美國東部時間3月27日，美國計算機協(xié)會（ACM）宣布，深度學(xué)習(xí)的三位推動者尤舒亞·本吉奧（Yoshua Bengio）、杰弗里·辛頓（Geoffrey Hinton），和雅恩·樂昆（Yann LeCun）因其在神經(jīng)網(wǎng)絡(luò)方面的成就贏得了2018年的圖靈獎（A.M. Turing Award）。此次，是自2002年和2007年之后，第三次圖靈獎同時頒給了3名科學(xué)家。

雅恩·樂昆曾為多倫多大學(xué)杰弗里·辛頓實驗室的博士后研究員，雅恩·樂昆在AT＆T貝爾實驗室工作時又與尤舒亞·本吉奧成為同事，據(jù)《紐約時報》報道，2004年在加拿大政府的支持下，杰弗里·辛頓組建研究項目，邀請雅恩·樂昆和尤舒亞·本吉奧加入了他的項目組。杰弗里·辛頓曾表示，他們幾乎每周都要見一面，而聚會常以吵架結(jié)束。在過去數(shù)十年間，上述三人既獨立研究又相互合作，共同奠定了深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域的基礎(chǔ)概念。他們克服了計算力和數(shù)據(jù)量的限制，突破性地研究了反向傳播（Backpropagation）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和生成對抗式神經(jīng)網(wǎng)絡(luò)（GAN）等。

Yoshua Bengio 是蒙特利爾大學(xué)教授、魁北克人工智能機構(gòu) Mila 的科學(xué)主管。他曾與其他專家合著《深度學(xué)習(xí)》（Deep Learning），這是一本被業(yè)內(nèi)譽為“圣經(jīng)”的書。他的論文在2018年平均每天被引用131次。

在1990年代發(fā)明的序列的概率模型，該理論將神經(jīng)網(wǎng)絡(luò)和概率模型結(jié)合，成功用新技術(shù)識別手寫的支票，而現(xiàn)代深度學(xué)習(xí)技術(shù)中的語音識別也是在此基礎(chǔ)上進行擴展。

此外Bengio發(fā)表的論文“A Neural Probabilistic Language Model”，使用了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，讓機器翻譯獲得技術(shù)突破，成為深度學(xué)習(xí)處理序列的重要技術(shù)。

Geoffrey Hinton 是谷歌副總裁、工程研究員，也是 Vector Institute 的首席科學(xué)顧問、多倫多大學(xué) Emeritus 榮譽教授。

他最重要的貢獻包括反向傳播的論文“Learning Internal Representations by Error Propagation”，論文提到反向傳播能讓神經(jīng)網(wǎng)絡(luò)發(fā)現(xiàn)自己內(nèi)部的數(shù)據(jù)表征，這樣便可以處理以往無法解決的問題。

其次是1983年發(fā)明的玻爾茲曼機（Boltzmann Machines），以及2012年對卷積神經(jīng)網(wǎng)絡(luò)的改進。Hinton和他的學(xué)生Alex Krizhevsky以及Ilya Sutskever 通過Rectified Linear Neurons和 Dropout Regularization改進了卷積神經(jīng)網(wǎng)絡(luò)，并在著名的ImageNet評測中取得了很好的成績，在計算機視覺領(lǐng)域掀起一場革命。

Yann LeCun 是紐約大學(xué)教授、Facebook 副總裁和首席 AI 科學(xué)家。他也被譽為“卷積神經(jīng)網(wǎng)絡(luò)之父”。

1980年代，LeCun發(fā)明了機器學(xué)習(xí)領(lǐng)域的基礎(chǔ)技術(shù)之卷積神經(jīng)網(wǎng)絡(luò)，讓深度學(xué)習(xí)效率更高。Yann LeCun在多倫多大學(xué)和貝爾實驗室工作期間，首次將卷積神經(jīng)網(wǎng)絡(luò)用于手寫數(shù)字識別。如今，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成廣泛用于計算機視覺、語音識別、語音合成、圖片合成、自然語言處理等學(xué)術(shù)方向，以及自動駕駛、醫(yī)學(xué)圖片識別、語音助手、信息過濾等工業(yè)應(yīng)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，根據(jù)變分原理給出了一個簡潔的推導(dǎo)，讓反向傳播算法更快。

他的第三個貢獻則是拓展了神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍，他把神經(jīng)網(wǎng)絡(luò)變成了一個可以完成大量不同任務(wù)的計算模型。他早期引進的一些工作現(xiàn)在已經(jīng)成為了人工智能的基礎(chǔ)概念，例如在圖片識別領(lǐng)域，他研究了如何讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)層次特征，這一方法現(xiàn)在已經(jīng)用于很多日常的識別任務(wù)。