2019年3月27日，Yoshua Bengio, Geoffrey Hinton 和 Yann LeCun 被正式授予计算机科学界的最高荣誉 —— ACM 图灵奖，它被誉为是计算机界的诺贝尔奖。Hinton、LeCun 和 Bengio 独立工作，共同开发了深度学习神经网络领域的概念基础，通过实验和实际工程证明了深度神经网络的优势。
2018年图灵奖获得者从左到右：Yann LeCun, Geoff Hinton 和 Yoshua Bengio
近年来，深度学习方法一直是计算机视觉、语音识别、自然语言处理和机器人技术等领域出现惊人突破的主要原因。
谈及颁奖缘由，ACM 总裁 Cherri M. Pancake 说到：“人工智能现在是所有科学领域发展最快的领域之一，也是社会上最受关注的话题之一。人工智能的进步和兴盛在很大程度上归功于 Bengio、Hinton 和 LeCun 为深度学习最新进展奠定的基础。这些技术被数十亿人使用，任何一个拥有智能手机的人都能切实体验到自然语言处理和计算机视觉方面的进步。除了我们每天使用的产品之外，深度学习的新进展还在医学、天文学、材料科学等领域为科学家提供了强大的新工具。”
「深度神经网络促进了现代计算机科学的极大进步，在解决计算机视觉、语音识别和自然语言处理领域中的长期问题方面取得了极大进展。」Google AI 负责人 Jeff Dean 表示，「该进展的核心得益于今年图灵奖得主 Yoshua Bengio、Geoffrey Hinton 和 Yann LeCun 30 多年前开发的基础技术。深度神经网络显著提升了计算机感知世界的能力，它不仅改变了计算领域，也几乎改变了科学和人类奋斗的所有领域。」
或是独立或是协作，Hinton、LeCun 和 Bengio 开发了深度学习领域的概念基础，并通过实验验证了令人惊讶的现象，此外，他们还贡献了一些工程进展，展示了深度神经网络的实用优势。近年来，深度学习方法促进计算机视觉、语音识别、自然语言处理和机器人技术等应用领域取得极大突破。
虽然在 20 世纪 80 年代，研究者就引入了人工神经网络帮助计算机识别模式、模拟人类智能，但一直到 21 世纪初，LeCun、Hinton 和 Bengio 这样一小撮研究者仍然坚持这种方法。虽然一开始，他们重燃人工智能社区对神经网络兴趣的努力遭到了怀疑，但如今他们的想法带来了重大的技术进步，他们的方法也已成为该领域的主导范式。
2018图灵奖得主介绍
Yann LeCun，纽约大学教授，同时也是 Facebook 的副总裁和首席人工智能科学家。
ACM 表示 Yann LeCun 主要有三大重要贡献：
提出卷积神经网络
改进反向传播算法
拓宽神经网络的视角
20 世纪 80 年代，LeCun 构建了卷积神经网络，这是该领域的一项重要理论，对于提高深度学习效率至关重要。20 世纪 80 年代后期，LeCun 就职于多伦多大学和贝尔实验室，也是在这一时期，它利用手写数字图像训练了第一个卷积神经网络系统。如今，卷积神经网络已成为计算机视觉、语音识别、语音合成、图像合成和自然语言处理领域的行业标准。卷积神经网络有着广泛的应用，如自动驾驶、医学图像分析、语音助手和信息过滤等。
改进反向传播算法，LeCun 提出了一个早期版本的反向传播算法（backprop），并基于变分原理给出了一个清晰的推导。他加速反向传播算法的工作包括描述加快学习速度的两个简单方法。
LeCun 的贡献还包括拓宽神经网络的研究视角，他将神经网络发展为一种计算模型，用到一系列任务中，他早期工作中的一些概念已成为 AI 发展的基石。例如，在图像识别领域，他研究了如何在神经网络中学习分层特征表征——这一概念现在经常用于许多识别任务。他和 Leon Bottou 一起提出：学习系统可以被构建为复杂的模块网络，在这个网络中，反向传播通过自动微分来执行，这一理念用在每一个现代深度学习软件中。他们还提出了可以处理结构化数据的深度学习架构。
Geoffrey Hinton，谷歌副总裁兼工程研究员，Vector Institute 的首席科学顾问，同时也是多伦多大学的名誉大学教授。
ACM 表示 Geoffrey E Hinton 主要有三大重要贡献：
反向传播
玻尔兹曼机
对卷积神经网络的修正
在 1986 年的一篇论文中，Hinton 与 David Rumelhart 和 Ronald Williams 提出了反向传播，这篇论文即著名的《Learning Internal Representations by Error Propagation》。Hinton 等研究者表示反向传播算法允许神经网络探索数据内部的深层表征，因此神经网络才能解决以前被认为无法解决的问题。反向传播目前已经成为训练深度神经网络所必需的算法。
1983 年，Hinton 和 Terrence Sejnowski 提出了玻尔兹曼机，它是第一个能学习神经元内部表征的深度神经网络，这种表征既不是输入也不是输出的一部分。
到了 2012 年，Hinton 与他的学生 Alex Krizhevsky 和 Ilya Sutskever 为卷积神经网络的发展做出了重要贡献。他们率先使用修正线性神经元（ReLU）和 Dropout 正则化大大提升了深度卷积神经网络的性能。在当年的 ImageNet 竞赛中，Hinton 和他的学生几乎将图像识别的误差率减半，这一次挑战赛重塑了计算机视觉领域。
Yoshua Bengio，蒙特利尔大学教授，魁北克人工智能研究所 Mila 科学主任，与 Ian Goodfellow、Aaron Courville 两人合著 《深度学习》一书。Bengio 的主要贡献是在 1990 年代发明的 Probabilistic models of sequences。
ACM 表示 Yoshua Bengio 主要有三大重要贡献：
序列的概率建模
高维词嵌入与注意力机制
生成对抗网络
在上个世纪九十年代，Bengio 提出将神经网络与序列的概率建模相结合，例如隐马尔可夫模型这种序列的概率建模方法。这些创新观点被 AT&T/NCR 所接受，并用于阅读手写支票，该系统被认为是九十年代神经网络研究的巅峰之作，现代基于深度学习的语音识别系统都是在这些概念上继续扩展的。
在 2000 年，Bengio 等研究者发表了一篇具有里程碑意义的论文《A Neural Probabilistic Language Model》，该论文引入了高维词嵌入作为词义的表征方法。Bengio 的观点对自然语言处理任务产生了巨大而持久的影响，包括机器翻译、知识问答、视觉问答等等。他的研究团队还提出了一种注意力机制，该方法直接导致了机器翻译领域的突破，并构成了深度学习序列建模的关键组成部分。
自 2010 年以来，Bengio 非常关注生成式深度学习，特别是他与 Ian Goodfellow 等研究者提出的生成对抗网络（GAN），这项研究引起了计算机视觉和计算机图形学的革命。这项工作令人惊奇的地方在于，计算机能生成与原始图像相媲美的图像，这难免让人联想到人类水平的创造力。
关于图灵奖
图灵奖是美国计算机协会(ACM)于 1966 年设立的奖项，有“计算机领域的诺贝尔奖”之称。奖项设立的目的之一是为了纪念世界计算机科学的先驱艾伦·图灵(Alan M. Turing)，并专门奖励对计算机事业作出重要贡献的个人，获奖者必须是在计算机领域具有持久而重大的先进性技术贡献。
图灵奖的授予对获奖者要求极高，评奖程序也极为严格，一般每年只奖励一到两名科学家，只有极少数年度有两名以上在同一方向做出贡献的科学家同时获奖。
图灵奖得主将被授予 100 万美元的奖金，由谷歌公司全额赞助。
[－完－]