Hinton仍然百折不挠地聚集志趣相投的人。他请来了LeCun，一个拥有电子工程背景的法国籍学生，和他一起在多伦多大学做博士后研究。他也和YoshuaBengio（计算机科学家，现任蒙特利尔大学教授）合作。但是，Hinton表示他从未放弃信念只是因为一个简单的缘由：「因为大脑总是不知不觉地去做。」
小孩看过很多猫和狗之后，处理传入的视觉信息，并自己学会区分特征，知道猫和狗之间的不同——而不是他们的父母把USB线插到他们的头上，把描述不同物种的代码塞到他们的脑子里。
类似的，人工神经网络的灵感来自于大脑神经元互相传递信息的方式。模仿儿童的学习方式，通过输入成千上万的猫以及其他物体的图片，比如狗，科学家能教会人工神经网络识别一只猫。利用一些反馈，计算机开始学会学习区分猫和狗的特征，直到它看到一张从未看到过的图片后就能判断出类别——猫或狗。（令人惊讶的是，搭建神经网络的人并不清楚这过程到底是如何工作的。「重整化系统：理解猫和宇宙的通用逻辑」）
直到本世纪初中叶，这个领域的进展一直很缓慢，因为研究者们低估了处理大量数据所需要的大量计算能力。
那段时间，LeCun说他的同事对于在默默无闻中劳动已经有点疲倦了。
「你不希望被别人看作是疯子，也不想被边缘化。况且，你的学生也需要找工作，你也希望他们发表的论文有一天会见到光明」，他说。「但我希望在这个领域继续工作，重新点燃它，并且参与其中」。
结果，来自CIFAR的资金正是他们想要的。它提供了一些手段来帮助Hinton曾经帮助过的各研究人员小组从世界各地聚集在此，共同合作。
突破很快来临了。一篇发表在2006年《科学》期刊上的论文描述了一个训练多层神经网络的方法，该方法与大脑如何处理来自视网膜的信号及如何将信号传播到另外一个神经元进行分析的方法相似。这使得机器能够学习更抽象的概念，并最终引起整个学术界的兴趣。
工业界在2012年也开始注意到这个变化。Hinton的团队证明了在认知事物上，神经网络比起其他方法做得更好。
谷歌很快抢到了Hinton，收购了由他及两名学生创办的DNNResearch。六月，Twitter也收购了另外一家由Hinton的学生创办的创业公司，名为Whetlab。
<上一页 1 2 3 4 下一页> 余下全文
