2021/09/02 17:05

小洲、蛋酱编辑

重磅 | LSTM之父Jürgen Schmidhuber将加入KAUST，担任人工智能计划负责人

官宣了！Jürgen Schmidhuber 教授将于 2021 年 10 月 1 日加入 KAUST。

近日，Twitter 上出现了一则消息：LSTM 之父 Jürgen Schmidhuber 加入 KAUST（阿卜杜拉国王科技大学）担任人工智能计划负责人。

作为 AI 领域的国际大牛，Jürgen Schmidhuber 加入 KAUST 的消息也引起了社区的关注。有 KAUST 的在读博士在 Twitter 上表示，极具 AI 经验的 Jürgen 加入 KAUST 非常合适，KAUST 也会为他提供非常好的环境来建立、发展研究实验室。

8月30日，KAUST官方正式宣布此消息：Jürgen Schmidhuber 将于 2021 年 10 月 1 日加入 KAUST。

KAUST 的官网称，他和配偶 Ulrike 都将加入 KAUST。

Schmidhuber 教授将与一些对 AI 有研究兴趣的现任 KAUST 教职员工合作，并将规划 AI Initiative 的研究重点，同时招募新教职员工、制定教学计划和创业活动，以及与沙特阿拉伯境内和全球重要的公共和私营机构合作。

虽然建立时间较短，但 KAUST 是一所知名的国际私立研究型大学。随着人工智能的火热，KAUST 在人工智能领域也做了极大的投入，并发起了 KAUST AI Initiative，致力成为人工智能研究、教育和创业领域的国际领导者。

据官网介绍，该计划旨在将 KAUST 的教师聚集在一起，开展一系列合作和跨学科项目，并开始在沙特阿拉伯和全球范围内开发教育、外展和参与机会。

研究领域包括但不限于：

AI 及 ML 基础（例如可解释和鲁棒的 AI、新的 AI 与 ML 模型）；
AI 及 ML 计算机系统和非传统架构；
通过利用校园中可用的独特数据，将 AI 应用于其他科学和工程领域；
用于智能健康应用的生物信息学和生命科学中的 AI；
自然语言处理，特别是阿拉伯语；
其他应用程序，如机器人和视觉计算。

LSTM 之父 Jürgen Schmidhuber

Jürgen Schmidhuber 是瑞士人工智能实验室 IDSIA 的科学事务主管，同时任教于卢加诺大学和瑞士南部应用科学与艺术学院。他于 1987 年和 1991 年在慕尼黑工业大学先后获得计算机科学的学士和博士学位。从 1991 年开始，他成为深度学习神经网络领域的开拓者。随后，他在 IDSIA 和慕尼黑工业大学的研究团队开发了一种递归神经网络，并率先在正式的国际性比赛中获胜。他获得的其他奖项还包括 2013 年国际神经网络协会的亥姆霍兹奖，以及 2016 年电气与电子工程师协会的神经网络先锋奖等。

为何说 Jürgen Schmidhuber 是一位重量级人工智能研究者？我们接下来从学术影响力以及带领的研究团队对其进行介绍。

我们使用 Semantic Scholar 生成了 Jürgen Schmidhuber 的学术影响力图，他与 Geoffrey Hinton、Yann LeCun、Yoshua Bengio 等人工智能领域内的顶级学者都有着极大的影响力关联。

据 Google scholar 显示，Jürgen Schmidhuber 的 h 论文引用量高达 13 万多，h-index 指数为 105。

在多项国际比赛上，Jürgen Schmidhuber 带领下的团队也有着惊人的成绩，在多个领域创造了第一。比如其「Deep Learners」是第一个赢得物体识别和图像分割竞赛的冠军，也创造了世界首个超常视觉分类成绩，在 9 项国际性的机器学习和模式识别领域获得冠军。

除此之外，Jürgen Schmidhuber 的博客是许多社区讨论的发源地，其他的争论还包括与 Ian Goodfellow 争辩 GAN 的归属、与 Hinton 隔空论战等。

Jürgen Schmidhuber 从来没有停止在自己的博客文章「质疑」学界权威。比如他曾发文质疑「反向传播并非 Hinton 原创」，认为现代反向传播是由 Linnainmaa 在 1970 年首先提出来的，之后 Rumelhart、Hinton 和 Williams 才在 1985 年提出，并且 Hinton 只是第二作者。此外，Ivakhnenko 的深度前馈网络（1965）早在 Hinton（1980 年代）之前就能够学习内部表征了，而且 Hinton 提出的网络深度不如前者。

ACM 将图灵奖授予「深度学习三巨头」之后，人们都在感叹「世界欠 Jürgen Schmidhuber 一个图灵奖」。关于此事，Schmidhuber 也在一篇博客文章中正式回应过，他引用了多达 200 多条文献来逐条反驳 ACM 给予「三巨头」的颁奖理由，认为他们给出的颁奖理由其实夸错了人。

正因为带有种种争议和故事，Jürgen Schmidhuber 的动态更加引入关注。

参考链接：https://cemse.kaust.edu.sa/ece/news/announce-appointment-professor-jurgen-schmidhuber?page=1

产业阿卜杜拉国王科技大学（KAUST）Jurgen Schmidhuber

来源：Goodfellow, I.个人页面

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.

图像分割技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。

来源：百度百科

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.

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度，其目的是进行资源的优化。常见的规划方法包括经典规划（Classical Planning）、分层任务网络（HTN）和 logistics 规划。

来源：机器之心

模式识别技术

模式识别（英语：Pattern recognition），就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

物体识别技术

计算机视觉领域的一个分支，研究物体的识别任务

自然语言处理技术

自然语言处理（英语：natural language processing，缩写作 NLP）是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言；自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

来源：维基百科