每年颁发两个图灵奖？《ACM通讯》主编发文提议推动图灵奖改革

如果真的改革，百万奖金需要打对折吗？

自 1966 年设立以来，图灵奖一般每年仅授予一名计算机科学家，奖励对计算机事业作出重要贡献的个人。当然，获奖的人数有时会是两位或者三位，比如 2018 年图灵奖就授予了深度学习三巨头 Yoshua Bengio、Geoffrey Hinton、Yann LeCun，2020 年图灵奖得主授予了「龙书」作者 Jeffrey David Ullman 和 Alfred Vaino Aho。多人同时获奖基本上是因为他们是某一成果的共同贡献者。

在今年《Communications of the ACM》六月刊上，现任主编 Andrew A. Chien 在他的编辑信中建议 ACM 考虑每年颁发两个图灵奖。Andrew A. Chien 是芝加哥大学计算研究所的 William Eckhardt 计算机科学教授和高级研究员，也是阿贡国家实验室的高级计算机科学家，从 2017 年 7 月起担任该刊物主编。

专栏中这样写道：「我的意思不是颁发给两个人，毕竟已经有分享了许多图灵奖的例子。相反，我的立场是 ACM 应该每年颁发几个图灵奖。这些奖项可以错开，比如间隔六个月，或者分别在春季和秋季，以确保每位获奖者都得到计算社区及世界的关注。」

为什么要每年颁发两个图灵奖呢？

Andrew A. Chien 认为，自首次颁发图灵奖以来，计算科学的范围和影响发生了惊人的增长。50 多年前，每年销售的电脑为几十台，全世界有几百台。而 2000 年之后，随着互联网改变了世界，电脑销量增长了 1000 万倍，个人电脑每年售出超过 1.2 亿台，全球拥有 50 亿台电脑。随着智能手机的出现，年销售额又增长了 10 倍，同时拥有超过 500 万个「应用程序」。也许发明的数量并没有随着计算机的数量呈线性增长，但正如学者预计的那样，至少是 n^0.5（10,000 倍），甚至是（log_2）n 率（25 倍）。

同时还有更多的增长指标：全球程序员（2500 万软件开发人员）和计算机科学研究人员（ACM 数字图书馆中超过 24000 位已发表作者）的数量推动了令人难以置信的发明与创新速度。在这些正在发生的活动中，怎么可能每年只有一个人配得上图灵奖？

「ACM 每年颁发两个图灵奖来扩大知名度是正确的，表彰杰出的引领者是正确的事情，而且促进计算领域的发展也是一件好事。颁发图灵奖是一种认可，赋予更多计算冠军和领导者权力。」

读者来信

文章刊发后，有读者正式回信进行了讨论。这封回复来自 ACM 高级终身会员 Rebecca Mercuri，全文如下：

读完你的六月编辑来信后，我的反应是：不！因为我认为颁发两个年度奖项会降低每个奖项的地位，并最大限度地减少获奖者甚至前辈艾伦 · 图灵的荣誉。但我那样想貌似是草率的。我重读了你的论点并改变了我的观点——现在我相信我们需要想得再朝前一点。

数字「2」表示硬件和软件之间的划分。但是，正如您所指出的，计算机学科已经发展得越来越广泛，远比这种二分法更复杂。我提出了四个类别，并非所有类别都需要在特定年份授予，它们分别是硬件设计或制造、软件语言或算法、网络通讯与道德或可持续发展（最后一个类别可能显得格格不入）。恕我直言，我不同意你的一个说法，即图灵奖是为了表彰领先研究人员的贡献。

该奖项公布的获奖标准指出：「其贡献应该对计算机领域具有持久和重大的技术重要性。」这里没有提到学界还是业界。ACM 长期以来一直认可计算机科学的实践以及纯粹研究，一个很好的例子是数据库之父 Charlie Bachman，他是行业内的从业者，1973 年以工程师身份获得了图灵奖。

此外，随着人工智能和机器学习、资源稀缺、加密货币挖掘等兴起，道德和可持续性困境正在产生。ACM 应该鼓励切实解决这些影响人类的全球问题。

此外，还有一些 ACM 会员也发表了自己的观点：

Gary Rector（美国）：

颁发两个图灵奖很糟糕，该奖项应当授予真正杰出的计算机科学家，别让它变得廉价。

Alexander Simonelis（加拿大）：

也许将所有其他 ACM 奖项都纳入授予图灵奖是个好主意，图灵奖可能更像奥斯卡，在大型典礼上按类别颁发。

Maurice van Swaaij（美国）：

我认为这个奖项目前还不是真正的国际化，应该朝这个方向努力。

如果图灵奖改革真的发生，或许谷歌要赞助的奖金要 double 一下了，当然，也可能引入其他的奖金赞助方。

关于此事，你怎么看呢？

参考链接：https://cacm.acm.org/magazines/2021/6/252828-time-for-two-annual-turing-awards/fulltext

入门ACM图灵奖

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

机器学习技术

机器学习是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。

来源：Mitchell, T. (1997). Machine Learning. McGraw Hill.

人工智能技术

在学术研究领域，人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体（intelligent agent）

来源：Russell, S., & Norvig, P. (2003). Artificial Intelligence: A Modern Approach.

数据库技术

数据库，简而言之可视为电子化的文件柜——存储电子文件的处所，用户可以对文件中的数据运行新增、截取、更新、删除等操作。所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

来源：维基百科