摘要：你可能没听过杰弗里·辛顿（Geoffrey Hinton）的名字，但你一定知道深度学习，即今天人脸识别、语音助手甚至自动驾驶背后的核心技术。而辛顿，正是被誉为“深度学习之父”的那个人。

你可能没听过杰弗里·辛顿（Geoffrey Hinton）的名字，但你一定知道深度学习，即今天人脸识别、语音助手甚至自动驾驶背后的核心技术。而辛顿，正是被誉为“深度学习之父”的那个人。

但这个故事的开头，得从他的家族讲起。辛顿的曾曾祖父，是19世纪的数学家乔治·布尔——没错，就是那个发明了“布尔代数”的人。我们现在用的计算机，不管是编程里的0和1，还是逻辑判断，底子都是布尔代数。

这么算下来，辛顿打小就带着“理科基因”，好像跟“让机器学东西”这事早就有缘分似的。

而辛顿确实也没浪费这天赋，他早年学的是实验心理学，但对人脑如何学习充满好奇。70年代，当人工智能还停留在符号和逻辑处理时，他就一头扎进了“神经网络”，一种模仿人脑神经元连接的计算模型。

1978年，辛顿和几位合作者首次明确了反向传播算法的核心思路。简单说，这就是一种让机器通过试错自我调整的方法，成了后来几十年深度学习的基础。

他还带出了一批优秀的学生，比如杨立昆，这位后来发明了卷积神经网络（CNN），并开发出第一个成功商用的手写识别系统LeNet，在2019年和辛顿一同获得了“计算机界诺贝尔奖”图灵奖。

原因很简单：数据太少、算力太差。就像你让一个天才学数学，只给他一本算术书和一支笔，他再聪明也算不出微积分。

转机出现在近二十年。互联网爆发了——人们上传照片、发布视频、留下各种数据痕迹，训练AI终于有了“粮食”。另一方面，原本为游戏设计的GPU（显卡） 越来越强大，英伟达还推出了CUDA技术，让科学家可以更方便地利用GPU做计算。突然之间，算力瓶颈被打破了。

那一年，斯坦福教授李飞飞团队建成了ImageNet数据集——一个包含千万张标注图片的“巨型题库”，并发起全球竞赛，邀请各路AI模型来比识别准确率。这相当于为深度学习搭好了一个标准赛场。

时间到了2012年。辛顿带着两位学生——Ilya Sutskever（后来成为OpenAI首席科学家）和Alex Krizhevsky，组了一个小团队，决定用ImageNet数据集和GPU训练一个更深的神经网络。

他们设计的网络结构被称为AlexNet。结果一参赛，就以压倒性优势拿下冠军，准确率比第二名高了整整十个百分点！整个AI圈子震惊了——因为这不仅是一次技术胜利，更证明了一个道理：只要有足够的数据和算力，神经网络可以做到以前不敢想的事。

很快，谷歌、Facebook等科技巨头纷纷全力转向神经网络。辛顿带着团队成立了一家叫DNNresearch的小公司——其实只有三个人。结果谷歌、百度等都抢着要收购。最终谷歌以4400万美元“拿下”，据说百度因为流程慢了几小时而错失机会。

而辛顿团队做对了一件特别重要的事：他们把AlexNet论文开源了。今年年初，谷歌首席科学家Jeff Dean宣布，已与计算机历史博物馆（CHM）合作，发布AlexNet源代码，并由其长期保存，还是带注释的原版。

这意味着全世界的研究者都可以在此基础上继续改进，一下子推动了整个AI社区的发展。

回过头看，AlexNet的成功不是突然发生的，它是代际努力的成果：从布尔代数，到反向传播，再到GPU和ImageNet的助力……每一步都不可或缺。

也有人问，这条路会通向真正的通用人工智能（AGI）吗？辛顿自己反而比较谨慎。他说深度学习的原理还没完全清楚，“我们仍然是在模仿大脑，却并不真的理解它。”

但无论如何，一场由数据、算力和算法共同推动的技术革命，已经真实地改变了我们今天的世界。

而点燃这把火的，是一个继承了布尔家族“跨界思考”的天才，和他背后几代科学家的坚持。

对此，您有何看法？可以在评论区继续聊哦。

文：胖胖

来源：河北志愿王博士