杨立昆在贝尔实验室做了什么？一张支票识别系统

AI 视觉技术第一次在真实业务里稳定运转，公开记录里最常被引用的案例发生在贝尔实验室：杨立昆带着卷积神经网络，把美国银行支票上的手写数字识别做成了实际运行的系统。这段从 1988 年前后的邮政编码实验到九十年代末支票识别系统的十年工程，是卷积网络走出论文、进入业务的第一条完整路线，本文只按公开论文与公开履历梳理。

从反向传播到霍姆德尔

杨立昆在八十年代中期完成博士学业，公开论文里最重要的一环是与辛顿等人合作的反向传播工作——1986 年那篇《自然》论文让多层网络有了可行的训练算法。1988 年，他加入新泽西州霍姆德尔的贝尔实验室，公开论文序列显示，他在这里很快把反向传播用到了手写数字上：1989 年发表的论文用美国邮政服务的公开数据训练卷积网络识别邮政编码，被后来的文献普遍视为卷积神经网络第一次实用的公开记录。算法合作线的另一端，见辛顿为什么被称为深度学习教父？四十年的坚持一篇。

卷积结构为什么适合读数字

卷积网络的设计思想在公开文献里有清楚的谱系：福岛邦彦 1980 年提出的新认知机，用「感受野逐层抽象」的方式处理视觉信号，是这条线最早的公开论文，见福岛邦彦是谁？卷积网络最早提出者一篇。杨立昆的贡献在于把这套结构接上反向传播，让权重靠样本自动学出来：卷积层扫过图像找局部模式，池化层把位置的小幅偏移吸收掉，网络对笔画的位置变化不敏感，恰好匹配手写数字「形态各异但结构稳定」的特点。数字识别需要的正是这种认结构不认位置的判断。

一张支票的十年工程

从 1989 年的邮政编码论文到九十年代末，贝尔实验室的团队把 LeNet 系列一版一版迭代下去，1998 年发表的《基于梯度学习的文档识别》把 LeNet-5 的设计系统整理成公开文献。应用落地的公开记录集中在两类：一是银行支票上的手写金额与数字识别，公开资料常引用的口径是九十年代末这套系统处理了全美相当大比例的支票，具体数字各家转述不一，以公开报道为准；二是自动柜员机上的数字识别。学界演示与业务系统之间的距离，这十年走完了一个完整来回。

支票机之后的位置

把这段经历放进时间线看：卷积网络在九十年代解决了窄领域的识别问题，但当时的网络规模与数据量撑不起更宽的任务，这条路要等 ImageNet 竞赛出现才迎来转折，2012 年 AlexNet 用同一种结构拿下冠军，见ImageNet 竞赛怎么改变 AI？一次数据集的胜利一篇。杨立昆本人的公开履历此后还有 2003 年加入纽约大学、2013 年牵头 Facebook 人工智能研究团队等节点，2018 年与辛顿、本吉奥同获图灵奖，完整梳理见杨立昆的贡献是什么？卷积网络三十年的事实性梳理一篇。

贝尔实验室节点速查

• 1986 年：反向传播论文登上《自然》
• 1988 年：杨立昆加入新泽西州霍姆德尔的贝尔实验室
• 1989 年：公开论文用卷积网络识别手写邮政编码
• 1990 年代：LeNet 系列迭代，支票与柜员机数字识别投入运行
• 1998 年：LeNet-5 论文发表，设计系统化公开
• 2018 年：图灵奖三人名单公布（公开记录）

与今天的关联：你用豆包识别照片里的植物、用腾讯元宝扫描票据提取数字，背后视觉模型的骨架仍是卷积网络当年确立的那几样构件——局部感受、权重共享、逐层抽象；今天的大模型处理多模态 token时，图像同样先被切成小块再交给网络，思路一脉相承。支票机留下的另一条经验是评估习惯：识别准不准，最终看业务里的错误率，这个朴素标准放到今天依然适用——判断一个模型好不好，让它跑几轮你自己的任务，比只看榜单更可靠。

再多说几句杨立昆

• 支票识别系统真的在银行用了吗？：公开资料与多篇回顾文献的口径一致，九十年代末基于 LeNet 的数字识别系统进入银行支票处理流程，被引用较多的说法覆盖全美相当比例的支票，具体数字以公开报道为准。
• LeNet 和今天的卷积网络差别大吗？：基本构件相同，都是卷积加池化再加分类层；差别在规模、数据量与训练技巧，2012 年之后这些条件全面升级，同一结构释放出远超当年的能力。
• 为什么这段经历常被单独讲？：它是神经网络方法第一次在真实业务里大规模长期运行的公开案例，比任何演示都更有说服力，也是后来工业界愿意投入深度学习的重要参照。