Yann LeCun、Geoffrey Hinton和Yoshua Bengio是计算机科学家，被公认为深度学习的先驱。2018年，他们因在概念和工程上的突破，使深度神经网络成为计算的关键组成部分，共同获得了ACM A.M.图灵奖，该奖常被称为“计算领域的诺贝尔奖”。他们的集体工作，从1980年代延续至今，为现代人工智能系统（包括大型语言模型和生成式人工智能应用）奠定了基础。
他们的研究将神经网络理论从一个小众的学术追求转变为机器学习中的主导范式。每个人都做出了独特但互补的创新：LeCun开发了用于图像识别的卷积网络，Hinton推进了反向传播和无监督学习，而Bengio则在序列建模和生成模型方面开创了先河。他们的共同努力，将数十年的理论工作与实际、可扩展的实现相连接，开启了当前的人工智能时代。
早年生活与教育
Geoffrey Hinton于1947年12月6日出生于英国伦敦。他于1970年获得剑桥大学实验心理学学士学位，并于1978年获得爱丁堡大学人工智能博士学位。他的早期工作集中在神经网络和认知科学上，受到其高祖父、逻辑学家乔治·布尔的影响。
Yann LeCun于1960年7月8日出生于法国苏瓦西苏蒙莫朗西。他于1983年获得巴黎高等电子与电工技术工程师学院工程学位，并于1987年获得皮埃尔和玛丽·居里大学计算机科学博士学位。他的博士论文提出了一种神经网络学习算法，后来演变为卷积架构。
Yoshua Bengio于1964年出生于法国巴黎，童年时移居加拿大。他于1986年获得麦吉尔大学电气工程学士学位，并于1991年获得麦吉尔大学计算机科学博士学位。他的早期研究探索了循环网络和概率模型，为他后来的序列学习工作奠定了基础。
对深度学习的关键贡献
LeCun最具影响力的贡献出现在1989年，当时他开发了卷积神经网络（CNN），这是一种受生物学启发的架构，通过局部滤波器层处理视觉数据。在施乐帕克研究中心工作，后来又在麻省理工学院和卡内基梅隆大学，他将CNN应用于手写数字识别，并于1998年创建了LeNet-5系统。该系统被银行和邮政服务用于支票和邮政编码读取，展示了深度学习的商业可行性。
Hinton的关键工作发生在1986年，当时他与David Rumelhart和Ronald Williams合著了论文《通过反向传播误差学习表示》，该论文推广了反向传播算法。这种方法高效地计算多层网络中的梯度，使训练变得可行。2012年，Hinton和他的学生Alex Krizhevsky和Ilya Sutskever凭借AlexNet赢得了ImageNet竞赛，这是一种深度CNN，大幅降低了错误率，引发了现代人工智能热潮。
Bengio的贡献包括在2000年开发了神经语言模型，该模型使用词的分布式表示，并在2014年与他的合作者引入了注意力机制。这种注意力机制成为Transformer (architecture)架构的核心组件，该架构支撑了像OpenAI的GPT模型和Google DeepMind的AlphaFold等系统。
学术与研究职业
Hinton的职业生涯遍布多个机构。在获得博士学位后，他在苏塞克斯大学和加州大学圣地亚哥分校工作，然后于1982年加入卡内基梅隆大学。1987年，他移居多伦多大学，成为教授并建立了领先的深度学习实验室。他还在2013年至2023年间在Google担任研究职位，从事神经网络应用的工作。
LeCun于1988年至1996年担任施乐帕克研究中心的研究员，随后加入AT&T实验室，领导图像处理研究部门。2003年，他成为纽约大学教授，并后来共同创立了纽约大学数据科学中心。2013年，他加入Meta（当时为Facebook），担任人工智能研究创始主任，直到2025年。
Bengio的大部分职业生涯在蒙特利尔大学度过，他于1993年成为教授。他于2004年创立了蒙特利尔学习算法研究所（MILA），该研究所成长为世界上最大的学术人工智能研究团体之一。他还担任CIFAR人工智能项目的科学主任，并于2016年共同创立了人工智能公司Element AI。
奖项与荣誉
除了2018年的图灵奖，这三位科学家还获得了众多荣誉。Hinton于1998年当选为皇家学会院士，并于2014年获得IEEE Frank Rosenblatt奖。LeCun于2014年当选为美国国家工程院院士，并于2018年获得IEEE神经网络先驱奖。Bengio于2010年被任命为加拿大皇家学会院士，并于2019年获得Killam奖。
2024年，Hinton和John Hopfield因在机器学习方面的基础性发现，特别是他们在人工神经网络方面的工作，被授予诺贝尔物理学奖。这一认可突显了他们的研究在计算机科学之外的更广泛科学影响。
对工业和社会的影响
这三位科学家的研究直接推动了深度学习应用在各行业的普及。LeCun的CNN被用于自动驾驶车辆、医学成像和人脸识别系统。Hinton在无监督学习和生成模型方面的研究影响了生成式人工智能工具的开发，如OpenAI的DALL-E和Anthropic的Claude。Bengio的序列模型和注意力机制是Transformer (architecture)架构基础的大型语言模型的基础，这些模型被Google Cloud和Amazon Web Services使用。
他们的影响延伸到硬件和基础设施。神经网络训练的需求推动了像NVIDIA、AMD和Intel等公司的专用芯片创新，以及像Microsoft Azure和Oracle Cloud等云服务。像Groq和SambaNova这样的初创公司已经出现，以优化这些模型的推理。
哲学与伦理立场
Hinton已成为人工智能安全的积极倡导者，特别是在2023年离开Google之后。他对先进人工智能系统可能带来的生存风险表示担忧，包括大型语言模型传播错误信息或被用于自主武器的可能性。他呼吁国际监管和对齐研究。
Bengio也强调了负责任人工智能发展的重要性。他于2018年共同撰写了《蒙特利尔负责任人工智能宣言》，并倡导机器学习系统的透明性和公平性。他警告人工智能权力集中在少数公司手中的风险，并呼吁对人工智能研究进行公共投资。
LeCun采取了更乐观的立场，认为当前的人工智能系统远未达到人类级智能，对生存风险的担忧为时过早。他提倡人工智能的“世界模型”概念，这将使机器能够通过观察和常识学习，并倡导开放研究和合作。
遗产与未来方向
2018年的图灵奖巩固了这三位科学家作为“深度学习教父”的地位。他们的集体工作催生了整个研究和工业生态系统，从MIT CSAIL到斯坦福人工智能实验室，并影响了像Michael Jordan和Anima Anandkumar这样的新一代研究者。
截至2025年，三人仍在研究和公共讨论中保持活跃。Hinton继续就人工智能安全发表演讲，Bengio领导MILA在因果和稳健学习方面的工作，而LeCun则在Meta探索基于能量的模型和自主智能。他们的贡献很可能在未来几十年内继续成为人工智能发展的核心，塑造从科学发现到日常消费技术的方方面面。
参见
参考文献
- ACM图灵奖引文，2018年。
- 诺贝尔物理学奖公告，2024年。
- LeCun、Bengio和Hinton的公开讲座和访谈，2018-2025年。