纽约时报报道，2019年3月27号美国计算机学会宣布将2018年度图灵奖授予人工智能领域的科学家：蒙特利尔大学教授本吉奥（Yoshua Bengio）, 纽约大学教授，脸书公司首席人工智能科学家勒昆（Yann LeCun）和谷歌公司副总裁、多伦多大学名誉教授辛顿（Geoffrey Hinton），以褒奖他们推动深度神经网络成为计算机技术的重要组成部分。三位科学家将平分 100 万美元的奖金。 

            图灵奖（ACM A.M. Turing Award），是计算机协会（ACM）于1966年设立的奖项，作为计算机领域最负盛名的奖项，有“计算机界诺贝尔奖”之称，专门奖励对计算机事业做出重要贡献的个人。其名称取自世界计算机科学先驱、英国科学家、曼彻斯特大学教授艾伦·图灵（Alan.M. Turing）。获奖者必须是在计算机领域具有持久而重大的先进性的技术贡献，大多数获奖者是计算机科学家。

人工智能目前是所有科学领域中发展最快的学科之一，也是当今社会最为热议的话题之一。这很大程度上归功于“深度学习”（deep learning）领域近年来取得显著进展。本吉奥、辛顿和勒昆这三位获奖者是“深度学习”领域的奠基人，他们把单层神经网络拓展成实用性多层神经网络，在图像识别、语音识别和机器翻译等领域，获得很好的效果。“深度学习”似乎已经成为人工智能的代名词，从ImageNet 图像识别，智能语音助手到自动驾驶，都得益于“深度学习”的发展。

       所谓人工神经网络，是指参照人类神经结构和功能的特点，在计算机中模拟出一层或多层所谓“神经元”的计算单元，使它们之间通过加权方式相互连接和互相影响。改变这些连接点的加权值，则可以改变和扩展人工神经网络的计算性能。正是这三位科学家认识到和实践通过搭建多层神经元的方法，创建了较“深”的人工神经网络，这对于人工智能的发展具有突破性和创新性的意义，也为“深度学习”概念的出现奠定了重要的基础。 

“深度学习”是机器学习的一个新的领域，目的在于建立模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本。“深度学习”是一种特征学习方法，把原始数据通过非线性的复杂模型转换为更高层次、更抽象表达的算法，可以将特征提取和分类结合到一起，用数据学习特征，也是一种可以自动学习特征的方法。

许多学者相信，“深度学习”技术将会逐渐发展愈加成熟，也将会进入比较平稳的发展过程。而更深一步的发展与突破需要对人工神经网络进行较大改进，也可能在包括脑科学在内的多学科交叉研究的基础上建立新的模型和方法。以此，通过极大提高计算机理解环境世界的能力，深度神经网络不仅在改变计算机模式，也在改变人类行为和科学世界的每一个领域。

就像其他创新工作一样，都不大可能是一帆风顺的，人工神经网络和“深度学习”从上个世纪80年代就开始使用模拟人脑的智能，帮助计算机完成模式识别任务。但是，当时并没有为计算机科学界认可。而辛顿、本吉奥和勒昆一直把这种思路坚持到现在。辛顿博士71岁，出生于伦敦，他在20世纪70年代初作为一名研究生时首次接受了神经网络这个想法，当时大多数人工智能研究人员都反对这个想法，就连他自己的博士导师也质疑这个选择。辛顿回忆往日光时说：“我和导师每周见一次面，有时会以争吵结束，有时候不会。”

勒昆58 岁，曾在辛顿的实验室中做过一年的博士后研究，之后加入当时顶尖的贝尔实验室。在贝尔实验室，勒昆应用“深度学习”研发出能识别手写信件和电话号码的系统，曾一度识别了美国 10% 的手写支票，获得很好的商业成功。而在其他领域的应用，勒昆则遇到了重重困难，只有当训练数据集足够大时，“深度学习”才能发挥作用，但当时很少有什么领域能满足这个条件，即使是现在，也不是每个领域都能满足这个条件。训练数据集小，即便算法在测试集表现很好，但在实际应用是也会出现极大误差，而当时的计算机性能和容量也无法满足拥有成千上万个参数的“深度学习”模型。使得人工智能的发展受到极大的限制。尽管相当长的时间里，勒昆的研究并不被看好，而他和当时也在贝尔实验室工作的现年55岁的本吉奥始终坚信“深度学习”的未来。

2004 年，在加拿大前沿科学机构的赞助下，辛顿创立了“神经计算和自适应感知”的专项研究项目，他邀请了在“深度学习”领域坚守多年的本吉奥和勒昆加入这个项目。从辛顿博士研究生期间开始的研究，到现在他们为深度学习已经默默奉献了 30 年。至此。深度学习”引领的人工智能开始获得了腾飞式的发展。有人把三位科学家的“深度学习”之旅称之为“孤独之旅”。我想这种孤独之旅的另一面就是坚定的信念，顽强的毅力和对科学无所畏惧全身心的追求。

William  Schwartz在1970年的“新英格兰医学杂志”中，曾经预测：到2000年，许多医生的脑力劳动，可以被人工智能中的“专家系统”替代，或者至少大大增强它在医疗领域中的作用。Schwartz也希望医学院的课程重新定向到医疗保健的社会和心理方面，医学院将主要吸引对行为和社会科学，以及生物信息科学感兴趣的申请人。换句话说，就是预测现代的大多数医疗技术方面的工作，将有人工智能所替代。但Schwartz的梦想在很大程度上，还没能实现。        

迄今为止，生物医学领域中人工智能的成功使用，大都来自图像识别方法在放射学，病理学，皮肤病学和眼科学等学科的应用。尽管美国FDA最近批准了少数这样的系统，但目前许多这些项目都还仅限于在研究范围。 

我本人感兴趣的领域是对人衰老过程和与对衰老影响因子的分析和预测，以及筛选具有强免疫原性和可以为HLA分子识别的肿瘤新生抗原的工作。这些都期待人工智能的深入发展提供重要的帮助。