Hinton、Yann LeCun、李飞飞谈深度学习十年：AI没有走入死胡同，“革命”仍如火如荼(2)

华盛顿大学计算语言学教授、时常批评这场“深度学习泡沫”的 Emily Bender 则表示，她认为目前的自然语言处理（NLP）和计算机视觉模型，并不能算是“迈向人工智能和人工通用智能的实质性脚步”。

无论如何，批评者也必须承认，计算机视觉和语言等关键应用确实取得了巨大进步。这也引得成千上万家企业争相利用深度学习的力量，进而在推荐引擎、翻译软件、聊天机器人等领域带来令人印象深刻的现实成果。

然而，其中也有不少必须直面的严肃争论。例如，AI 领域还有不少伦理和偏见等基本问题需要解决，治理者也需要监管 AI，以保护公众在就业、医疗保健和监控等领域免受歧视。

2022 年，当我们回望这生机勃勃、万物竞发的 AI 黄金十年，新的问题涌上心头：我们可以从这十年来的深度学习发展中总结出什么？这一颠覆世界的革命性技术，未来又将引何去何从？

Geoffrey Hinton

AI 先驱们早已预见到这场革命的到来

Hinton 称，他一直都知道深度学习“革命”即将到来。

Hinton 在 1986 年发表的论文中普及了用于训练多层神经网络的反向传播算法。他表示，“有很多研究者都相信，这就是人工智能的未来。我们则一直在努力证明自己的这一论断、证明自己所相信的东西。”

1989 年率先使用反向传播和卷积神经网络的 LeCun 也对此表示赞同。他谈到，“我丝毫也不怀疑未来的 AI，采用的仍然是我们八十和九十年代开发出的相关技术。”

与当时的主流观念相反，Hinton 和 LeCun 等人坚持认为，多层神经网络等深度学习架构可以应用于计算机视觉、语音识别、NLP 和机器翻译等领域，进而产生近似甚至超越人类专家的表现。他们驳斥了那些抵触他们研究成果的批评者，强调反向传播与卷积神经网络等算法技术将成为推动 AI 进步的关键。不过当时学术界的普遍消极情绪也可以理解，毕竟在经历了八十和九十年代的一系列挫折之后，AI 技术已经长期停滞不前。

与此同时，担任斯坦福大学以人为本 AI 研究院联合主任、前谷歌 AI 与机器学习首席科学家的李飞飞，也同样对自己的假设充满信心。她认为只要配合正确的算法，ImageNet 数据库完全能够推动计算机视觉与深度学习的跨越式发展。