从 2016 年 Alpha Go 打败人类围棋高手到 2019 年的 L3 级无人驾驶技术的落地，这些AI技术发展的背后一批批为技术革新前赴后继、默默付出的学者和研究团队。因此，易智编译盘点了人工智能领域最具影响力的杰出代表。
一、艾伦·图灵（Alan Turing）
艾伦·图灵（Alan Turing）出生于英国伦敦迈达维尔，被广泛地认为是“计算机科学和人工智能之父”。1931年到1934年间他在剑桥国王学院攻读本科，并在那里获得了数学一等奖。1936年至1938年，图灵在普林斯顿大学学习，并于该校数学系取得博士学位。
这里想用图灵自己曾说过的一句话来总结他为计算机科学和人工智智能所做出的贡献：有时候，正是那些意想不到之人，成就了无人能成之事。的确，他所成就的也的确是无人能成之事。1936年，图灵发表了一篇题为“论数字计算在决断难题中的应用”的文章。文章中，图灵给“可计算性”下了一个严格的数学定义，并提出了“图灵机”（Turing Machine）的设想。“图灵机”不是一种具体的机器，而是一种思想模型，可制造一种十分简单但运算能力极强的 计算 装置，用来计算所有能想象得到的可计算函数。自此，“图灵机”这一概念被永久地载入计算机发展史中。1950年，图灵提出的一个关于判断机器是否能够思考的思想实验，这也是后来影响了计算机发展进程的“图灵测试（Turing test）”。测试的目的是为了检验某机器是否能表现出与人等价或无法区分的智能，这也是人工智能最早的思想雏形。1966年，为表彰他在计算机领域的杰出贡献，特以他的名字设立了该领域内的最高奖项——计算机界的诺贝尔奖——图灵奖。
图灵英格兰银行行长 Mark Carney 曾这样评价图灵：“作为计算机科学和人工智能之父，以及战争英雄，艾伦·图灵的贡献是伟大的，他是开路的先锋。图灵就像是巨人的肩膀，为很多后来者提供了更高的发展平台。因为这些伟大的贡献，他即将登上 50 英镑的新钞，取代蒸汽机先驱詹姆斯·瓦特和马修·博尔顿，他们也曾是工业革命的先驱。”为表彰他的丰功伟绩，英格兰银行特将他的肖像印于新版50英镑上，据 BBC 方面称，该款英镑将于2021年底正式流通。
二、约翰·麦卡锡（John McCarthy）
约翰·麦卡锡（John McCarthy）生于美国马萨诸塞州波士顿，是一名计算机科学家和认知科学家。他于1948年在加州理工学院取得数学学士学位，1951年于普林斯顿大学毕业并获得数学博士学位。他曾短暂效力于普林斯顿大学、斯坦福大学、达特茅斯学院和麻省理工学院，此后，在1962 年~2000年底这段时间内，他一直在斯坦福担任教授，退休后成为名誉教授。
要盘点迄今为止人工智能领域最有影响力的杰出代表，自然少不了这个概念的发明者——约翰·麦卡锡。麦卡锡是人工智能学科的奠基人之一。实际上，正是他在1956年的达特茅斯会议上首次提出了“人工智能（Artificial Intelligence）”这个概念。他还开发了 Lisp 家族，极大地影响了ALGOL编程语言的设计。ALGOL编程语言是一族指令式编程语言，发展于1950年代中期，对许多其它编程语言产生了重大影响。计算机协会在教科书及学术文章采用此语言做为描述算法的标准语法超过三十年，可见其对行业的影响力之深。此外，麦卡锡还普及了分时度假，发明了垃圾收集，这些成就都在AI早期发展阶段起到了重要作用。
三、约书亚·本希奥（Yoshua Bengio）
约书亚·本希奥（Yoshua Bengio）生于法国巴黎，是一名计算机科学家。本希奥毕业于麦吉尔大学，在校期间获得了电气工程工学学士、计算机科学理学硕士学位以及计算机科学博士学位。此后，他曾在麻省理工学院和 AT＆T 贝尔实验室担任博士后。自 1993 年以来，他一直是蒙特利尔大学的教职人员，现为加拿大蒙特利尔大学教授、魁北克人工智能研究所 Mila 科学主任，与 Ian Goodfellow、Aaron Courville 两人合著 《深度学习》一书。2016年10月，本希奥与其他人共同创立了 Element AI，这是一家位于蒙特利尔的人工智能孵化器，他致力于将AI研究转化为现实业务应用程序的研究。2017年5月，本希奥宣布加入蒙特利尔法律技术初创公司Botler AI，担任战略顾问。
近年来，深度学习方法一直是计算机视觉、语音识别、自然语言处理和机器人技术等领域出现惊人突破的主要原因。约书亚·本希奥的成就功不可没，他也被称为“深度学习之父”。本希奥的主要贡献是在 1990 年代发明的序列的概率模型 Probabilistic models of sequences。他把神经网络和概率模型（例如隐马尔可夫模型）结合在一起，并和 AT&T 公司合作，用新技术识别手写的支票。现代深度学习技术中的语音识别也是这些概念的扩展。本希奥还于2003年发表了划时代的论文“A Neural Probabilistic Language Model”，文中第一次用神经网络来解决语言模型的问题，虽然在当时并没有得到太多的重视，但后人却在它的基础上完成了很多突破，包括 Word2Vec 的作者 Tomas Mikolov 在 NNLM 的基础上提出了 RNNLM 和后来的 Word2Vec。约书亚·本希奥的团队在研究中还首次引入了注意力机制（attention mechanism），让机器翻译取得重大突破，现在利用神经网络做 NLP 时基本上都离不开 attention，并成为了让深度学习处理序列的重要技术。
四、扬·勒丘恩（Yann LeCun）
扬·勒丘恩（Yann LeCun）生于法国巴黎附近，是一位法国裔美国计算机科学家。他于1983年毕业于巴黎高等电子工程师学校获得了工程师学位，1987 年从巴黎第六大学毕业并获得了计算机科学博士学位。博士在学期间，他提出了神经网络的反向传播算法学习算法的原型。他随后到多伦多大学完成了博士后的工作。扬·勒丘恩在 2017 年来中国演讲时提到了自己中文姓名——杨立昆，自此，他的中文名字一直沿用下来。目前，他在纽约大学担任教授，也是 Facebook 的副总裁和首席人工智能科学家。
卷积神经网络（Convolutional Neural Network, 简称 CNN）的起源可以追溯到上世纪 60 年代，但是由于当时计算机资源匮乏，卷积神经网络并没有引起足够多的关注。时间快进到 20 多年后的大规模视觉识别挑战赛 ImageNet 中，这才让我们记起了被遗忘在角落、“发着光的”卷积神经网络。1988年，杨立昆加入了贝尔实验室的自适应系统研究部门，在此期间，他和团队一同开发了很多新的机器学习方法，而图像识别模型卷积神经网络也自此得到了复兴。目前，卷积神经网络已经成为了 机器学习领域的基础技术之一，它被广泛应用在学术和工业应用领域中，包括计算机视觉、自然语言处理、语音合成、语音识别、图片合成、自动驾驶、医学图片识别、信息过滤、语音助手等方面，杨立昆也因此被成为“卷积神经网络之父”。
杨立昆对人工智能领域的贡献还体现在他改进了反向传播算法。他提出了一个早期的反向传播算法 backprop，并根据变分原理给出了一个简洁的推导，加快了反向传播算法运算速度。此外，他还拓展了神经网络的应用范围。他把神经网络变成了一个可以完成大量不同任务的计算模型。例如，他与银行协作开发了支票识别系统，读取了20世纪90年代末至21世纪初全美国10％以上的支票，该系统被NCR和其他的公司广泛使用。
五、杰弗里·辛顿（Geoffrey Hinton）
杰弗里·辛顿（Geoffrey Hinton）出生于英国，是一位计算机学家和心理学家。他毕业于英国剑桥大学，在校期间获得实验心理学学士学位。此后于 1978 年在爱丁堡大学获得人工智能博士学位。此后曾在萨塞克斯大学、加州大学圣迭戈分校、剑桥大学、卡内基梅隆大学和伦敦大学学院工作，目前他担任多伦多大学计算机科学系名誉教授，在 谷歌 担任副总裁兼工程研究员。
辛顿是加拿大机器学习领域首席学者，也是加拿大高等研究院赞助的“神经计算和自适应感知”项目的领导者。辛顿最重要的贡献来自他 1986 年发明反向传播的论文“Learning Internal Representations by Error Propagation”，1983 年发明的玻尔兹曼机（Boltzmann Machines），以及 2012 年对卷积神经网络的改进。他在人工智能领域内发表了 200 多篇关于机器学习、记忆、感知和符号处理方法的论文，为神经网络的发展奠定了坚实的学术基础。Hinton 和他的学生 Alex Krizhevsky 以及 Ilya Sutskever 通过 Rectified Linear Neurons 和 Dropout Regularization 改进了卷积神经网络，并在著名的 ImageNet 评测中取得了很好的成绩，在计算机视觉领域掀起一场革命。此外，辛顿还是反向传播算法和对比散度算法的发明人之一，被誉为“深度学习之父”。由于在深度学习领域的卓越贡献，他与约书亚·本希奥和杨立昆一同被授予了 2018 年的图灵奖。
六、吉多·范罗苏姆（Guido van Rossum ）
吉多·范罗苏姆（Guido van Rossum ）生于荷兰哈勒姆，是一位计算机科学家。他于 1982 年从阿姆斯特丹大学毕业，并获得数学和计算机科学硕士学位。后来他在多个研究机构任职，包括荷兰阿姆斯特丹国家数学和计算机科学研究学会、马里兰州 Gaithersburg 国家标准暨技术研究院和维珍尼亚州 Reston 国家创新研究公司（CNRI），2006 年，他被美国计算机协会（ACM）认定为著名工程师。
荷兰程序员范罗苏姆早在 1991 年就发布了 Python 编程语言。我们知道的大多数编程语言都是由大公司或很多专业人才共同开发完成的，而有趣的是，Python 是个例外，因为它是由范罗苏姆独立完成的，因此范罗苏姆也被尊称为“Python 之父”。
最初，开发 Python 的主要目的是帮助程序员为项目编写清晰的、有逻辑的代码，因此它备受开发人员的青睐。如果说 Python 是万能的那或许有些夸大其词，但它在 Web 开发、游戏、为桌面应用程序构建脚本和 GUI、配置服务器、执行科学计算以及数据分析领域所做出的贡献却是不争的事实。在所有主要的编程语言中，Python 最近几年发展迅猛。
Stack Overflow 对编程语言的发展做了一项调查，调查显示 Python 如何在激烈的竞争中力挫群雄荣登榜首。甚至不少人预测，随着 Python 用户群的快速增长，它很快会成为世界上最流行的编程语言，这一编程语言成为了人工智能领域的最佳之选。而近年来数据科学也在蓬勃发展，Python 在数据科学生命周期中被大量应用。Python 社区开发了很多优秀的处理数据的程序库，例如 Numpy、Pandas、sci-kit-learn 等。在收集数据、清理数据集、提取重要特征、构建机器学习模型和使用图形可视化结果等方面，Python 都发挥了巨大作用。
七、伊恩·古德费洛（Ian Goodfellow）
伊恩·古德费洛（Ian Goodfellow）出生于美国加州，是一位机器学习研究者。他毕业斯坦福大学，在校期间获得计算机科学学士和硕士学位。他于 2014 年在蒙特利尔大学获得博士学位，此后一直在OpenAI和谷歌工作，据悉，他在OpenAI的年薪达到了80万美元。2019年3月，他从谷歌离职后加入苹果，担任苹果公司特别项目组机器学习负责人。
如果要问人工智能领域有哪些能掀起时代变革的新技术，那近几年被炒得异常火热的 生成对抗网络（Generative Adversarial Networks，简称 GAN）绝对算是其中一个。2014年，古德费洛发表了一篇名为“ Generative Adversarial Networks”的论文，这是生成对抗网络第一次正式出现人们的视野中，因此被誉为“生成对抗网络之父”。GAN 由两个神经网络组成：一个用于生成新的数据实例的生成器，和一个用于将生成的假数据与真实数据区分开来的鉴别器。GAN的工作原理是训练一个生成网络，输出合成数据，然后利用鉴别网络判别合成数据。鉴别网络根据合成数据输出的梯度告诉用户该如何对合成数据进行微调，使其更加真实。因此GAN系统常被用来生成“假新闻”。目前，GAN已经可用于生成各种内容，包括图像、视频、音频和文本，在机器学习中发挥着不可替代的作用。
