為什麼是AI教父？
今天，混AI圈的人鮮有人沒聽過Geoff Hinton。他是谷歌大腦研究小組的負責人，多倫多大學的榮譽教授。而奠定了他在今天人工智能圈“教父”地位的，是他在多層神經網絡技術的貢獻。
Hinton對AI的貢獻有多大呢？
學術點說，Hinton在1986年提出的通過反向傳播來訓練深度網絡理論，標誌著深度學習發展的一大轉機，為近年來人工智能的發展奠定了基礎。
更實際點說，今天谷歌中通過語音識別進行圖片檢索、在手機上把語音轉化為文字的技術的實現，大部分功勞要歸於Hinton博士的研究。
他的研究，徹底改變了人工智能，乃至整個人類發展的軌跡。
從研究大腦，到嘗試製作一個
Geoff Hinton出生在英國一家“書香門第”，家人多是數學家和經濟學家，這樣的“學霸爸媽”顯然讓Hinton的童年不太好過，正如他自己所說：“我大概在7歲的時候就意識到，不讀博是不行了（微笑臉）。”
而最初把Hinton引上人工智能這條路的，是他對人腦的好奇。
Hinton很早就沉迷於大腦如何工作的問題。於是，他開始進入生理學，解剖大腦以瞭解其工作方式。
不滿足於此，他又開始學習心理學。最後，他決定更多地使用計算機科學的方法來模擬大腦，並進入人工智能領域，開始了他近40年的研究生涯。
“我認為，如果你真的想了解一個非常複雜的裝置，比如大腦，那你就製作一個。”
堅信神經網絡：“其他人都錯了”
儘管現在已經成為了人工智能的主流研究方法，神經網絡在最初問世時，命途多舛。
1956年，美國認知心理學家弗蘭克·羅森布拉特（Frank Rosenblatt）基於神經元的理論發明了一種模擬神經元的方法。它的基本點是一個被稱為神經元的小單位的集合。 這些集合都是小的計算單元，但可以模擬人腦計算的方式。和我們從感官中獲取數據一樣，這些神經元可以獲取傳入數據並進行學習，所以神經網絡可以隨著時間的推移做出決定。
但是，Rosenblatt的學習算法當時對於多層結構的神經網絡不起作用。人工智能學者們也因此放棄了學習式軟件的想法。他們轉而使用邏輯來產生智能——比如下棋的能力。
幾乎沒人再相信神經網絡的前景，也沒人再研究神經網絡。
除了Hinton。
“大腦是一個巨大的神經網絡，因此，神經網絡必須也是可以工作的，因為它在我們的大腦中起作用。”Hinton說。
“那是什麼支持著你不放棄？”
“其他人都錯了（everyone else is wrong）。”
離開五角大樓，成為“加拿大之光”
為了找到一個支持他研究神經網絡的棲身之處，Hinton在美國輾轉多地。但是，當時大部分的學術研究都是受到國防部支持。
而Hinton對於這樣拿到自己的研究經費並不滿意 ：“我不希望我的研究成果被用在一些不善意的目標上。”
的確，深度學習從誕生之日起，就與國防部的一些軍事目的有著不可分割的淵源。
甚至直至今天依然如此——今年3月谷歌被曝光正參與Maven項目，向美國軍方提供TensorFlow APIs和無人機圖像識別技術，引起巨大爭議和眾多抗議，6月谷歌不得不承諾不將AI用於武器。這場聲勢浩大的爭論甚至將戰火燃到了李飛飛身上。
而關於AI倫理和技術人員責任的爭論也從來沒有停止過。
近兩年，將算法用來自動識別一起犯罪是否屬於團伙犯罪，或識別一個人是否是同性戀的研究屢見不鮮，算法的締造者是否應該在研究之外分出心力，瞭解自己研究背後更深的影響呢？
在40年前，Hinton的選擇或許已經給出了他的答案。
為了避免為五角大樓服務，Hinton最終落腳在加拿大的多倫多大學。這個國家歡迎他，也支持他的神經網絡研究。“去這個文明的小鎮繼續研究對我來說非常有吸引力。”
而HIinton也沒有讓加拿大失望。
正因為Hinton和他的學生的研究，加拿大現在已經成為人工智能研究的重要力量之一，多家人工智能巨頭都將他們的研究中心開在了多倫多，各種前沿人才為了追隨Hinton的腳步，絡繹不絕地來到這座北方國度：“Hinton將加拿大拉入了AI超級大國的版圖。”
堅持你認為對的，直到世界追上你的腳步
在多倫多，Hinton和他的團隊研究出了更深度的神經網絡，以解決更復雜的問題。他們共同開發了一個多層神經網絡，這個深度神經網絡也被應用於多個方面。
比如有人用它在80年代就打造了一輛無人車並且開上了路。
而現在已經是深度學習的另一位領袖人物、Facebook的AI實驗室負責人Yann LeCun則利用深度神經網絡建立了一個可以識別手寫數字的系統。這一系統最終實現了商用。
在當時，深度神經網絡的前景似乎一片大好，但是，現實中的故事往往沒有這麼簡單。
Hinton的研究再次遇到了瓶頸。
“我們當時並沒有足夠的數據，也沒有足夠的計算機運行能力，AI和計算機科學的從業者認為神經網絡是一廂情願的想法。”
但Hinton始終堅持著，儘管完全不被重視。
他坐在房間的最角落裡參加學術會議，在大牛雲集的人工智能會議上完全不被重視。甚至他自己也開始產生了懷疑：“有很多次我都覺得我不會繼續這項工作了”。
直到這個世界開始慢慢追上他的腳步。
2006年，計算機的運行速度有了巨大的提高，超快速芯片的到來以及互聯網上產生的大量數據使得Hinton的算法變得非常神奇。突然之間，計算機開始可以識別圖像中的內容，可以識別語音，可以將一種語言翻譯成另一種語言。
2012年，Geoffry Hinton和他的團隊帶著 AlexNet參加了那一年的 ImageNet ILSVRC 挑戰賽，以驚人的優勢獲勝（錯誤率比第二名低了足足 10%）。這篇被 NIPS 2012 收錄的論文被認為是深度學習熱的開啟。
同年，“神經網絡”和“機器學習”等詞彙也開始在紐約時報的頭版出現。
“人們終於理解了這個概念，我感到很欣慰。”Hinton這樣說。
推翻自己，膠囊網絡的提出
儘管已經成為了深度學習的領袖人物，Hinton的腳步卻從沒有停歇。2017年10月26日，Hinton發表了一篇在AI圈掀起軒然大波的論文——Capsule Networks（膠囊網絡）。
Hinton高喊，“卷積神經網絡（CNN）的時代已經過去了！”，將他過去幾十年的研究翻了過去。
感興趣的讀者可以查看論文。
論文鏈接：
https://arxiv.org/pdf/1710.09829v1.pdf
儘管膠囊網絡現在仍然處在嬰兒期，在訓練龐大的數據集時，仍可能會遇到問題，但在未來，Hinton相信它還有發展的巨大潛力。
也許，這位深度學習教父還將再次改寫深度學習的發展歷程。
分享到:
閱讀更多 大數據文摘 的文章
