文章主题：大数据文摘, 深度学习, Geoff Hinton
大数据文摘出品
坚持你所相信的，直到世界追上你的脚步。
Geoff Hinton由于背部受伤，已经坚持站立工作长达12年。有趣的是，这一情况恰好符合当前”站立工作”的潮流趋势，仿佛命运的安排让他成为了这一风潮的代表人物。
“我领先于潮流，”Hinton说。
Hinton的“领先于潮流”不仅仅局限于他所提出的技术,他在深度学习领域的成就更是被广泛认可。在那个所有人都对神经网络失去信心的年代,他坚定地将这一技术引入了主流学术界,从而引领了深度学习的发展潮流。
最近，知名财经媒体Bloomberg为这位被誉为“深度学习教父”的教授制作了一部特写纪录片。在仅仅8分钟的时间里，观众将见证这位风趣幽默的学者，从他在神经网络领域的初探，到如今成为该领域领军人物的40年传奇生涯。
0为什么是AI教父？
在当今AI领域，Geoff Hinton的名字无人不晓。作为谷歌大脑研究小组的负责人以及多伦多大学的荣誉教授，他的成就可谓卓越。然而，正是他在多层神经网络技术方面的突破性贡献，使得他当之无愧地成为了今天人工智能圈的“教父”。
Hinton对AI的贡献有多大呢？
在学术界，Hinton于1986年提出利用反向传播算法对深度神经网络进行训练，这一理论的提出，被视为深度学习领域的一次重大突破，它为近年来人工智能的蓬勃发展奠定了坚实的基础。
在现实中，要归功于Hinton博士的研究成果，谷歌今天的语音识别技术已经能够在手机上将语音转换成文字，并在图片检索方面通过语音识别提供支持。
他的研究，彻底改变了人工智能，乃至整个人类发展的轨迹。
从研究大脑，到尝试制作一个
Geoff Hinton出生于一个学术氛围浓厚的家庭，他的父母都是数学家和经济学家，这使得他在成长过程中深受学术的影响。他自述道：“大约在我七岁的时候，我就意识到只有通过攻读博士学位，我才能够达到我的职业目标。”这句话中透露出的坚定决心，也反映出他从小就有着很高的自我要求和追求卓越的心态。
而最初把Hinton引上人工智能这条路的，是他对人脑的好奇。
Hinton很早就沉迷于大脑如何工作的问题。于是，他开始进入生理学，解剖大脑以了解其工作方式。
为满足求知欲望，他将目光投向心理学领域。然而，他并未满足于此，继续深入研究。最终，他选择运用计算机科学手段模拟大脑，涉足人工智能领域，从而开启了长达近40年的研究生生涯。
“我认为，如果你真的想了解一个非常复杂的装置，比如大脑，那你就制作一个。”
坚信神经网络：“其他人都错了”
尽管现在已经成为了人工智能的主流研究方法，神经网络在最初问世时，命途多舛。
在1956年，美国著名的认知心理学家弗兰克·罗森布拉特（Frank Rosenblatt）依托神经元理论，开创性地设计出一套模拟神经元的方法。该方法的基础构建在一个被称作神经元的单位群体之上。这些神经元单位被视作是微小的计算单元，却能模拟人脑的运算方式。类似于我们通过感官获取信息的过程，这些神经元也能捕捉到传入的数据并由此进行学习。因此，随着时间的发展，神经网络能够逐渐做出相应的决策。
但是，Rosenblatt的学习算法当时对于多层结构的神经网络不起作用。人工智能学者们也因此放弃了学习式软件的想法。他们转而使用逻辑来产生智能——比如下棋的能力。
几乎没人再相信神经网络的前景，也没人再研究神经网络。
除了Hinton。
“大脑是一个巨大的神经网络，因此，神经网络必须也是可以工作的，因为它在我们的大脑中起作用。”Hinton说。
“那是什么支持着你不放弃？”
“其他人都错了（everyone else is wrong）。”
离开五角大楼，成为“加拿大之光”
为了找到一个支持他研究神经网络的栖身之处，Hinton在美国辗转多地。但是，当时大部分的学术研究都是受到国防部支持。
而Hinton对于这样拿到自己的研究经费并不满意：“我不希望我的研究成果被用在一些不善意的目标上。”
的确，深度学习从诞生之日起，就与国防部的一些军事目的有着不可分割的渊源。
甚至直至今天依然如此——今年3月谷歌被曝光正参与Maven项目，向美国军方提供TensorFlow APIs和无人机图像识别技术，引起巨大争议和众多抗议，6月谷歌不得不承诺不将AI用于武器。这场声势浩大的争论甚至将战火燃到了李飞飞身上。
而关于AI伦理和技术人员责任的争论也从来没有停止过。
近两年，将算法用来自动识别一起犯罪是否属于团伙犯罪，或识别一个人是否是同性恋的研究屡见不鲜，算法的缔造者是否应该在研究之外分出心力，了解自己研究背后更深的影响呢？
在40年前，Hinton的选择或许已经给出了他的答案。
为了避免为五角大楼服务，Hinton最终落脚在加拿大的多伦多大学。这个国家欢迎他，也支持他的神经网络研究。“去这个文明的小镇继续研究对我来说非常有吸引力。”
而HIinton也没有让加拿大失望。
正因为Hinton和他的学生的研究，加拿大现在已经成为人工智能研究的重要力量之一，多家人工智能巨头都将他们的研究中心开在了多伦多，各种前沿人才为了追随Hinton的脚步，络绎不绝地来到这座北方国度：“Hinton将加拿大拉入了AI超级大国的版图。”
坚持你认为对的，直到世界追上你的脚步
在多伦多，Hinton和他的团队研究出了更深度的神经网络，以解决更复杂的问题。他们共同开发了一个多层神经网络，这个深度神经网络也被应用于多个方面。
比如有人用它在80年代就打造了一辆无人车并且开上了路。
而现在已经是深度学习的另一位领袖人物、Facebook的AI实验室负责人Yann LeCun则利用深度神经网络建立了一个可以识别手写数字的系统。这一系统最终实现了商用。
在当时，深度神经网络的前景似乎一片大好，但是，现实中的故事往往没有这么简单。
Hinton的研究再次遇到了瓶颈。
“我们当时并没有足够的数据，也没有足够的计算机运行能力，AI和计算机科学的从业者认为神经网络是一厢情愿的想法。”
但Hinton始终坚持着，尽管完全不被重视。
他坐在房间的最角落里参加学术会议，在大牛云集的人工智能会议上完全不被重视。甚至他自己也开始产生了怀疑：“有很多次我都觉得我不会继续这项工作了”。
直到这个世界开始慢慢追上他的脚步。
2006年，计算机的运行速度有了巨大的提高，超快速芯片的到来以及互联网上产生的大量数据使得Hinton的算法变得非常神奇。突然之间，计算机开始可以识别图像中的内容，可以识别语音，可以将一种语言翻译成另一种语言。
2012年，Geoffry Hinton和他的团队带着 AlexNet参加了那一年的 ImageNet ILSVRC 挑战赛，以惊人的优势获胜（错误率比第二名低了足足 10%）。这篇被 NIPS 2012 收录的论文被认为是深度学习热的开启。
同年，“神经网络”和“机器学习”等词汇也开始在纽约时报的头版出现。
“人们终于理解了这个概念，我感到很欣慰。”Hinton这样说。
推翻自己，胶囊网络的提出
尽管已经成为了深度学习的领袖人物，Hinton的脚步却从没有停歇。2017年10月26日，Hinton发表了一篇在AI圈掀起轩然大波的论文——Capsule Networks（胶囊网络）。
Hinton高喊，“卷积神经网络（CNN）的时代已经过去了！”，将他过去几十年的研究翻了过去。
感兴趣的读者可以查看论文。
论文链接：
https://arxiv.org/pdf/1710.09829v1.pdf
尽管胶囊网络现在仍然处在婴儿期，在训练庞大的数据集时，仍可能会遇到问题，但在未来，Hinton相信它还有发展的巨大潜力。
也许，这位深度学习教父还将再次改写深度学习的发展历程。
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
相关文章
