美國(guó)東部時(shí)間3月27日，美國(guó)計(jì)算機(jī)協(xié)會(huì)（ACM）宣布，深度學(xué)習(xí)的三位推動(dòng)者尤舒亞·本吉奧（Yoshua Bengio）、杰弗里·辛頓（Geoffrey Hinton），和雅恩·樂(lè)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(jiǎng)（A.M. Turing Award）。此次，是自2002年和2007年之后，第三次圖靈獎(jiǎng)同時(shí)頒給了3名科學(xué)家。

雅恩·樂(lè)昆曾為多倫多大學(xué)杰弗里·辛頓實(shí)驗(yàn)室的博士后研究員，雅恩·樂(lè)昆在AT＆T貝爾實(shí)驗(yàn)室工作時(shí)又與尤舒亞·本吉奧成為同事，據(jù)《紐約時(shí)報(bào)》報(bào)道，2004年在加拿大政府的支持下，杰弗里·辛頓組建研究項(xiàng)目，邀請(qǐng)雅恩·樂(lè)昆和尤舒亞·本吉奧加入了他的項(xiàng)目組。杰弗里·辛頓曾表示，他們幾乎每周都要見(jiàn)一面，而聚會(huì)常以吵架結(jié)束。在過(guò)去數(shù)十年間，上述三人既獨(dú)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(jì)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(duì)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(jī)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(yù)為“圣經(jīng)”的書(shū)。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(shí)別手寫(xiě)的支票，而現(xiàn)代深度學(xué)習(xí)技術(shù)中的語(yǔ)音識(shí)別也是在此基礎(chǔ)上進(jìn)行擴(kuò)展。

此外Bengio發(fā)表的論文“A Neural Probabilistic Language Model”，使用了高維詞向量來(lái)表征自然語(yǔ)言。他的團(tuán)隊(duì)還引入了注意力機(jī)制，讓機(jī)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(wèn)、多倫多大學(xué) Emeritus 榮譽(yù)教授。

他最重要的貢獻(xiàn)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(wú)法解決的問(wèn)題。

其次是1983年發(fā)明的玻爾茲曼機(jī)（Boltzmann Machines），以及2012年對(duì)卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)。Hinton和他的學(xué)生Alex Krizhevsky以及Ilya Sutskever 通過(guò)Rectified Linear Neurons和 Dropout Regularization改進(jìn)了卷積神經(jīng)網(wǎng)絡(luò)，并在著名的ImageNet評(píng)測(cè)中取得了很好的成績(jī)，在計(jì)算機(jī)視覺(jué)領(lǐng)域掀起一場(chǎng)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(yù)為“卷積神經(jīng)網(wǎng)絡(luò)之父”。

1980年代，LeCun發(fā)明了機(jī)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(shí)驗(yàn)室工作期間，首次將卷積神經(jīng)網(wǎng)絡(luò)用于手寫(xiě)數(shù)字識(shí)別。如今，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)成廣泛用于計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、語(yǔ)音合成、圖片合成、自然語(yǔ)言處理等學(xué)術(shù)方向，以及自動(dòng)駕駛、醫(yī)學(xué)圖片識(shí)別、語(yǔ)音助手、信息過(guò)濾等工業(yè)應(yīng)用方向。

LeCun的第二個(gè)重要貢獻(xiàn)是改進(jìn)了反向傳播算法。他提出了一個(gè)早期的反向傳播算法backprop，根據(jù)變分原理給出了一個(gè)簡(jiǎn)潔的推導(dǎo)，讓反向傳播算法更快。

他的第三個(gè)貢獻(xiàn)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(gè)可以完成大量不同任務(wù)的計(jì)算模型。他早期引進(jìn)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(shí)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(shí)別任務(wù)。