那个让AI学会“认错”的人，等了26年

引子

我见过最聪明的学习方法，不是什么神奇算法。

就四个字——犯错，修正。

AI今天能这么聪明，靠的就是这个道理。

正文

这个人叫杰弗里·辛顿（Geoffrey Hinton）。

1947年出生于英国，AI教父，2018年图灵奖得主。

1986年，辛顿和两位同事——大卫·鲁梅尔哈特、罗纳德·威廉姆斯——发表了一篇论文，把反向传播（Backpropagation） 成功用在了多层神经网络上。

反向传播什么意思？

我给你打个比方——

机器考试，答错了一道题。传统方法告诉你：“错了。”结束。

但反向传播不一样。它会问：“错在哪？”然后一层一层往回推——到底是哪个参数导致了错误？找到它，调整它，重新学习。

这个思路，让神经网络真正复活了。

以前神经网络只有一层，能力有限。现在可以有很多层——多层神经网络，也就是我们今天说的“深度神经网络”。

但当时有一个致命问题：没有足够的数据，也没有足够的算力。

辛顿的这个技术，等了整整26年。

26年里，神经网络一直被主流学界视为“边缘方法”。辛顿的学生不多，经费不多，论文也不多。但他始终坚持——坚信神经网络这条路走得通。

直到2012年。

那一年，辛顿带着两个学生——亚历克斯·克里热夫斯基和伊利亚·苏茨克维——参加了一个叫ImageNet的图像识别大赛。他们的算法叫AlexNet，用深度神经网络参赛。

结果：错误率只有15%，比第二名低了整整10个百分点。

断崖式领先。

那天以后，整个AI界都意识到——深度学习，才是未来。辛顿等了26年的那一天，终于来了。

今天所有的大模型能学习，本质上靠的就是：犯错，然后修正。

互动

人跟AI一样，靠犯错成长。你认同这个观点吗？认同的扣1，不认同的扣2。