发明LSTM的大神Jürgen Schmidhuber和图灵三剑客在学术界的恩怨情仇是众所周知的事情了。2015年的时候，在Hinton、Bengio、LeCun还未获得图灵奖之前，Jürgen就曾发文炮轰三位大神联合发表于Nature的综述文章“Deep Learning”。列出了九条理由指责三巨头没有足够尊重前人的成果，没有提及深度学习之父、没有引用远古的BP思想等一些研究成果。
近日，Jürgen再发博客批评2019年的本田奖颁给Hinton，博客主题是“停止把奖项颁给错误的人”，针对Hinton获奖的六条理由，给出了六条批评意见。Jürgen首先承认了Hinton在人工神经网络和深度学习方面做出了重大贡献，但批评本田奖的颁奖词把他人的根本发明归功于Hinton。
整篇博客围绕“Hinton白嫖了前人以及我的工作贡献，却只字未提”论点，以公开发表的论文以及新闻稿为论据，有理有据地展开了论证工作。
1、本田奖：Hinton博士让深度学习广泛应用，包括创造了反向传播方法。Jürgen：Hinton和他同事确实对深度学习做出了某些重大贡献，例如波尔兹曼机、胶囊网络等技术，但是将反向传播归功于他完全错误。
且不说1985年那篇“反向传播”文章中，Hinton只是第二作者，而在这篇文章三年之前，将此方法用于神经网络的训练的思想就由Paul Werbos提出。另外，1965年，Ivakhnenko和Lapa提出了第一个通用的、适用于任意多层的深层多层感知器的有效学习算法。Ivakhnenko在1971年的论文已经描述了一个有8层的深度学习前馈网络，比1985年Hinton工作的要深得多。
这些奠基性的工作，Hinton近几年一嘴都没提过。
2、本田奖：2002年，Hinton提出了限制性波尔兹曼机器（RBM）的快速学习算法，此类方法让深度学习更加强大，也导致了目前的深度学习革命。Jürgen：Hinton的神经网络无监督的预训与当前的深度学习革命无关。而且，他的深度前馈神经网络是我1991年类似工作的翻版。Hinton在2006年的那份工作也和我使用的被称为神经历史压缩器类似。
1993年我的方法已经能够解决先前一些无法解决的“非常深度学习”任务，然后，我们用更好的，纯监督的LSTM代替了历史压缩器（history compressor）。所以说，我的实验室曾两次率先从无监督的转变监督学习，主导了2010年代初的深度学习革命。
3、本田奖：2009年，Hinton博士和他的两个学生利用多层神经网，在语音识别方面取得了重大突破，直接导致了语音识别能力的大幅提升。
Jürgen：这太扯了，最棒的端到端神经语音识别器是基于我的两个方法：1.长期短期记忆；2.连接主义时序分类算法。在2017年的时候，我们的团队就成功地将时序分类算法（CTC）训练的LSTM应用于语音。到2015年时候，CTC-LSTM大大改善了Google的语音识别技术。几乎所有的智能手机都支持这种功能。Google的2019年设备语音识别（2019年不再在服务器上）仍基于LSTM。
4、本田奖：2012年，Hinton博士和另外两名学生的工作彻底改变了计算机视觉。Jürgen：Hinton的团队成功主要归功于用于加速CNN的GPU。2011年的时候，我在瑞士的团队就做出了基于GPU的CNN，称作DanNet的网络实际上是第一个突破，他比早期网络更加深，而且当时它就表明：深度学习的效果远远好于现有的最先进的图像识别对象。
DanNet在2011年硅谷的IJCNN大会上大放异彩的成绩就充分说明了这一点。如今IBM、西门子、谷歌和许多初创公司都在用这种方法。现代计算机视觉的大部分工作都是我2011年的延伸。
5、本田奖：Hinton发明了“dropout”。Jürgen：“dropout”实际上是Hanson早先的随机Delta规则的一种变体。Hinton在2012年发表的论文并未引用这一点。此外，我们已经在2011年证明，dropout对于赢得计算机视觉竞赛并获得超过人类的成绩并不是必要的，唯一真正重要的任务是使CNN在GPU上更深、更快。
6、本田奖：Hinton的贡献史无前例、不可或缺。
Jürgen：我才是！当前在计算机视觉、语音识别、语言处理、手写识别、机器人技术、游戏、医疗影像等领域产出的应用，其中2~6都依赖于我们的LSTM。这篇批判文章，距离本田奖的颁发已经有半年之久，经过这么长时间的准备，Schmidhuber用近百篇参考文献证明，本田奖颁给Hinton就是个错误。
Schmidhuber认为：Hinton最引人注目的工作是推广了其他人创造的方法，而且从来没有在论文中提到来源。本田应该纠正这一点，不应该把不属于他的原创工作归结到他的身上，也不该让企业公关行为扭曲了科学事实。此文一出迅速在reddit上面引起广泛讨论，批评支持皆有，但批评居多。大家都在说，发明人或许很重要，但是最重要的人是传播者，Hinton获得多类奖项合情合理。
Jürgen很棒，但是没有三巨头，我们不会用BP来训练神经网络。BP在数学上很普通，重要的是，Hinton将它引入了神经网络！我们应该把奖颁给实际改变世界的人，而不是仅仅第一个发明或者发现事物的人！还有人提出疑问：那么我该在论文中引用Schmidhuber和Hinton么？Schmidhuber：整个学术界都想遗忘的大神。
在2019年，在图灵奖颁发给深度学习三巨头：Yoshua Bengio、Geoffrey Hinton、Yann LeCun的时候，有不少人质疑为什么奖项不颁发给Schmidhuber，若单论贡献Schmidhuber也是深度学习先驱者，他发明的LSTM对学术界和工业界的影响不亚于获图灵奖的某个人。国内著名学者周志华认为LSTM是教科书级的贡献。
做为瑞士Dalle Molle人工智能研究所的联合主任，除了在1997年提出LSTM之外，他还在1992年提出的一种PM（Predictability Minimization）模型，或者或为GAN的变种。2011年Jürgen Schmidhuber还与他的博士后学生在GPU上实现CNN(卷积神经网络)的显著加速，现在这种方法已经成为计算机视觉领域的核心。
而在谷歌学术上，Schmidhuber的LSTM就已经超越反向传播，登顶20世纪AI论文高引第一名。如此优秀的学者，在学界总是充满争议，是因为他的研究总是和其他人的研究莫名撞车，不光和图灵奖三剑客有过纠纷，还曾跟Ian Goodfellow争吵过GAN到底算谁的。《硅谷钢铁侠》的作者在2018年5月写过一篇Jürgen Schmidhuber的特稿，题目是《这个人是AI圈想要忘记的教父》。
这篇文章提到，在大多数学术界之外，Schmidhuber仍然很不为人知。主要是因为学术圈里的同伴不喜欢他，不少同行评价他自私、狡猾，给人带来痛苦。由于Schmidhuber频繁在学术期刊和会议上怼研究人员，打断他人演讲要求同行承认他们借用甚至窃取了他的想法，后来业内创造了一个动词”Schmidhubered“，谁被别人攻击了就可以用Schmidhubered。
LeCun也曾在一封email回复中写道：“Jürgen对众人的认可过于痴迷，总是说自己没有得到应得的很多东西。几乎是惯性地，他总是在别人每次讲话结束时都要站起来，说刚刚提出的成果有他的功劳，大体上看，这种行为并不合理。”奖项是否能够代表贡献？我们顺着LeCun的回复思考，痴迷于众人的认可是否重要？或者说奖项是否能够代表贡献？这个回答从历史的角度来看似乎能够说句“是”。
学过微积分的都知道，有个基本定理称为牛顿-莱布尼茨公式，牛顿和莱布尼兹在谁是微积的创立者上，二人曾争论不休。鉴于当时牛顿皇家学会社会地位，如果莱布尼茨不拿出命来争，恐怕这个定理会被改名为牛顿公式，那么他的贡献也会被埋没。定理的命名何不看做是一种奖项？能够让自己的工作得到别人的认可，知道自己研究能够带给别人帮助是顶尖科学家毕生的追求。
如果奖项不本着公平、公正的态度，如果奖项的评选让资本、势力来干预，那会寒了做科研人的心。这种资本操控技术认可的例子在科学历史上不是没有发生过，例如还是青年的特斯拉就因为资本的势力被爱迪生将27项专利转入爱迪生通用公司。获得资本加持的爱迪生如今还在小学教科书上表现为一生拥有2000多项发明、1000多项专利，一天不申请专利就浑身难受的发明狂人。
事实上，爱迪生一生发明无数，但不少都是其公司工程师研究出来的，然后强行以他的名字申请专利。他抢先注册了不少别人的专利，从而构建了专利网络来打压对手。而特斯拉晚年凄凉、穷困潦倒，最终死在了纽约一旅馆3327房间，并留下一大笔债务未还。所以，强者愈强，弱者愈弱的马太效应在学界上也适用，如果在学术上能够获得非常多的奖项，那么更多的奖项也会随之而来，也会有更多的话语权。
LSTM的发明人Schmidhuber的处境或许没有莱布尼兹和特斯拉那么困顿，那种声嘶力竭要求认可，要求有更多的“奖项”，要求在论文中尊重原创者的做法非常相似。