首席ai科学家(十大人工智能学家)

十大人工智能学家

以下是十位知名人工智能学家：

迈克尔·乔丹（Michael I. Jordan）：美国国家科学院、工程院、艺术与科学院三院院士，机器学习领域唯一获此成就者。他普及贝叶斯网络在机器学习的应用，意识到机器学习与统计学的联系。其学生包括Yoshua Bengio、吴恩达等。2017年任蚂蚁金服科学智囊团主席和技术顾问。邢波（Eric Xing）：卡耐基梅隆大学教授，2014年担任国际机器学习大会（ICML）主席。研究集中在机器学习和统计学习方法论及理论，开发大规模计算系统和架构。创办了专注人工智能和机器学习解决方案的Petuum公司。杰弗里·辛顿（Geoffrey Hinton）：多伦多大学教授，被誉为“人工智能领域的三位奠基人之一”“深度学习之父”“神经网络之父”。30年前提出反向传播（BP），2012年通过“深度学习”提升图片识别准确率，开启深度学习和AI热潮。后为谷歌“大脑”项目工作。雅恩·乐昆（Yann LeCun）：与杰弗里·辛顿同被誉为“人工智能领域三大奠基人之一”。20世纪80年代中期参与提出反向传播（BP），并将其应用于卷积神经网络并实用化。现任Facebook首席AI科学家。约书亚·本吉奥（Yoshua Bengio）：加拿大蒙特利尔大学教授，“人工智能领域三大奠基人之一”。聚焦高级机器学习研究，致力于解决人工智能问题。2016年启动Element AI创业孵化器，为企业提供AI解决方案。塞巴斯蒂安·史朗（Sebastian Thrun）：谷歌副总裁兼研究员、Udacity首席执行官、斯坦福大学兼职研究教授。因机器人技术研究闻名，主持开发的自动驾驶汽车“斯坦利”获2005年无人驾驶机器人超级挑战赛冠军，被称为“谷歌无人车之父”。德米斯·哈萨比斯（Demis Hassabis）：英国人工智能研究专家等。是DeepMind联合创始人，开发出围棋人工智能AlphaGo。DeepMind部分AI研发项目已应用于多领域，目前担任谷歌人工智能项目工程副总裁。于尔根·施米德休伯（Jürgen Schmidhuber）：瑞士卢加诺人工智能实验室IDSIA联席主任。获2016年IEEE计算智能协会神经网络先锋奖，智能手机语音识别功能源于其研究。李飞飞（Fei- Fei Li）：斯坦福大学教授等职，是ImageNet项目创始人，该项目是世界上最大的图像识别数据库，用于训练深度学习图片识别算法。吴恩达（Andrew Ng）：斯坦福大学副教授等，世界上第一个赋予机器“识别猫”技能的人，被誉为人工智能和机器学习领域权威学者。曾任职百度、创建谷歌深度学习团队和在线学习平台Coursera，现担任Woebot公司董事长。

FAST首席科学家:AI是天文学重要工具,寻脉冲星难在哪

澎湃新闻记者陈宇曦

2020年1月，被誉为“中国天眼”的500米口径球面射电望远镜（FAST）启动运行以来，中国天文学在脉冲星的观测研究上，有了长足的进步。据国家天文台3月发布的消息，自通过国家验收启动运行以来，中国天眼FAST设施运行稳定可靠，发现的脉冲星数量已达到300颗。

为什么脉冲星如此重要？据新华社此前的报道，脉冲星是一种快速旋转的中子星，由恒星演化和超新星爆发产生，可用于引力波探测、黑洞等相关研究，这有助于解答许多重大物理学问题。

不过，即使有了中国天眼FAST的加持，寻找脉冲星也不是一件简单的事儿——据中国青年报1月份的报道，FAST在2018年观测时，峰值数据率每秒就可以达到38G。其产生的海量数据，给FAST团队带来了巨大挑战。

面对海量的数据，如同大海捞针一般的搜索过程，人工智能或许可以发挥作用。

7月9日，在2021世界人工智能大会期间，腾讯与国家天文台合作的“探星计划”宣布正式启动，双方将基于优图实验室计算机视觉技术、腾讯云的计算及存储能力，帮助中国天眼FAST提升脉冲星搜索效率，并辅助快速射电暴和近密双星系统中脉冲星搜索，助力天文探索。

AI如何帮助天文学家寻找星星？如果没有AI，寻找脉冲星这个活儿，是如何实现的？寻找到脉冲星后有什么用？中国科学院国家天文台研究员、FAST首席科学家李菂在接受澎湃新闻在内的媒体采访时做出介绍。

并非像大众想象的那么“原始”，据李菂介绍，实际上，AI已经是天文学研究的一项基础工具。“AI现是一个非常基础的重要的工具。我们现在前沿很多课题是因为有AI的能力才这么设计的。”李菂说，“比如原来对电磁场的采样，30年以前的项目和现在的项目是完全不一样的，那时候的科学家和工程师要根据那时候的能力来设计项目，所以我们现在一开始坐在这儿想这个项目的时候，已经把我们有可能用到的技术算进去了。”

李菂表示，问天文学使不使用机器学习、深度学习等人工智能技术，就好像问“20年前天文学用不用电脑一样”，这些技术用得很多。

但真正遇到的挑战是，在李菂的团队里，虽然已经在普遍地使用AI，但一般只能用公开可以拿到的现成工具，目前没有真正能够做AI开发的人，“即使是能够去学一下新的技术，这样的人可能也就四、五个。”

据统计，天眼FAST在1周内产生的数据大约相当于3000万张信号图，如果以人工肉眼处理，按照1张/秒速度，在不吃不喝不休息的条件下，需要用一年的时间才能处理。

“一天多少个T的数据，靠一个人或者一个小团队，显然是有问题的。”李菂说。

中国天眼FAST所产生的数据，也就是AI需要处理的信号图具体都有什么内容？据李菂介绍，信号图是多种特征的组合，“数据是对电磁场的高速采量，在这上面做信号处理和频谱分析，得到的是一个视频，就是动态谱。一个维度是时间，一秒钟700转，有1万个点。另一个维度是频率。”李菂称，“这个东西人眼是没办法处理的，因为太快了。1秒钟1万谱，从你眼前闪过去了。（所以）我们处理的大多数情况是照片，把它截出来。截出来以后可能量还是太大了，所以要做进一步的信息提取。”

复杂的图像数据

巨大的数据量，却正好是云和人工智能的最佳试验场。

今年初，主攻计算机视觉领域的腾讯优图实验室几位天文爱好者提出，可以将计算机视觉技术用于天文学中对脉冲星的搜索。在联系到国家天文台后，很快达成了合作意向。“我们会用机器学习的方式来寻找疑似样本，再交给专业的人员看是不是我们真正发现了信号。”腾讯优图实验室副总经理黄飞跃介绍。

在云和AI的辅助下，脉冲星搜索效率将得到显著提升——前述数据的处理，如果通过AI预筛选，只需要3天时间就可以完成。

黄飞跃介绍，AI探星的难点在于，过去做深度学习最核心的是要有海量的已经标注的数据作为训练数据，以优化和调整模型，但天文领域有标注的训练数据相对偏少，因此用来训练时存在难度。此外，不同型号的观测设备所得到的数据、展现形式各异，也增加了数据处理的难度。

对于缺少标注的数据，黄飞跃称，该团队采用了“自监督的学习方法”，对于不同场景和设备的数据，则引入了“跨域学习”的技术。最终的效果是效率和准确率都有了比较大的提升。

“这个阶段进行得很快，最近已经有脉冲星的发现，这是实打实的科学成果，我们还是非常兴奋的。”据李菂透露，与腾讯合作以来，已经新发现了5颗脉冲星。

“还有一个比较有意思的是：（脉冲星的）信号穿过星际空间，星际空间不完全真空，还有电子，就像光穿过水一样，会有折射。折射在我们这个领域叫做射散，因为不同频率的光速度不一样，这样会产生类似于声波的多频效应，高频的信号先到，低频的信号后到。通过处理，我们可以得到特征，通过这个特征继续反推星际空间中存在的物质。”《自然》就曾对2021年最值得关注的科学事件做出预测称，脉冲星将助力探测引力波。

李菂将脉冲星的研究在天文学中的地位，比作人工智能技术的发展。

可见的是，随着大数据、云计算等的发展，人工智能技术的研究与应用显著加速。而观测设备的升级，让脉冲星的发现步伐也大大加快。人工智能成为各行各业的助手，而脉冲星也成为人们研究宇宙的支点。

校对：丁晓

Meta 首席 AI 科学家:AI 还不如狗聪明,不会接管世界

Meta首席AI科学家杨立昆认为当前AI智力水平不及人类，甚至不如狗，且不会接管世界。具体阐述如下：

当前AI的局限性

基于语言训练的智力缺陷：杨立昆指出，当前以大型语言模型为核心的生成式AI（如GPT系列）仅通过文本数据训练，缺乏对真实物理世界的底层理解。例如，AI可通过律师资格考试，但无法完成装载洗碗机等简单任务，而10岁儿童可在10分钟内学会。这表明AI的智能局限于语言符号操作，无法处理需要物理感知和空间推理的实际问题。

对非语言经验的缺失：人类知识中大量内容与语言无关（如触觉、视觉直觉、运动控制等），而AI因训练数据单一，无法涵盖这部分经验。例如，5个月大的婴儿对漂浮物体无特殊反应，但9个月大的婴儿会因理解“物体应受重力约束”而感到惊讶，这种对物理规律的直觉认知是当前AI无法复制的。

视频学习挑战：Meta正尝试训练AI从视频中学习，以弥补语言模型的不足。但杨立昆承认，这一任务极具挑战性，因为视频数据需AI同时解析空间、时间、因果关系等多维度信息，远超现有模型的处理能力。

AI接管世界观点的驳斥

智力水平不足：杨立昆强调，当前AI连猫狗的智能水平都未达到，更遑论人类。例如，猫狗能通过感官直觉理解环境（如躲避危险、寻找食物），而AI缺乏这种基于物理世界的认知能力。

“聪明”与“控制欲”无关联：针对科幻小说中“超级智能AI威胁人类”的担忧，杨立昆指出，智能水平与控制欲无必然联系。AI的行为完全由人类设计目标决定，若系统被设计为“可控且服从人类”，则不会产生接管世界的动机。

可控性设计：杨立昆认为，未来AI系统需以“可控制”为核心原则，确保其行为符合人类价值观。例如，通过强化学习中的奖励函数设计，或引入人类监督机制，防止AI偏离预期目标。

对AI风险的理性看待

技术乐观派视角：与马斯克、CAIS声明等“AI威胁论”不同，杨立昆持乐观态度。他认为，比人类更聪明的机器应被视为有益工具，而非威胁。例如，未来每个人可能拥有AI助手，辅助日常决策、提升效率，类似“员工”角色。

风险取决于使用方式：法国经济学家Jacques Attali提出，AI的利弊取决于应用场景。若用于开发化石燃料或武器，则可能加剧气候灾难或战争风险；若用于健康、教育领域，则可能带来革命性进步。杨立昆虽未直接回应此观点，但其“可控性”主张隐含了对技术伦理的关注。

长期风险需警惕：尽管当前AI尚不构成威胁，但杨立昆承认，未来若实现“人类水平智能”或“超智能”，需重新评估风险。不过他强调，这一目标仍遥不可及，当前讨论“接管世界”为时尚早。

Meta的AI发展路径

多模态学习：Meta正推动AI从语言模型向视频、触觉等多模态数据学习，以构建更全面的世界模型。例如，通过分析视频中的物体运动、因果关系，AI可能逐步理解物理规律（如重力、摩擦力）。

长期目标：杨立昆设想，未来AI需具备“常识推理”能力，即像人类一样通过少量经验推断普遍规律。例如，通过观察几个漂浮物体，AI应能归纳出“物体通常应落地”的结论，而非依赖海量数据训练。

伦理与安全：Meta在研发中强调“安全先行”，例如通过红队测试（模拟攻击）发现模型漏洞，或设计“紧急停止”机制防止AI失控。这些措施与杨立昆的“可控性”原则一致。

好了，文章到这里就结束啦，如果本次分享的首席ai科学家和十大人工智能学家问题对您有所帮助，还望关注下本站哦！