3 月 27 日，ACM 官網發布消息， 2018 年圖靈獎頒給 3 位深度學習之父 Yoshua Bengio、Geoffrey Hinton 和 Yann LeCun，以表揚他們在人工智能（AI）做出的重大貢獻。 
圖靈獎由美國計算機協會（ACM）于 1966 年設立，專門獎勵那些對計算機事業作出重要貢獻的個人。其名稱取自計算機科學的先驅、英國科學家艾倫•麥席森•圖靈（Alan M. Turing）。
由于圖靈獎對獲獎條件要求極高，評獎程序又是極嚴，一般每年只獎勵一名計算機科學家，只有極少數年度有兩名合作者或在同一方向作出貢獻的科學家共享此獎。因此它是計算機界最負盛名、最崇高的一個獎項，有“計算機界的諾貝爾獎”之稱。ACM 約在每年三四月份評出上一年的圖靈獎。
圖靈獎初期獎金為 20 萬美元，1989 年起增到 25 萬美元商企信息，獎金通常由計算機界的一些大企業提供（通過與 ACM 簽訂協議）。目前圖靈獎由 Google 公司贊助，獎金為 100 萬美元。
ACM 官網列舉了 3 位大佬的技術成就，一起來看看。

三位AI大佬獲2018年圖靈獎

Geoffrey Hinton（杰弗里•辛頓）
1、反向傳播：1986 年他與 David Rumelhart 和 Ronald Williams 合著了一篇論文、《學習誤差傳播內部表示 | Learning Internal Representations by Error Propagation》，Hinton 證明神經網絡反向傳播算法可以發現自己的內部表示的數據，使其可以用神經網絡來解決問題。在這之前北京強國者，認為是是做不到的。反向傳播算法是目前大多數神經網絡的標準算法。
2、玻爾茲曼機（Boltzmann Machines）：1983年，Hinton 與特倫斯•塞諾斯基(Terrence Sejnowski)一起發明了玻爾茲曼機器，這是第一個能夠學習不屬于輸入或輸出的神經元內部表征的神經網絡。
3、卷積神經網絡的改進：2012 年，Hinton 和他的學生亞歷克斯•克里日夫斯基(Alex Krizhevsky)和伊利亞•蘇斯基弗(Ilya Sutskever)一起，利用校正的線性神經元和dropout 正則化改進了卷積神經網絡。在著名的 ImageNe t比賽中，Hinton和他的學生幾乎將物體識別的錯誤率減半，重塑了計算機視覺領域。
Yoshua Bengio（約書亞•本吉奧）
1、序列的概率模型：20世紀90年代，Bengio將神經網絡與序列的概率模型相結合，如隱馬爾可夫模型。這些想法被納入 AT&T/NCR 用于閱讀手寫支票的系統，被認為是20世紀90年代神經網絡研究的巔峰，現代深度學習語音識別系統正在擴展這些概念。
2、高維詞嵌入與注意力：2000年，Bengio發表了具有里程碑意義的論文《神經概率語言模型 | A Neural Probabilistic Language Model》，引入高維詞嵌入作為詞的意義表示。Bengio 的見解對自然語言處理任務產生了巨大而持久的影響，包括語言翻譯、問題回答和視覺問題回答。他的團隊還引入了一種注意力機制，這種注意力機制在機器翻譯方面取得了突破，成為深度學習的順序處理的關鍵組成部分。
3、生成對抗網絡：自2010年以來，Bengio 關于生成深度學習的論文，特別是與 Ian Goodfellow 共同開發的生成對抗網絡(GANs)，在計算機視覺和計算機圖形學領域引發了一場革命。在這項工作的一個引人入勝的應用中，電腦實際上可以創造原始圖像，讓人想起被認為是人類智慧標志的創造力。
Yann LeCun
1、卷積神經網絡（CNN）：在 20 世紀 80 年代，LeCun 開發了卷積神經網絡，這是領域中一個基本原理。CNN 的優勢之一，提高了深度學習的效率。上世紀 80 年代末，LeCun  在多倫多大學和貝爾實驗室(Bell Labs)工作時，他是第一個訓練卷積神經網絡系統處理手寫數字圖像的人。如今，卷積神經網絡已經成為計算機視覺以及語音識別、語音合成、圖像合成和自然語言處理領域的行業標準。它們被廣泛應用于各種應用中，包括自動駕駛、醫學圖像分析、聲控助手和信息過濾。
2、改進后的反向傳播算法：LeCun 提出了早期版本的反向傳播算法(backprop)，并基于變分原理對其進行了清晰的推導。他的工作加速了反向傳播算法，包括描述了兩種加速學習時間的簡單方法。
3、拓寬神經網絡的應用：LeCun 還被譽為給神經網絡開發了更廣闊的視野，將其作為一種計算模型用于廣泛的任務。他在早期的工作中，引入了一些現在在 AI 中的基本概念。例如，在識別圖像的背景下，他研究了如何在神經網絡中學習分層特征表示——這一概念現在經常用于許多識別任務。他和 Leon Bottou 一起提出了一個理念，這個理念被應用于每一個現代深度學習軟件中，即學習系統可以被構建為復雜的模塊網絡響應式網站，在這個網絡中，反向傳播通過自動分化來執行。他們還提出了能夠操作結構化數據（如 graph）的深度學習體系結構。，