深度学习辛顿段子集：他远离江湖，江湖却充满他的传说

昨天，雷锋网介绍了人工智能（AI）领域深度学习的研究鼻祖杰夫·辛顿：《人类群星闪耀时 | 深度学习鼻祖杰夫·辛顿：没有他就没有今天的人工智能》。毫无疑问，他是学界公认的大牛，因为，江湖充满他的传说。比如，辛顿的学生、纽约大学教授燕乐存（Yann LeCun）就搜集了一筐关于辛顿的段子……

Yann LeCun同是人工智能的先驱，早在20世纪80年代末，LeCun就作为贝尔实验室的研究员开发出了卷积网络技术，并展示如何使用它来大幅度提高手写识别能力；目前美国许多手写支票依然是用他的方法在进行处理。上世纪末本世纪初，当神经网络失宠，LeCun是少数几名一直坚持研究的科学家之一。他于2003年成为纽约大学教授，并从此引领了深度学习的发展。如今，LeCun是Facebook人工智能负责人。

2012年1月，LeCun发了一条Google+（Google的社交网络应用），复制了当时辛顿和机器学习大牛Radford Neal之间的对话。当时， Radford正在2004年在CIfAR上发表演讲：

Radford Neal：我认为贝叶斯统计法并非所有情况下都是最好的方法……

杰夫·辛顿：很抱歉Radford，我对你说的这番话先验概率为0，所以我听不到你说什么。

（看不懂？可以先去了解一下贝叶斯统计中的先验概率论）

这么个性的回答，然而也只是辛顿段子人生的冰山一角：

杰夫·辛顿不需要构造隐藏单元 。当他开始处理时，它们会自己隐藏起来……

杰夫·辛顿不会不同意你的观点，他会对比性地表示分歧。

深度信念网络实际上深度信任杰夫·辛顿。

杰夫·辛顿发现了大脑是如何工作的。是的，过去的25年里他一年发现一次。

马尔科夫随机场（无向图模型）派的都将杰夫·辛顿视作桀骜不驯的老爷子。

如果你要对抗杰夫·辛顿，他会马上将你的信息熵（热力学函数）最大化，你的自由能（在某一个热力学过程中，系统减少的内能中可以转化为对外作功的部分）会在能量达到平衡之前消失。

杰夫·辛顿可以让你后悔到没有边界。

杰夫·辛顿不需要支持向量（机器学习在间隔区边缘的训练样本点），他自己的小指头都可以支持高维空间的超平面（一个支持向量机构造一个超平面）。

杰夫•辛顿一个鲜为人知的事实：他经常使用贝叶斯的先验概念。

遇到杰夫·辛顿后，支持向量都变得逻辑错乱。

杰夫•辛顿的概括是无穷无尽的。

唐诗宋词今段子，有段子的人生才是伟大的人生。