3月27日，2018年圖靈獎嘉獎正式揭曉。Yoshua Bengio、Geoffrey Hinton，Yann LeCun一起分享了這一計算機領域的最高獎項。

　　（從左到右：Yann LeCun、Geoff Hinton和Yoshua Bengio）

　　隨着獎項的揭曉，創新工場董事長李開復等全球多位AI領域影響力科學家的推薦信也到了曝光。

　　李開復向ACM圖靈獎評選委員會推薦的是Geoff Hinton。他認爲，“在人工智能領域，沒人能比Geoff更有資格獲得這份嘉獎。”

　　在其新近出版的《AI·未來》一書中，李開復也難掩對Geoff Hinton的欣賞和欽佩，“這就像是給舊的神經網絡打了一針興奮劑，使它們的能力倍增，可以執行更多、更復雜的工作，例如語音及物體識別。性能大增的人工神經網絡——現在有了新的名字“深度學習”——開始把舊的系統遠遠甩在身後。多年來對神經網絡根深蒂固的成見讓人工智能的許多研究人員忽略了這個已經取得出色成果的“邊緣羣體”，但2012年傑弗裏·辛頓的團隊在一場國際計算機視覺競賽中的勝出，讓人工神經網絡和深度學習重新回到聚光燈下。”

　　李開復和Geoff Hinton的緣分始於1983年。當時，李開復還是一名博士生，他修讀了Geoff Hinton的神經網絡課程，並和他的研究團隊一起，嘗試將神經網絡應用於語音識別；Geoff Hinton還指導李開復完成輔修課程論文（關於將貝葉斯學習應用於博弈遊戲）。以下爲李開復的推薦信，經編輯：

　　尊敬的ACM圖靈獎評選委員會：

　　我謹以此文表達個人最強烈的推薦和支持，提名Geoff Hinton爲本年度的圖靈獎候選人。這是人工智能的時代，而在人工智能領域，沒人能比Geoff更有資格獲得這份嘉獎。

　　我現在是創新工場董事長及CEO，並曾作爲高管任職於蘋果、SGI、微軟和谷歌。我曾是卡內基梅隆大學的助理教授，同時在這所大學獲得了博士學位。

　　也正是在CMU，1983年，我作爲一名博士生結識了Geoff：修讀了他的神經網絡課程；並和他的研究團隊一起，嘗試將神經網絡應用於語音識別；我還在他的指導下完成了自己的輔修課程論文（關於將貝葉斯學習應用於博弈遊戲），我的博士論文（用機器學習方法進行語音識別），也曾向Geoff和他的團隊尋求過建議。

　　雖然Geoff並非我的博士生導師，但他對於我博士論文的影響卻十分巨大。他的學生Peter Brown（統計機器翻譯的共同發明人，如今文藝復興科技的CEO）當時是我的老師，也正是他教會了我如何把不同種類的機器學習算法應用於語音識別，爲我的博士論文打下了基礎。

　　其後1988年，我的博士論文實現了當時最好的語音識別模型，也促使語音識別領域，將重心從專家系統方法轉移到機器學習方法。鑑於Geoff的才華、堅韌和慷慨，如果我能從Geoff和Peter身上受益如此之多，想必還有成千上萬的受益者跟我一樣。

　　Geoff對於AI領域的貢獻是巨大、無可比擬的。在我最近出版的暢銷書 AI Supowerpowers: China, Silicon Valley, and the New World Order（中文名《AI·未來》）中，以通俗的說法描述了Geoff對於AI領域的貢獻：

　　曾經，人工神經網絡能做的事非常有限。複雜問題若要得出準確的結果，必須構建很多層的人工神經元，但神經元層數增加後，研究人員當時還未找到針對新增神經元有效的訓練方法。在21世紀頭10年的中期，深度學習這項重大的技術性突破終於到來，知名研究人員傑弗裏·辛頓找到了有效訓練人工神經網絡中新增神經元層的方法。這就像是給舊的神經網絡打了一針興奮劑，使它們的能力倍增，可以執行更多、更復雜的工作，例如語音及物體識別。性能大增的人工神經網絡——現在有了新的名字“深度學習”——開始把舊的系統遠遠甩在身後。多年來對神經網絡根深蒂固的成見讓人工智能的許多研究人員忽略了這個已經取得出色成果的“邊緣羣體”，但2012年傑弗裏·辛頓的團隊在一場國際計算機視覺競賽中的勝出，讓人工神經網絡和深度學習重新回到聚光燈下。在邊緣地帶煎熬了數十年後，以深度學習的形式再次回到公衆視野中的神經網絡法不僅成功地讓人工智能回暖，也第一次把人工智能真正地應用在現實世界中。研究人員、未來學家、科技公司CEO都開始討論人工智能的巨大潛力：識別人類語言、翻譯文件、識別圖像、預測消費者行爲、辨別欺詐行爲、批准貸款、幫助機器人“看”，甚至開車。

　　如果就學術成果而言，Geoff的引用超過25萬次，其中一半以上來自於過去5年；他的H指數是驚人的142；他是波茨曼機以及通過梯度下降法實現反向傳播（前者與Terry Sejnowski共同發佈於1983年，後者則在1986年與David Rumelhart共同發佈於《自然》雜誌）兩項開創性工作的共同發明人，這些工作引入了神經網絡中隱藏層的思想，以及一種用於對其附屬參數進行訓練的優美、易於計算的方法。

　　隱藏層讓軟件從“人類控制“（如專家系統）下得到解放，而反向傳播則讓非線性組合系統發現突出特徵成爲可能，以一種更接近於目標而非人類驅動的方式。

　　然而，這些思想對於其所處時代而言，當時過於超前。因爲當時並沒有足夠的數據和算力，能讓這些理論上的方法解決實際生活中的問題，或是在競爭中壓倒其他方法。

　　於是在20世紀80年代初期，該領域被專家系統所統治，直到80年代末期，專家系統因過於脆弱和難以擴展成爲歷史。

　　不過替代專家系統的也並非Geoff提出的構想（那時還太早），而是妥協於少量數據和算力的簡化版本的神經網絡。

　　我的博士論文（使用了隱馬爾科夫模型）討論的就是其中的一種。這些簡化過的方法確實能在一部分應用上作出貢獻，但如同專家系統一樣，它們並不能在那些最難解決的問題上進行擴展，如下圍棋、人類水平的語音和視覺。

　　然而時來運轉，從1985年到2015年，全球數據量和算力發生了巨大的增長。

　　舉例來說，我在1988年的博士論文使用了當時最大的語音數據庫，但它也只有100MB的大小。

　　而今天，最好的語音識別系統要在100TB的數據上進行訓練——這是一百萬倍的提升。有了數據上如此巨大的提升作爲支持，Geoff的思想最終閃耀了起來——他的方法能將層的數量由1增加到1000，而數據量和模型複雜度的提升會使得深度學習系統持續進步。

　　事後再看這些問題，顯得異常容易。但在當時，現實卻是非常殘酷的。20世紀90年代對於像Geoff一樣的神經網絡研究者而言，是最黑暗的時刻。

　　Geoff早期的理論工作創造出了智能的火花，但數據和算力的匱乏卻阻礙了這些深度學習系統展示出更優秀的性能。隨着科研經費消耗殆盡，許多神經網絡研究者將自己的工作轉移到了其他領域。然而，面對黯淡而又浮躁的科研資助環境，Geoff依然作爲少數研究者（其他關鍵性研究者包括Yann LeCun和Yoshua Bengio）堅持了下來，不懈地將神經網絡方法繼續向前推進。

　　他搬到了加拿大，根據受限的經費環境調整了團隊，而後繼續努力將科學的邊界向前拓展。

　　Geoff在接下來的30年中持續地爲神經網絡方法做着貢獻，其中包括多專家模型、亥姆霍茲機、神經動畫生成系統、概率推理模型、隨機領域嵌入、鄰域組件分析、t-SNE，以及諸多創新思想和研究。

　　鮮有某項技術可以徹底顛覆多個領域的研究，而深度學習就是其中之一。從2010年到2016年，本質上講，整個感知領域——語音識別、圖像識別、計算機視覺都轉移到了深度學習的路徑上，就是因爲Geoff和他的同事們證明瞭——對於感知而言，深度學習就是最佳也最能普及的方法。

　　在整個人工智能領域，人類的感知能力（聽、看和理解）被視作人類獨有的天賦，但對於AI而言，這是一個巨大挑戰。值得一提的是，還有一項巨大的挑戰是下圍棋，已經被Deepmind開發的AlphaGo，同樣使用深度學習方法攻克了。當時震驚了整個世界，也成了“AI革命”的催化劑。

　　現在回顧，Geoff的團隊是如此顛覆計算機視覺研究的：2012年，他的團隊構建了一個基於神經網絡的系統，在ImageNet 1000個類的物體識別競賽中將錯誤率一下降低了40%。

　　在此之前，計算機視覺領域的研究社羣已經習慣了每年一小部分的增量提升，而Geoff團隊的成績震驚了整個社羣——人們未曾想象過，一個“局外人”會以一種“非傳統方法”以如此大的優勢贏下競賽。

　　如果說反向傳播是Geoff最重要的理論貢獻，那麼其團隊在ImageNet競賽中取得的成果則是Geoff最爲人認可的貢獻。那屆ImageNet競賽結果所掀起的微波，最終成爲了深度學習大潮中的滔天巨浪。

　　深度學習的浪潮如今也正在改變每一個行業。舉例來說，作爲一名身處中國的投資人，我本人也品嚐過這股春風帶來的甘霖：Geoff在2012年發表的論文以及當年ImageNet上的成果，爲4家中國的計算機視覺公司帶來了靈感，而現在他們的總估值超過120億美元。但請記住，這還只是Geoff的工作在一個國家、一個小小的領域內帶來的成果。

　　此外，Geoff的工作還使得深度學習顛覆了語音識別領域（也是我博士時期的研究方向），幫助當時加盟百度的吳恩達，在2015年使得機器識別的準確度超越人類。

　　從更廣闊的視角上看，世界上的每一家科技巨頭（谷歌、微軟、IBM、Facebook、亞馬遜、百度、騰訊和阿里巴巴）都爲深度學習打造了自己的平臺，甚至將自己重新標榜爲“AI公司”；而在風投領域，我們則見證了深度學習驅動下大批獨角獸公司的出現（僅在中國就有超過20家）。

　　同時，由於深度學習需要的強大算力無法從傳統的CPU中獲得，爲了負載深度學習所需的工作量，GPU開始被大規模使用，並由此引發了英偉達的崛起以及半導體工業的復活。

　　最爲重要的是，我們的生活已經發生了深刻的變化：從搜索引擎，到社交網絡再到電子商務，從無人商店到無人汽車，從金融到醫療，幾乎所有能想象到的領域，都被深度學習的力量所重塑，或是顛覆。

　　在任何具有充足數據的領域，深度學習在用戶體驗、用戶粘性、營收和利潤方面都帶來了極大的提升。深度學習背後的核心思想（始於反向傳播）——一個目標函數可以被用來使商業指標最大化——已經對所有行業造成了深刻的影響，並幫助那些擁有數據、擁抱機器學習的公司獲得了難以置信的利潤。

　　總的說來，人工智能可以說是當今我們能夠成熟應用的技術中，最爲令人興奮的一種。普華永道和麥肯錫預計，在2030年以前，AI會給全球GDP帶來12到16萬億美元的增長。

　　而AI領域最重要的進展，以及AI技術的成熟度被堅信的首要原因，就是Geoff在深度學習方面的工作成果。

　　誠然，每一位圖靈獎的獲獎者都對計算機科學領域有着極其重大的影響，但極少數能像Geoff一樣，改變了整個世界。

　　在變革者的角色之外，Geoff還是一位真正的思想領袖。雖然他總是言辭溫和，他卻是一位真正塑造並重塑整個研究社羣的精神領袖。

　　他不知疲倦地教誨，不只是對他的學生，更是對這個世界。

　　正如他1986年創辦聯結主義學院時，親自與在計算機視覺和語音處理領域的人們去進行溝通，說服他們去理解並擁抱機器學習。然而，當2018年所有的工作都獲得了成功，整個世界都投入了深度學習的懷抱之時，他還繼續指出一條全新的道路。

　　在行業紛紛向深度學習靠攏，大公司們不斷收集更多的數據並開始引領深度學習的“工業化”之時，他卻號召人們向前一步，去創造“下一個深度學習”。換而言之，解決AI根本問題的一種全新方法，幫助機器更接近真正的人類智慧。

　　他在思想上的領袖魅力來源於他畢生的願景，以及對於更好地去理解人類認知能力的追尋。儘管深度學習是一項正在改變世界的重大突破，他卻僅僅將其視爲實現自己長期願景路途中的一塊踏腳石。他最近在膠囊網絡方面的新工作，也正再一次讓研究者們重新審視自身在Geoff願景中的角色和責任。

　　我堅信，Geoff就是今天的人工智能領域內最重要的人物，沒有之一。

　　他對於學界和業界的貢獻同樣地突出。他不僅是一位優秀的、引領性的學者，亦是一位孜孜以求、慷慨、堅韌、優雅、有原則的紳士。他是所有年輕計算機科學家的楷模。他的工作大大超越了神經網絡和機器學習的範疇，極大地影響了計算機視覺、語音及信號處理、統計學、認知科學以及神經科學。

　　我想不出其他任何人比他更有資格獲得圖靈獎，並在此敦促評選委員會在今年選擇Geoff作爲獲獎人。