这是一张在人工智能领域，尤其是深度神经网络领域经常使用的图，表明在ILSVRC图像识别大赛中，不同年代的最佳算法的性能，以误差率的大小来表示，越小越好。ILSVRC(ImageNet Large Scale Visual Recognition Challenge)是近年来计算机视觉和图像识别领域最热门和最权威的挑战赛之一，代表了图像识别领域的最高水平，吸引了无数人工智能研究者的参与，影响力很大，可以说“引无数专家竞折腰”。
ImageNet数据集是ILSVRC竞赛使用的是数据集，由斯坦福大学华裔女科学家李飞飞教授等人发起，包含了超过1400万张全尺寸的有标记图片，包括2万多个类别。每年的ILSVRC比赛，组织者从ImageNet数据集中抽出部分样本给参赛方使用。以2012年为例，比赛的训练集包含1281167张图片，验证集包含50000张图片，测试集为100000张图片。
在上图中，我们可以清楚看到，2010年和2011年的最佳算法都采用的是浅层模型，误差分别为28.2%和25.8%。图像识别专家们经过1年的辛苦努力，才把误差降低了1.4%，实在是微不足道。2012年的AlexNet网络是个标志性事件。Hinton教授和他的学生Alex等人用8层深度神经网络AlexNet,将误差降低到16.4%。与前一年相比，误差比前一年降低了9.4%，下降非常明显。在此之后，各国科学家们在此网络的基础上不断改进，网络层数不断增加，优化技术也更加先进，图像识别误差逐步下降。
2015年，几个中国科学家发明了152层网络ResNet，居然将误差下降到3.57%，性能远超AlexNet, 夺得当年大赛的冠军。该网络的错误率率甚至低于人类专家，引起了广泛关注，也是我们华人人工智能研究的骄傲和标杆。此后的2017年，举办多年的ImageNet大赛停办了，因为在图像识别问题上，ResNet已经超过人类智能，并且也没有什么改进空间了。
2019年，美国计算机学会ACM评选图灵奖，没有将图灵奖发给发明性能最佳网络ResNet的几名中国科学家，而是把图灵奖颁发给了性能最差的深度神经网络AlexNet的发明人Hinton教授等人。这不经意间揭示了图灵奖的奥秘：尊重原创、重视首创、表彰开创。
首创也就是原创，未必是最佳，也未必是最优，但它一定是开创性的。我们人工智能研究工作绝大部分都是：1)证明图灵奖的思路是正确的，是能解决很多同类问题，2)改进图灵奖的思路，使得他们的性能更提高;3)拓展图灵奖的思路，使之应用更广泛。尽管很多研究成果的效果已经远胜于图灵奖当年的原创性论文，但就是离图灵奖越来越远。据说Hinton教授等人坚持搞深度神经网络，已经坐了30年的冷板凳，终于“守得云开见月明”，功夫不负有心人啊。真心希望我们有一批愿意坐冷板凳，做冷门问题和冷门方向的科学家。他们能“咬定青山不放松，立根原在破岩中”，直到把冷板凳做热，冷门变成热门，引领世界科技的发展。
