·迈克尔·乔丹教授是机器学习领域的先驱,通过在机器学习、概率学、统计学以及图模型这四者间建立联系,为机器学习奠定了数学与计算基础。他是真正将机器学习用于特定主题模型,如文本分析、图像分析的开创者之一。过去十年里,机器学习在诸多领域的应用得到爆炸式发展,如自动驾驶汽车、X光片分析、蛋白质折叠预测等,都离不开基于乔丹研究所塑造的理论框架。

9月29日,2022年第一届世界顶尖科学家协会奖(以下简称“顶科协奖”,WLA Prize)在上海揭晓。其中“智能科学或数学奖”被授予美国计算机科学与统计学家迈克尔·I·乔丹(Michael I. Jordan),以表彰他“对机器学习的理论基础及其应用作出了根本性贡献”。每位获奖者获得奖金1000万元人民币。

大数据分析高效课堂(首届顶科协奖解读)(1)

美国加州大学伯克利分校电子工程与计算机科学系、统计学系杰出冠名教授迈克尔·I·乔丹。

迈克尔·I·乔丹出生于1956年,是美国国家科学院院士、美国国家工程院院士和美国艺术与科学院院士,现任加州大学伯克利分校电子工程与计算机科学系、统计学系杰出冠名教授。主要研究方向为人工智能、生物系统与计算生物学、控制、智能系统和机器人、信号处理、机器学习等。

“迈克尔·乔丹教授是机器学习领域的先驱,通过在机器学习、概率学、统计学以及图模型这四者间建立联系,为机器学习奠定了数学与计算基础。这些领域的相互联系,不仅有助于促进机器学习领域的研究和发展,同时还提升了相关领域研究工作的质量和数量。”顶科协奖“智能科学或数学奖”遴选委员主席、2017年图灵奖得主约翰·轩尼诗(John Hennessy)教授介绍。

机器学习是人工智能的基石,乔丹在机器学习领域工作了近30年,是真正将机器学习用于特定主题模型,如文本分析、图像分析的开创者之一。过去的十年里,机器学习在诸多领域的应用得到爆炸式发展,如自动驾驶汽车、X光片分析、蛋白质折叠预测等,都离不开基于乔丹研究所塑造的理论框架。

“机器学习是人工智能和数据科学的核心技术之一,计算机科学、统计学、数学优化等多学科交叉融合为机器学习提供了坚实的基础。迈克尔·欧文·乔丹(Michael Irwin Jordan)指出了机器学习与统计学的深刻联系,并长期致力于推动两个学科的深度交叉融合。”清华大学长聘副教授龙明盛对澎湃新闻(www.thepaper.cn)表示。2014年,龙明盛在清华大学王建民教授的指导下获得博士学位后,即到加州大学伯克利分校师从乔丹院士从事博士后研究工作。

IEEE高级会员、河海大学教授、物联网工程研究所所长韩光洁博士对澎湃新闻表示:“迈克尔·I·乔丹教授是人工智能与机器学习领域的开创者与领路人,其在专业领域的贡献不言而喻,更培养出多位领域风向标级的专家学者。尤其值得尊敬和赞誉的是,相较于产业赋能带来的资本收益,乔丹教授更为关注数据驱动方法对民生的改善。”

从心理学到统计学、认知科学

1978年,乔丹完成路易斯安那州立大学心理学学士学位,决定努力成为一名数学心理学家,并开始在亚利桑那州立大学攻读数学和统计学硕士学位。然而,乔丹很快意识到他不想只是为了分析数据而学习统计学,还想为了建立新模型并探索统计推断与人类思维的关系。

硕士毕业,乔丹与加州大学圣地亚哥分校的一些教师会面后发现了认知科学的新兴领域,“我有一种啊哈的体验。在那个时代,这是一个新领域,它实际上是关于将数学和科学应用于人类思考方式的问题,这启发了我。”

此后不久,乔丹师从美国国家科学院院士、心理学和认知科学教授大卫·鲁梅尔哈特(David E.Rumelhart),攻读认知科学博士学位。

那时候鲁梅尔哈特正专注于两个话题:一个是神经网络的新兴领域,并涉及制作类脑计算的数学模型,以更好地理解人类的推理、决策、记忆和语言使用。另一个研究领域涉及制作人体运动模型,以更好地了解人类用来移动四肢的潜在神经控制系统。

乔丹最初的重点是后一个主题,“我对控制理论很感兴趣,因为我试图了解人类如何做出动作,如果他们做出不正确的动作,他们将如何调整自己的动作,以及人类如何学习移动以操纵世界上的物体。”控制理论基于构建被控制的动态系统的模型,使用乔丹已经熟悉的统计建模思想。然后,他使用优化理论从模型中提取实现预期目标所需的适当控制信号。“在我转向运动控制以外的其他主题很久之后,这种统计数据和优化的结合继续成为我工作的特点。”他说。

在乔丹的博士生涯即将结束时,他开始觉得有必要回到推理和决策方面更广泛的问题上,并感觉到他的统计和控制理论观点需要通过计算机科学提供的算法观点来增强。因此,在1985年完成认知科学博士学位后,乔丹前往马萨诸塞大学担任人工智能领域的博士后研究员。

如何看待人工智能的应用

“当我开始从事人工智能工作时,似乎有很多关于推理的工作,但没有太多关于学习的工作。”乔丹回忆道,“我的一个想法是推理和学习可以互相帮助,所以你不必学习你能推理的东西,学习可以避免做复杂的推理。这是减少不确定性的同一枚硬币的两面。因此,随着时间的推移,我试图越来越多地关注学习算法,而不仅仅是人类如何学习,还有机器如何学习。”

博士后的研究工作结束后,乔丹在麻省理工学院工作了十年,从助理教授晋升到麻省理工学院脑与认知科学系的终身职位。1998年,他加入加州大学伯克利分校任教,担任电子工程与计算机系和统计学系教授、实时智能决策计算平台实验室(RISELab)共同主任、统计人工智能实验室(SAIL)主任、统计系系主任。

乔丹自称是位统计学家,对于机器学习领域的研究,他曾在一次采访中表示,“他们认为统计学过时了,无关紧要。但我投入了数十年的时间研究缺失变量模型、因果推断、不确定性量化、高维回归和稀疏等问题。这些课题后来都流行了起来,由机器学习研究者发扬光大。”

对于人工智能技术落地应用的问题,乔丹曾直言,人工智能技术并不是放之四海皆准的,需要针对不同的场景、约束条件、数据量、数据类型、目标等情况进行设计。我们不能简单粗暴地应用技术,需要更加了解要解决的问题本身,有的放矢。

“我们要学会跳出学术界,始终记得自己不仅仅是数学家,也是现实社会中涌现出的现实问题的解决者。我们可能要构建预测、分配、经济、交通、商业、法律、娱乐等领域的系统,解决其中的优化、经济、计算、平台等问题。”乔丹说。

乔丹认为,研究者们需要考虑自己终生追求的事业,但也需要明白:你不可能只做一件事情。“在我的生涯中,至少花费了30%的时间学习新事物,它们可能在未来与我有关。我看过很多视频,甚至读过一些有趣的本科生水平的书籍。我并不期望它们能立刻让我产生研究思路。可能过了5年、10年,我才会看到它们与我现在思考问题的联系。”

北大斯坦福校友、现宾夕法尼亚大学的苏炜杰教授对乔丹印象最深刻的是他学习新领域新思想的巨大热忱。今年66岁的乔丹,还保持着睡前阅读其他学科专著的习惯,近几年的重点是经济学专著。苏炜杰提到,机器学习的发展离不开来自应用数学、统计学、神经科学和经济学等学科方法和思想的注入。乔丹对这些传统学科和新兴交叉领域有着多年的思想积累和沉淀,这就不难解释为什么他能长期引领着机器学习的发展。

混合专家模型、贝叶斯网络

回顾乔丹的职业生涯,他的突出贡献在于成功连接了计算机科学和统计学这两个学科,包括统计推理和学习的变分方法、基于图模型和贝叶斯非参数化的推理方法,以及统计风险和计算复杂性之间的权衡特征。

乔丹也涉猎优化和机器学习的交叉领域,因开发了基于梯度的优化和抽样的连续时间模型,以及用于优化的分布式系统上的工作而闻名。

乔丹还构建了机器学习和控制理论间的关联研究,为强化学习理论、基于学习的模型预测控制和人类运动控制的最优化原理做出了贡献。

乔丹还率先将微观经济概念与机器学习相结合,开发了激励学习者分享数据的学习方法,并展示了如何将契约理论用于统计推理,为基于学习的匹配市场研究做出卓越贡献。他同时致力于推动机器学习在单分子成像、蛋白质建模、基因重组建模和自然语言处理等高影响力领域的应用。

“乔丹的研究有一个很大的特点,即具备非常严格的数学基础。”龙明盛对澎湃新闻(www.thepaper.cn)说到。他早期将循环神经网络发展为一个认知模型,还提出了混合专家模型,后者迄今已被广泛应用于神经网络基础模型的结构设计。但统计学风格占据了他后来研究工作的主导。他推动了贝叶斯网络、概率图模型和期望最大化算法在机器学习领域的流行,形式化了概率近似推理的变分方法并构建其理论基础。

“近年来,他的研究转移到一些公众知晓度不高,但是却非常重要的方向,比如数学优化中的主要理论问题,为当前主流优化算法奠定了基础。”龙明盛说。

同时,乔丹对计算机科学的贡献也体现在教育方面。他指导了80多名博士生和60多名博士后研究人员,这一群体目前活跃在世界领先的学术机构,带领行业向前发展。

对于乔丹的指导风格,龙明盛的第一印象就是高屋建瓴。“乔丹实验室的研讨会是别具一格的,可能听懂都不容易。他们不会去讨论一些现在流行和时髦的东西,而是会去深入探讨一些很基本的问题,这些问题的价值可能会在多年后才被证明。比如当时我在乔丹实验室的时候,大家一个学期学习了4本经典著作,包括高维统计学、大规模因果推断等,这无疑为实验室同学们打下了非常重要的理论基础。”

第二点是入木三分,对我们讨论起来的任何一个问题他都能迅速抓住其关键点,让人不免好奇他脑袋中的知识海洋的宽度和深度。

第三点是亲力亲为,在科研的关键环节乔丹从不会缺位,比如一个研究工作的概念论证、基本数学模型建立等。“我在伯克利发表的第一篇论文是关于迁移学习的基础算法,在实验室前往圣克鲁兹开展Summer Retreat的两天时间里,乔丹在LaTeX源文上非常细致地修改,大到基本概念,小到遣词造句,在Chaminade Resort海边的上千处改动至今仍让人记忆犹新。”

获得顶科协奖的意义

在获得顶科协奖之前,乔丹曾获IEEE约翰· 冯·诺依曼奖章(2020)、国际人工智能联合会议卓越研究奖(IJCAI)(2016)、鲁梅尔哈特(David E.Rumelhart)奖(2015),以及ACM/AAAI艾伦·纽厄尔奖(2009)等。2016年,他被Semantic Scholar评为计算机科学领域最具影响力学者,同年《科学》的报道称他是世界上最有影响力的计算机科学家之一。

乔丹此次获颁的顶科协奖“智能科学或数学奖”,旨在尽力挖掘那些尚未获得图灵奖或阿贝尔奖等最高奖项的候选人。

“与一些历史悠久的传统科学领域相比,计算机科学是一个相对新兴的领域,还没有得到国际最高奖项的认可,因为这些大奖本身的历史比计算机科学技术要久远得多。”约翰·轩尼诗教授表示,顶科协奖“智能科学或数学奖”的设立旨在宣传一系列对我们的未来至关重要但可能还没有得到大奖认可的科技领域,以此促进相关技术的发展,同时希望更多年轻人了解这个领域有多么广泛,并且有很多人正在这个领域从事着伟大的工作。

顶科协奖是由世界顶尖科学家协会发起,世界顶尖科学家发展基金会承办,红杉中国独家捐赠的国际性科学大奖,于2021年11月1日在第四届世界顶尖科学家论坛上正式宣布创设。

顶科协奖每年颁发一次,目前设立了“智能科学或数学奖”“生命科学或医学奖”两个单项奖,单项奖金金额为1000万元人民币,跻身全球奖励金额最高的科学奖项之列,同个奖项最多可由4名获奖者共同获奖并分享。

首届顶科协奖获得者迈克尔·I·乔丹(Michael I. Jordan)简介:

教育经历:

1978年 路易斯安那州立大学 心理学学士

1980年 亚利桑那州立大学 数学硕士

1985年 加州大学圣地亚哥分校 认知科学博士

工作经历:

1986-1988年,马萨诸塞大学计算机和信息科学系 博士后研究员

1988-1998年,麻省理工学院脑与认知科学系 助理教授、副教授、教授

1998年至今,加州大学伯克利分校电子工程和计算机科学系、统计系 教授

2015-2017年,加州大学伯克利分校统计系 主任

2017年至今,加州大学工业工程与运筹学系 教授

2018年至今,北京大学 名誉教授

2019年至今,清华大学 名誉教授

主要奖项和荣誉:

2004年,国际数理统计学会勋章讲座讲师

2009年,ACM/AAAI艾伦·纽厄尔奖(美国计算机协会ACM、美国人工智能促进会AAAI )

2010年,美国国家科学院院士

2010年,美国国家工程院院士

2011年,美国艺术与科学院院士

2011年,国际数理统计学会奈曼讲座

2015年,鲁梅尔哈特奖(国际认知科学学会CSS)

2016年,国际人工智能联合会议卓越研究奖(IJCAI)

2020年,约翰·冯·诺依曼奖(电气与电子工程师协会IEEE)

2021年,米切尔奖(国际贝叶斯分析学会,ISBA)

2021年,乌尔夫·格林纳德随机理论与建模奖(美国数学会, AMS)

2022年,国际数理统计学会首届格雷丝·沃赫拜讲座讲师

,