人工智能领域做出杰出贡献的科学家
人工智能领域做出杰出贡献的科学家
人工智能的发展离不开众多科学家的贡献。从深度学习到神经网络，从机器学习到计算机视觉，这些领域的突破都离不开科学家们的辛勤工作。本文将介绍几位在人工智能领域做出杰出贡献的科学家。
约书亚·本吉奥（Yoshua Bengio）
约书亚·本吉奥（Yoshua Bengio）是深度学习和神经网络领域的先驱，2018年图灵奖的共同获得者。他的工作推动了自然语言处理和自动化系统的发展，并对开放科学和教育有重大贡献。
学术背景：1964年3月5日出生于法国巴黎，英国皇家学会院士，蒙特利尔大学教授，Element AI联合创始人。1986年获得麦吉尔大学计算机工程学士学位；1988年获得麦吉尔大学计算机科学硕士学位；1991年获得麦吉尔大学计算机科学博士学位。
主要科研：2000年，约书亚·本吉奥发表了一篇名为“神经概率语言模型”一文，论文引入高维单词嵌入作为词义的表示，让网络识别新短语与训练集中包含的短语之间的相似性，这种方法致使机器翻译和自然语言理解系统的重大转变，本吉奥团队通过将神经词嵌入和“注意力”机制结合起来，进一步提高了机器翻译系统的性能。约书亚·本吉奥和Ian Goodfellow一起提出了“生成对抗性网络”的概念，生成性网络学习生成与训练集中难以区分的对象，该技术是“对抗性的”，它已被广泛用于生成图像，例如自动生成高度逼真的不存在的人或物体的照片。
杰弗里·辛顿（Geoffrey Hinton）
杰弗里·辛顿（Geoffrey Hinton）被誉为深度学习之父，他的反向传播方法对机器学习和神经网络的研究有开创性贡献，并与本吉奥和扬·勒昆共同获得了2018年图灵奖。
学术背景：1947年12月6日出生于英国温布尔登，2018年图灵奖得主，英国皇家学会院士，加拿大皇家学会院士，美国国家科学院外籍院士，多伦多大学名誉教授。1970年获得剑桥大学实验心理学学士学位；1976年受聘为苏塞克斯大学认知科学研究项目研究员；1978年获得爱丁堡大学人工智能学博士学位。
主要贡献：辛顿与合作者在1986年发表的两篇具有里程碑意义的论文中推广了被称为“反向传播”的算法，这个术语反映了一个阶段，在这个阶段中，算法通过神经元反向传播网络猜测产生的误差测量，从直接连接到输出的神经元开始，这使得在输入层和输出层之间具有中间“隐藏”神经元的网络能够有效地学习，克服了Minsky和Papert指出的局限性，它支撑着如今几乎所有的神经网络，从计算机视觉系统到大型语言模型。
扬·勒昆（Yann LeCun）
杨立昆（Yann LeCun），于1960年出生于法国巴黎附近，担任Facebook首席人工智能科学家和纽约大学教授，2018年图灵奖（Turing Award）得主。杨立昆为卷积神经网络和图像识别领域做出了重要贡献，以手写字体识别、图像压缩和人工智能硬件等主题发表过190多份论文，研发了很多关于深度学习的项目，并且拥有14项相关的美国专利。2021年8月1日，出版图书《科学之路：人，机器与未来》。
吴恩达（Andrew Ng）
吴恩达（1976-，英文名：Andrew Ng），华裔美国人，斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人（with Daphne Koller），DeepLearning.AI创始人。2014年5月16日，吴恩达加入百度，担任百度公司首席科学家，负责百度研究院的领导工作，尤其是Baidu Brain计划。2024年4月，亚马逊将吴恩达纳入其董事会。主要研究：机器学习和人工智能，研究重点是深度学习（Deep Learning）。
伊恩·古德菲洛（Ian Goodfellow）
2016年10月24日， Ian Goodfellow和谷歌大脑研究员Alexey Kurakin共同参加了Geekpwn2016嘉年华美国硅谷站，分享了人工智能领域关于机器视觉的阿基里斯之踵的议题。Ian Goodfellow在GeekPwn上表示，一些经过“特殊加工”的图像将变成“对抗性图像”令机器视觉作出误判，正是机器识别最重要安全隐患之一。
艾维·维格森（Avi Wigderson）
艾维·维格森（Avi Wigderson），1956年9月9日出生于以色列海法，图灵奖得主 ，阿贝尔奖得主 ，美国国家科学院院士，美国艺术与科学院院士，挪威科学与文学院院士，普林斯顿高等研究院数学学院赫伯特·H·马斯教授。
学术背景：1980年以优等成绩获得以色列理工学院计算机科学学士学位；1981年获得普林斯顿大学计算机科学硕士学位；1982年获得普林斯顿大学计算机科学硕士学位；1983年获得普林斯顿大学电气工程与计算机科学系计算机科学博士学位；
主要成就：艾维·维格森在复杂性理论和随机噪声增强模型方面的研究为深度学习提供了优化新思路。艾维·维格森主要致力于复杂性理论的研究，研究兴趣包括复杂性理论、并行计算、组合学与图论、组合优化算法、随机性与密码学、分布式与神经网络。