之前在《通向AGI之路｜人工智能史上最重磅的19篇论文，系统展示AI如何从象牙塔走进生活！》一文里，用19篇论文，串联了人工智能近15年历史上的重大突破。

我把这些论文的作者们——来自不同AI领域、几大研究派系的那些熠熠生辉的名字，作了详细的统计、分类。

今天为大家特别介绍一下，在世界范围内，这50位最有学术成果、行业影响的AI科学家——

他们有的来自斯坦福、MIT等高校，有的是OpenAI等公司的首席科学家，也有来自中国、日本、耶路撒冷……

我们今天看到的一切AI应用，背后都有他们的影子。

除了“明星产品”、“超级创始人”的故事，除了那些让人眼花缭乱的酷炫AI效果，有一些更冷静的名字，数十年如一日，悄悄写就了我们今天的精彩。

他们的名字，值得被看见……

以下是50位AI科学家的具体介绍????

（没有严格的排名，按照不同分类，也用表格做了集合）

When the Human Stars Shine --By Frank with Midjourney

1. Geoffrey Hinton

• 机构：多伦多大学/谷歌
• 职位：计算机科学教授/谷歌工程研究员
• 代表作：Learning Representations by Back-Propagating Errors（1986）
• 贡献：Hinton是神经网络和深度学习领域的开拓者，其研究推动了现代深度学习技术的发展，被誉为“深度学习之父”。他的工作使得深度神经网络在语音和图像识别等领域得到广泛应用。
• 
  

2. Yann LeCun

• 机构：纽约大学/Meta AI实验室
• 职位：计算机科学教授/Meta首席AI科学家
• 代表作：Gradient-based Learning Applied to Document Recognition（1998）
• 贡献：LeCun是卷积神经网络的发明者之一，他的研究对图像和语音识别技术的发展起到了关键作用。LeCun还开发了LeNet-5，这是第一个被广泛用于手写数字识别的卷积神经网络。
• 
  

3. Yoshua Bengio

• 机构：蒙特利尔大学
• 职位：计算机科学教授/蒙特利尔学习算法研究所（MILA）科学总监
• 代表作：Deep Learning（2016）
• 贡献：Bengio是深度学习领域的先驱之一，特别是在深度神经网络的训练和优化方面。他的研究在自然语言处理和生成模型领域产生了重大影响。
• 
  

4. Andrew Ng

• 机构：斯坦福大学/DeepLearning.AI
• 职位：计算机科学教授/DeepLearning.AI联合创始人
• 代表作：Building High-level Features Using Large Scale Unsupervised Learning（2012）
• 贡献：Ng在机器学习领域的贡献包括开发大规模无监督学习算法，并推动了AI技术在自动驾驶和机器人等领域的应用。
• 
  

5. Stuart Russell

• 机构：加州大学伯克利分校
• 职位：计算机科学教授
• 代表作：Artificial Intelligence: A Modern Approach（1995）
• 贡献：Russell在AI伦理和安全领域的研究为AI系统的设计和控制提供了重要的理论基础，他的工作对于确保AI技术的安全和可控性至关重要。
• 
  

6. Demis Hassabis

• 机构：DeepMind
• 职位：首席执行官
• 代表作：Human-level control through deep reinforcement learning（2015）
• 贡献：Hassabis在深度强化学习和游戏AI方面的研究取得了重大突破，尤其是在AlphaGo项目中的贡献，使其成为人工智能领域的先锋人物。
• 
  

7. Fei-Fei Li

• 机构：斯坦福大学
• 职位：计算机科学教授/斯坦福人工智能实验室联合主任
• 代表作：ImageNet: A Large-Scale Hierarchical Image Database（2009）
• 贡献：Li主导的ImageNet项目为深度学习在图像识别领域的应用提供了重要的数据基础，推动了计算机视觉技术的发展。
• 
  

8. Pieter Abbeel

• 机构：加州大学伯克利分校
• 职位：电气工程和计算机科学教授
• 代表作：End-to-End Training of Deep Visuomotor Policies（2016）
• 贡献：Abbeel在机器人技术和强化学习的交叉领域作出了重要贡献，尤其是在自主机器人系统的开发方面。
• 
  

9. Ian Goodfellow

• 机构：DeepMind
• 职位：研究科学家
• 代表作：Generative Adversarial Networks（2014）
• 贡献：Goodfellow因发明生成对抗网络（GAN）而闻名，这种模型在图像生成、风格迁移和数据增强等领域有着广泛的应用。
• 
  

10. Michael I. Jordan

• 机构：加州大学伯克利分校
• 职位：电气工程和计算机科学教授
• 代表作：Hierarchical Mixtures of Experts and the EM Algorithm（1994）
• 贡献：Jordan是贝叶斯网络和概率图模型方面的专家，他的研究对机器学习理论和算法的发展有着深远的影响。
• 
  

11. Ruslan Salakhutdinov

• 机构：卡内基梅隆大学
• 职位：计算机科学教授
• 代表作：Learning with Hierarchical-Deep Models（2013）
• 贡献：Salakhutdinov的研究主要集中在深度学习和概率模型，其在特征学习和大规模数据分析方面取得了重要成果。
• 
  

12. Sergey Levine

• 机构：加州大学伯克利分校
• 职位：电气工程和计算机科学助理教授
• 代表作：End-to-End Training of Deep Visuomotor Policies（2016）
• 贡献：Levine在深度强化学习与机器人技术的结合上作出了重要贡献，推动了机器人自主学习技术的发展。
• 
  

13. David Silver

• 机构：DeepMind
• 职位：研究科学家
• 代表作：Mastering the Game of Go with Deep Neural Networks and Tree Search（2016）
• 贡献：Silver是AlphaGo项目的核心研究人员之一，其研究展示了深度学习和强化学习在复杂游戏策略中的潜力。
• 
  

14. Thomas G. Dietterich

• 机构：俄勒冈州立大学
• 职位：计算机科学荣誉教授
• 代表作：Solving the Multiple-Instance Problem with Axis-Parallel Rectangles（1997）
• 贡献：Dietterich在机器学习和人工智能应用方面的研究推动了算法设计和系统实现的新方法。
• 
  

15. Jürgen Schmidhuber

• 机构：IDSIA
• 职位：科学总监
• 代表作：A Neural Network that Continually Evolves（1997）
• 贡献：Schmidhuber的研究集中在递归神经网络和元学习，他的工作为AI的自适应学习和进化算法开辟了新路径。
• 
  

16. Shivon Zilis

• 机构：OpenAI
• 职位：项目主管
• 代表作：Mapping Machine Intelligence（2016）
• 贡献：Zilis在AI政策和战略规划方面的工作推动了AI技术的规范化和应用推广。
• 
  

17. Gary Marcus

• 机构：纽约大学
• 职位：心理学和神经科学教授
• 代表作：Rebooting AI: Building Artificial Intelligence We Can Trust（2019）
• 贡献：Marcus对AI伦理和认知科学的研究提供了新的视角，强调了AI系统的可解释性和透明性的重要性。
• 
  

18. Rana el Kaliouby

• 机构：MIT Media Lab
• 职位：客座教授
• 代表作：Emotion Recognition Using Facial Expressions（2011）
• 贡献：el Kaliouby在情感识别和计算机视觉领域的研究为人机交互技术的发展提供了重要支撑，促进了情感计算技术的应用。
• 
  

19. Regina Barzilay

• 机构：麻省理工学院
• 职位：计算机科学教授
• 代表作：Toward Optimal Information Delivery to Mammography Specialists via Natural Language Processing（2018）
• 贡献：Barzilay在自然语言处理和医疗AI方面的研究为医学信息处理和决策支持系统的发展提供了新方法。
• 
  

20. Sebastian Thrun

• 机构：斯坦福大学
• 职位：计算机科学教授
• 代表作：Probabilistic Robotics（2005）
• 贡献：Thrun在无人驾驶和机器人技术方面的研究对自动驾驶技术的发展产生了深远影响，其研究成果推动了智能交通系统的进步。
• 
  

21. Fei-Yue Wang

• 机构：中国科学院
• 职位：院士
• 代表作：Parallel Control and Management for Intelligent Transportation Systems: Concepts, Architectures, and Applications（2005）
• 贡献：Wang在智能交通系统和社会计算方面的研究为城市管理和交通优化提供了新思路，促进了智能交通技术的发展。
• 
  

22. Andrew Zisserman

• 机构：牛津大学
• 职位：计算机视觉教授
• 代表作：Very Deep Convolutional Networks for Large-Scale Image Recognition（2014）
• 贡献：Zisserman在计算机视觉和图像识别领域作出了开创性的贡献。他的研究工作极大地推动了卷积神经网络的发展，并对深度学习模型在视觉任务中的应用产生了深远影响。
• 
  

23. Amnon Shashua

• 机构：耶路撒冷希伯来大学/Mobileye
• 职位：计算机科学教授/Mobileye联合创始人兼首席技术官
• 代表作：The Responsibility-Sensitive Safety (RSS) Model for Automated Vehicle Safety Assurance（2017）
• 贡献：Shashua在计算机视觉和自动驾驶技术方面的研究奠定了行业标准。他开发的RSS模型为自动驾驶汽车的安全性提供了框架，推动了自动驾驶技术的商业化。
• 
  

24. Timnit Gebru

• 机构：分散式人工智能研究所（DAIR）
• 职位：创始人兼执行主任
• 代表作：Datasheets for Datasets（2018）
• 贡献：Gebru在AI伦理和公平性方面的工作受到广泛关注。她提出了对数据集进行系统性描述的“Datasheets for Datasets”，以确保AI系统的透明度和公平性。
• 
  

25. Sepp Hochreiter

• 机构：约翰·开普勒大学林茨
• 职位：机器学习教授
• 代表作：Long Short-Term Memory（1997）
• 贡献：Hochreiter是LSTM（长短期记忆）网络的发明者之一，这一模型极大地改善了序列数据的处理，尤其在自然语言处理和语音识别领域取得了重大突破。
• 
  

26. Ilya Sutskever

• 机构：OpenAI
• 职位：首席科学家
• 代表作：Sequence to Sequence Learning with Neural Networks（2014）
• 贡献：Sutskever的研究主要集中在深度学习和生成模型，他在自然语言处理领域的工作为神经机器翻译和文本生成奠定了基础。
• 
  

27. Jeff Dean

• 机构：谷歌
• 职位：谷歌AI部门高级副总裁
• 代表作：Large Scale Distributed Deep Networks（2012）
• 贡献：Dean在大规模分布式系统和深度学习领域的贡献使得谷歌的AI技术在搜索和语音识别等应用中取得了领先地位。
• 
  

28. Zoubin Ghahramani

• 机构：剑桥大学/谷歌AI
• 职位：机器学习教授/谷歌首席科学家
• 代表作：Probabilistic Machine Learning（2022）
• 贡献：Ghahramani是概率机器学习的专家，他的研究涵盖了贝叶斯方法、深度学习和自动化机器学习等领域，对AI的理论和实际应用产生了重要影响。
• 
  

29. Peter Norvig

• 机构：谷歌
• 职位：研究总监
• 代表作：Artificial Intelligence: A Modern Approach（1995）
• 贡献：Norvig是AI领域的教育家和实践者，他的工作涉及AI教育、搜索算法和机器学习技术的应用与创新。
• 
  

30. Daphne Koller

• 机构：英特尔资本
• 职位：联合创始人兼主席
• 代表作：Deep Genomics: Combining Machine Learning and Genomics（2015）
• 贡献：Koller在生物医学和机器学习的交叉领域取得了重要成果，她的工作推动了个性化医疗和生物信息学的发展。
• 
  

31. Kunihiko Fukushima

• 机构：日本电气通信大学
• 职位：名誉教授
• 代表作：Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position（1980）
• 贡献：Fukushima是神经网络和模式识别领域的先驱，他的Neocognitron模型为现代卷积神经网络的发展提供了重要基础。
• 
  

32. Sebastian Ruder

• 机构：DeepMind
• 职位：研究科学家
• 代表作：On the State of the Art of Evaluation in Neural Language Models（2019）
• 贡献：Ruder在自然语言处理和深度学习方面的研究集中于提高模型的性能和效率，其工作对语言模型的评估和优化产生了重要影响。
• 
  

33. Samy Bengio

• 机构：苹果
• 职位：苹果AI研究总监
• 代表作：Better Fine-Tuning by Reducing Representational Collapse（2022）
• 贡献：Bengio在深度学习和自然语言处理领域的研究推动了模型优化和迁移学习的发展，其在减少模型表示崩溃方面的工作为提升AI系统的鲁棒性提供了新方法。
• 
  

34. Tomas Mikolov

• 机构：Facebook AI Research
• 职位：研究科学家
• 代表作：Efficient Estimation of Word Representations in Vector Space（2013）
• 贡献：Mikolov因开发Word2Vec而闻名，该模型极大地推动了自然语言处理领域的进展，使得词嵌入技术成为文本数据分析的基础。
• 
  

35. Kai-Fu Lee

• 机构：创新工场
• 职位：董事长兼首席执行官
• 代表作：AI Superpowers: China, Silicon Valley, and the New World Order（2018）
• 贡献：Lee在AI技术的商业化和全球化发展方面发挥了关键作用，他的工作促进了中美两国在AI领域的合作与竞争。
• 
  

36. Yannick Kilcher

• 机构：瑞士苏黎世联邦理工学院
• 职位：博士后研究员
• 代表作：Understanding the Difficulty of Training Deep Feedforward Neural Networks（2016）
• 贡献：Kilcher在深度学习模型的训练与优化方面的研究提供了新见解，特别是关于深度神经网络训练的难点及其解决方案。
• 
  

37. Cynthia Rudin

• 机构：杜克大学
• 职位：计算机科学和统计学教授
• 代表作：Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead（2019）
• 贡献：Rudin致力于开发可解释的机器学习模型，她的研究在高风险决策和可解释性AI方面取得了重要进展。
• 
  

38. Adam Coates

• 机构：百度研究院
• 职位：首席科学家
• 代表作：Deep Neural Networks for Large-Scale Speech Recognition（2013）
• 贡献：Coates在语音识别和深度学习方面的研究推动了语音技术的应用与普及，他在大规模神经网络的优化方面取得了重要成果。
• 
  

39. Karen Hao

• 机构：麻省理工学院技术评论
• 职位：资深编辑
• 代表作：The Messy, Secretive Reality Behind OpenAI’s Bid to Save the World（2020）
• 贡献：Hao的研究与报道聚焦于AI政策、伦理和社会影响，为AI技术的发展提供了批判性思考与指导。
• 
  

40. Thomas Wolf

• 机构：Hugging Face
• 职位：联合创始人兼首席科学家
• 代表作：Transformers: State-of-the-Art Natural Language Processing（2020）
• 贡献：Wolf在自然语言处理和机器学习工具方面的贡献极大地推动了Transformer模型的应用与发展，其开发的工具包被广泛应用于AI研究与实践。
• 
  

41. Anima Anandkumar

• 机构：加州理工学院/英伟达
• 职位：机器学习教授/英伟达机器学习研究总监
• 代表作：Tensor Methods for Learning Latent Variable Models（2014）
• 贡献：Anandkumar在张量方法和深度学习方面的研究极大地推动了AI算法在复杂数据集上的应用。她的工作提供了新颖的理论框架和算法，帮助解决了高维数据分析和结构化预测问题，并在多种实际应用中取得了成功，包括图像处理、自然语言处理和推荐系统。
• 
  

42. Noah Goodman

• 机构：斯坦福大学
• 职位：心理学和计算机科学教授
• 代表作：Probabilistic Programs and Sum-Product Networks（2018）
• 贡献：Goodman的研究涵盖了人工智能和认知科学的交叉领域，他提出的概率程序模型为AI的推理和学习提供了新方法。他的工作为开发更具解释性和灵活性的AI系统提供了基础，促进了AI技术在自然语言理解和因果推理方面的应用。
• 
  

43. Joshua Tenenbaum

• 机构：麻省理工学院
• 职位：认知科学与计算机科学教授
• 代表作：Building Machines That Learn and Think Like People（2019）
• 贡献：Tenenbaum的研究专注于理解人类认知的基本机制，并将其应用于人工智能的开发。他的工作旨在构建能够像人类一样学习和推理的机器，为AI在认知科学和人机交互领域的应用开辟了新途径。
• 
  

44. Max Tegmark

• 机构：麻省理工学院
• 职位：物理学教授
• 代表作：Life 3.0: Being Human in the Age of Artificial Intelligence（2017）
• 贡献：Tegmark的研究涉及AI的哲学和社会影响，他探讨了人工智能在未来社会中的角色和可能性。他的工作引发了关于AI伦理和安全性的广泛讨论，为AI技术的负责任开发提供了理论指导。
• 
  

45. Percy Liang

• 机构：斯坦福大学
• 职位：计算机科学副教授
• 代表作：Learning from Noisy Data（2020）
• 贡献：Liang的研究重点是如何从不完美和噪声数据中学习，他提出的新方法提高了机器学习模型的鲁棒性和适应性。他的工作在提高AI系统的可解释性和可信度方面取得了重要进展。
• 
  

46. Jiajun Wu

• 机构：斯坦福大学
• 职位：计算机科学助理教授
• 代表作：Learning to See Physics via Visual De-animation（2017）
• 贡献：Wu的研究专注于将物理学知识引入到计算机视觉中，以提高AI系统的理解和推理能力。他的工作在自主机器人和增强现实应用中具有广泛的应用前景。
• 
  

47. Oriol Vinyals

• 机构：DeepMind
• 职位：研究科学家
• 代表作：AlphaStar: Mastering the Real-Time Strategy Game StarCraft II（2019）
• 贡献：Vinyals在深度学习和强化学习方面的研究为开发能够在复杂环境中自主学习和决策的AI系统奠定了基础。他的工作包括开发AlphaStar，这是第一个在电子竞技游戏中击败人类专业选手的AI。
• 
  

48. Aude Oliva

• 机构：麻省理工学院
• 职位：计算机科学和人工智能实验室主任
• 代表作：The Deep Learning Revolution: How Deep Learning is Transforming Artificial Intelligence（2017）
• 贡献：Oliva的研究涵盖了计算机视觉和认知科学，她在理解视觉信息的处理和记忆方面取得了重大突破。她的工作为开发更智能的计算机视觉系统提供了新方法。
• 
  

49. Ishan Misra

• 机构：Meta AI
• 职位：研究科学家
• 代表作：Self-Supervised Learning of Pretext-Invariant Representations（2020）
• 贡献：Misra在自监督学习和表征学习方面的研究推动了无监督学习的进展。他的工作为AI模型在缺乏标注数据的情况下进行有效学习提供了新方法。
• 
  

50. Raquel Urtasun

• 机构：多伦多大学/优步ATG
• 职位：计算机科学教授/优步自动驾驶首席科学家
• 代表作：Deep Structured Models for Human Pose Estimation（2016）
• 贡献：Urtasun在自动驾驶和计算机视觉领域的研究为开发更加安全和可靠的自动驾驶系统提供了新方法。她的工作涉及深度学习模型的优化和应用，包括人类姿态估计和环境感知。
• 
  

New Star, New Start   --By Frank with Midjourney

在AI的宇宙里，这50位科学家璨若星河。

他们用智慧的光芒照亮未知的领域，将梦想与现实融合。

在数据与算法的交响中，他们的创新如同乐章般跳跃，为世界描绘出无限可能的图景。

每一位科学家都是一个故事，他们的脚步印在时间的河流上，为人类的未来开启一扇扇新的大门。

无论是学术殿堂，还是产业前沿，他们的贡献宛如瑰宝，激励着一代又一代的探索者……

关于科学家们「影响AI发展进程」的论文，可参考《通向AGI之路｜人工智能史上最重磅的19篇论文，系统展示AI如何从象牙塔走进生活！》。

注：以上50位科学家的选取和排名，参考了论文影响因子、学术成果、科技创新、产业影响、企业影响力和荣誉奖项等。

文章来自于微信公众号  AI异类弗兰克  作者 AI异类弗兰克