<mark id="oztn4"></mark>
5
昨天，雷鋒網介紹了人工智能（AI）領域深度學習的研究鼻祖杰夫·辛頓：《人類群星閃耀時 | 深度學習鼻祖杰夫·辛頓：沒有他就沒有今天的人工智能》。毫無疑問，他是學界公認的大牛，因為，江湖充滿他的傳說。比如，辛頓的學生、紐約大學教授燕樂存（Yann LeCun）就搜集了一筐關于辛頓的段子……
Yann LeCun同是人工智能的先驅，早在20世紀80年代末，LeCun就作為貝爾實驗室的研究員開發出了卷積網絡技術，并展示如何使用它來大幅度提高手寫識別能力；目前美國許多手寫支票依然是用他的方法在進行處理。上世紀末本世紀初，當神經網絡失寵，LeCun是少數幾名一直堅持研究的科學家之一。他于2003年成為紐約大學教授，并從此引領了深度學習的發展。如今，LeCun是Facebook人工智能負責人。
2012年1月，LeCun發了一條Google+（Google的社交網絡應用），復制了當時辛頓和機器學習大牛Radford Neal之間的對話。當時， Radford正在2004年在CIfAR上發表演講：
Radford Neal：我認為貝葉斯統計法并非所有情況下都是最好的方法……
杰夫·辛頓：很抱歉Radford，我對你說的這番話先驗概率為0，所以我聽不到你說什么。
（看不懂？可以先去了解一下貝葉斯統計中的先驗概率論）
這么個性的回答，然而也只是辛頓段子人生的冰山一角：
杰夫·辛頓不需要構造隱藏單元 。當他開始處理時，它們會自己隱藏起來……
杰夫·辛頓不會不同意你的觀點，他會對比性地表示分歧。
深度信念網絡實際上深度信任杰夫·辛頓。
杰夫·辛頓發現了大腦是如何工作的。是的，過去的25年里他一年發現一次。
馬爾科夫隨機場（無向圖模型）派的都將杰夫·辛頓視作桀驁不馴的老爺子。
如果你要對抗杰夫·辛頓，他會馬上將你的信息熵（熱力學函數）最大化，你的自由能（在某一個熱力學過程中，系統減少的內能中可以轉化為對外作功的部分）會在能量達到平衡之前消失。
杰夫·辛頓可以讓你后悔到沒有邊界。
杰夫·辛頓不需要支持向量（機器學習在間隔區邊緣的訓練樣本點），他自己的小指頭都可以支持高維空間的超平面（一個支持向量機構造一個超平面）。
杰夫?辛頓一個鮮為人知的事實：他經常使用貝葉斯的先驗概念。
遇到杰夫·辛頓后，支持向量都變得邏輯錯亂。
杰夫?辛頓的概括是無窮無盡的。
唐詩宋詞今段子，有段子的人生才是偉大的人生。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
