自然語言處理任務產生了巨大而持久的影響，包括語言翻譯、問答和視覺問答。他的團隊還引入了注意力機制，這種機制促使了機器翻譯的突破，并構成了深度學習的序列處理的關鍵組成部分。

生成性對抗網絡：自 2010 年以來，Bengio 關于生成性深度學習的論文，特別是與 Ian Goodfellow 共同開發的生成性對抗網絡（GAN），引發了計算機視覺和計算機圖形學的革命。

Yann LeCun

卷積神經網絡：在 20 世紀 80 年代，LeCun 研發了卷積神經網絡，現已成為該領域的基本理論基礎。其讓深度學習更有效。在 20 世紀 80 年代后期，多倫多大學和貝爾實驗室工作期間，LeCun 是第一個在手寫數字圖像上訓練卷積神經網絡系統的人。如今，卷積神經網絡是計算機視覺以及語音識別、語音合成、圖像合成和自然語言處理的行業標準。它們用于各種應用，包括自動駕駛、醫學圖像分析、語音激活助手和信息過濾。

改進反向傳播算法：LeCun 提出了一個早期的反向傳播算法 backprop，并根據變分原理對其進行了簡潔的推導。他的工作讓加快了反向傳播算，包括描述兩種加速學習時間的簡單方法。

拓寬神經網絡的視野：LeCun 還將神經網絡作為可以完成更為廣泛任務的計算模型，其早期工作現已成為 AI 的基礎概念。例如，在圖像識別領域，他研究了如何在神經網絡中學習分層特征表示，這個理念現在通常用于許多識別任務中。與 LéonBottou 一起，他還提出了學習系統可以構建為復雜的模塊網絡，其中通過自動區分來執行反向傳播，目前在每個現代深度學習軟件中得到使用。他們還提出了可以操作結構化數據的深度學習架構，例如圖形。