之前在《通向AGI之路｜人工智慧史上最重磅的19篇論文，系統展示AI如何從象牙塔走進生活！》一文裡，用19篇論文，串聯了人工智慧近15年曆史上的重大突破。

以下是50位AI科學家的具體介紹

（沒有嚴格的排名，按照不同分類，也用表格做了集合）

When the Human Stars Shine–By Frank with Midjourney

1. Geoffrey Hinton

• 機構：多倫多大學/谷歌
• 職位：計算機科學教授/谷歌工程研究員
• 代表作：Learning Representations by Back-Propagating Errors（1986）
• 貢獻：Hinton是神經網路和深度學習領域的開拓者，其研究推動了現代深度學習技術的發展，被譽為“深度學習之父”。他的工作使得深度神經網路在語音和影像識別等領域得到廣泛應用。

2. Yann LeCun

• 機構：紐約大學/Meta AI實驗室
• 職位：計算機科學教授/Meta首席AI科學家
• 代表作：Gradient-based Learning Applied to Document Recognition（1998）
• 貢獻：LeCun是卷積神經網路的發明者之一，他的研究對影像和語音識別技術的發展起到了關鍵作用。LeCun還開發了LeNet-5，這是第一個被廣泛用於手寫數字識別的卷積神經網路。

3. Yoshua Bengio

• 機構：蒙特利爾大學
• 職位：計算機科學教授/蒙特利爾學習演算法研究所（MILA）科學總監
• 代表作：Deep Learning（2016）
• 貢獻：Bengio是深度學習領域的先驅之一，特別是在深度神經網路的訓練和最佳化方面。他的研究在自然語言處理和生成模型領域產生了重大影響。

4. Andrew Ng

• 機構：斯坦福大學/DeepLearning.AI
• 職位：計算機科學教授/DeepLearning.AI聯合創始人
• 代表作：Building High-level Features Using Large Scale Unsupervised Learning（2012）
• 貢獻：Ng在機器學習領域的貢獻包括開發大規模無監督學習演算法，並推動了AI技術在自動駕駛和機器人等領域的應用。

5. Stuart Russell

• 機構：加州大學伯克利分校
• 職位：計算機科學教授
• 代表作：Artificial Intelligence: A Modern Approach（1995）
• 貢獻：Russell在AI倫理和安全領域的研究為AI系統的設計和控制提供了重要的理論基礎，他的工作對於確保AI技術的安全和可控性至關重要。

6. Demis Hassabis

• 機構：DeepMind
• 職位：執行長
• 代表作：Human-level control through deep reinforcement learning（2015）
• 貢獻：Hassabis在深度強化學習和遊戲AI方面的研究取得了重大突破，尤其是在AlphaGo專案中的貢獻，使其成為人工智慧領域的先鋒人物。

7. Fei-Fei Li

• 機構：斯坦福大學
• 職位：計算機科學教授/斯坦福人工智慧實驗室聯合主任
• 代表作：ImageNet: A Large-Scale Hierarchical Image Database（2009）
• 貢獻：Li主導的ImageNet專案為深度學習在影像識別領域的應用提供了重要的資料基礎，推動了計算機視覺技術的發展。

8. Pieter Abbeel

• 機構：加州大學伯克利分校
• 職位：電氣工程和計算機科學教授
• 代表作：End-to-End Training of Deep Visuomotor Policies（2016）
• 貢獻：Abbeel在機器人技術和強化學習的交叉領域作出了重要貢獻，尤其是在自主機器人系統的開發方面。

9. Ian Goodfellow

• 機構：DeepMind
• 職位：研究科學家
• 代表作：Generative Adversarial Networks（2014）
• 貢獻：Goodfellow因發明生成對抗網路（GAN）而聞名，這種模型在影像生成、風格遷移和資料增強等領域有著廣泛的應用。

10. Michael I. Jordan

• 機構：加州大學伯克利分校
• 職位：電氣工程和計算機科學教授
• 代表作：Hierarchical Mixtures of Experts and the EM Algorithm（1994）
• 貢獻：Jordan是貝葉斯網路和機率圖模型方面的專家，他的研究對機器學習理論和演算法的發展有著深遠的影響。

11. Ruslan Salakhutdinov

• 機構：卡內基梅隆大學
• 職位：計算機科學教授
• 代表作：Learning with Hierarchical-Deep Models（2013）
• 貢獻：Salakhutdinov的研究主要集中在深度學習和機率模型，其在特徵學習和大規模資料分析方面取得了重要成果。

12. Sergey Levine

• 機構：加州大學伯克利分校
• 職位：電氣工程和計算機科學助理教授
• 代表作：End-to-End Training of Deep Visuomotor Policies（2016）
• 貢獻：Levine在深度強化學習與機器人技術的結合上作出了重要貢獻，推動了機器人自主學習技術的發展。

13. David Silver

• 機構：DeepMind
• 職位：研究科學家
• 代表作：Mastering the Game of Go with Deep Neural Networks and Tree Search（2016）
• 貢獻：Silver是AlphaGo專案的核心研究人員之一，其研究展示了深度學習和強化學習在複雜遊戲策略中的潛力。

14. Thomas G. Dietterich

• 機構：俄勒岡州立大學
• 職位：計算機科學榮譽教授
• 代表作：Solving the Multiple-Instance Problem with Axis-Parallel Rectangles（1997）
• 貢獻：Dietterich在機器學習和人工智慧應用方面的研究推動了演算法設計和系統實現的新方法。

15. Jürgen Schmidhuber

• 機構：IDSIA
• 職位：科學總監
• 代表作：A Neural Network that Continually Evolves（1997）
• 貢獻：Schmidhuber的研究集中在遞迴神經網路和元學習，他的工作為AI的自適應學習和進化演算法開闢了新路徑。

16. Shivon Zilis

• 機構：OpenAI
• 職位：專案主管
• 代表作：Mapping Machine Intelligence（2016）
• 貢獻：Zilis在AI政策和戰略規劃方面的工作推動了AI技術的規範化和應用推廣。

17. Gary Marcus

• 機構：紐約大學
• 職位：心理學和神經科學教授
• 代表作：Rebooting AI: Building Artificial Intelligence We Can Trust（2019）
• 貢獻：Marcus對AI倫理和認知科學的研究提供了新的視角，強調了AI系統的可解釋性和透明性的重要性。

18. Rana el Kaliouby

• 機構：MIT Media Lab
• 職位：客座教授
• 代表作：Emotion Recognition Using Facial Expressions（2011）
• 貢獻：el Kaliouby在情感識別和計算機視覺領域的研究為人機互動技術的發展提供了重要支撐，促進了情感計算技術的應用。

19. Regina Barzilay

• 機構：麻省理工學院
• 職位：計算機科學教授
• 代表作：Toward Optimal Information Delivery to Mammography Specialists via Natural Language Processing（2018）
• 貢獻：Barzilay在自然語言處理和醫療AI方面的研究為醫學資訊處理和決策支援系統的發展提供了新方法。

20. Sebastian Thrun

• 機構：斯坦福大學
• 職位：計算機科學教授
• 代表作：Probabilistic Robotics（2005）
• 貢獻：Thrun在無人駕駛和機器人技術方面的研究對自動駕駛技術的發展產生了深遠影響，其研究成果推動了智慧交通系統的進步。

21. Fei-Yue Wang

• 機構：中國科學院
• 職位：院士
• 代表作：Parallel Control and Management for Intelligent Transportation Systems: Concepts, Architectures, and Applications（2005）
• 貢獻：Wang在智慧交通系統和社會計算方面的研究為城市管理和交通最佳化提供了新思路，促進了智慧交通技術的發展。

22. Andrew Zisserman

• 機構：牛津大學
• 職位：計算機視覺教授
• 代表作：Very Deep Convolutional Networks for Large-Scale Image Recognition（2014）
• 貢獻：Zisserman在計算機視覺和影像識別領域作出了開創性的貢獻。他的研究工作極大地推動了卷積神經網路的發展，並對深度學習模型在視覺任務中的應用產生了深遠影響。

23. Amnon Shashua

• 機構：耶路撒冷希伯來大學/Mobileye
• 職位：計算機科學教授/Mobileye聯合創始人兼首席技術官
• 代表作：The Responsibility-Sensitive Safety (RSS) Model for Automated Vehicle Safety Assurance（2017）
• 貢獻：Shashua在計算機視覺和自動駕駛技術方面的研究奠定了行業標準。他開發的RSS模型為自動駕駛汽車的安全性提供了框架，推動了自動駕駛技術的商業化。

24. Timnit Gebru

• 機構：分散式人工智慧研究所（DAIR）
• 職位：創始人兼執行主任
• 代表作：Datasheets for Datasets（2018）
• 貢獻：Gebru在AI倫理和公平性方面的工作受到廣泛關注。她提出了對資料集進行系統性描述的“Datasheets for Datasets”，以確保AI系統的透明度和公平性。

25. Sepp Hochreiter

• 機構：約翰·開普勒大學林茨
• 職位：機器學習教授
• 代表作：Long Short-Term Memory（1997）
• 貢獻：Hochreiter是LSTM（長短期記憶）網路的發明者之一，這一模型極大地改善了序列資料的處理，尤其在自然語言處理和語音識別領域取得了重大突破。

26. Ilya Sutskever

• 機構：OpenAI
• 職位：首席科學家
• 代表作：Sequence to Sequence Learning with Neural Networks（2014）
• 貢獻：Sutskever的研究主要集中在深度學習和生成模型，他在自然語言處理領域的工作為神經機器翻譯和文字生成奠定了基礎。

27. Jeff Dean

• 機構：谷歌
• 職位：谷歌AI部門高階副總裁
• 代表作：Large Scale Distributed Deep Networks（2012）
• 貢獻：Dean在大規模分散式系統和深度學習領域的貢獻使得谷歌的AI技術在搜尋和語音識別等應用中取得了領先地位。

28. Zoubin Ghahramani

• 機構：劍橋大學/谷歌AI
• 職位：機器學習教授/谷歌首席科學家
• 代表作：Probabilistic Machine Learning（2022）
• 貢獻：Ghahramani是機率機器學習的專家，他的研究涵蓋了貝葉斯方法、深度學習和自動化機器學習等領域，對AI的理論和實際應用產生了重要影響。

29. Peter Norvig

• 機構：谷歌
• 職位：研究總監
• 代表作：Artificial Intelligence: A Modern Approach（1995）
• 貢獻：Norvig是AI領域的教育家和實踐者，他的工作涉及AI教育、搜尋演算法和機器學習技術的應用與創新。

30. Daphne Koller

• 機構：英特爾資本
• 職位：聯合創始人兼主席
• 代表作：Deep Genomics: Combining Machine Learning and Genomics（2015）
• 貢獻：Koller在生物醫學和機器學習的交叉領域取得了重要成果，她的工作推動了個性化醫療和生物資訊學的發展。

31. Kunihiko Fukushima

• 機構：日本電氣通訊大學
• 職位：名譽教授
• 代表作：Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position（1980）
• 貢獻：Fukushima是神經網路和模式識別領域的先驅，他的Neocognitron模型為現代卷積神經網路的發展提供了重要基礎。

32. Sebastian Ruder

• 機構：DeepMind
• 職位：研究科學家
• 代表作：On the State of the Art of Evaluation in Neural Language Models（2019）
• 貢獻：Ruder在自然語言處理和深度學習方面的研究集中於提高模型的效能和效率，其工作對語言模型的評估和最佳化產生了重要影響。

33. Samy Bengio

• 機構：蘋果
• 職位：蘋果AI研究總監
• 代表作：Better Fine-Tuning by Reducing Representational Collapse（2022）
• 貢獻：Bengio在深度學習和自然語言處理領域的研究推動了模型最佳化和遷移學習的發展，其在減少模型表示崩潰方面的工作為提升AI系統的魯棒性提供了新方法。

34. Tomas Mikolov

• 機構：Facebook AI Research
• 職位：研究科學家
• 代表作：Efficient Estimation of Word Representations in Vector Space（2013）
• 貢獻：Mikolov因開發Word2Vec而聞名，該模型極大地推動了自然語言處理領域的進展，使得詞嵌入技術成為文字資料分析的基礎。

35. Kai-Fu Lee

• 機構：創新工場
• 職位：董事長兼執行長
• 代表作：AI Superpowers: China, Silicon Valley, and the New World Order（2018）
• 貢獻：Lee在AI技術的商業化和全球化發展方面發揮了關鍵作用，他的工作促進了中美兩國在AI領域的合作與競爭。

36. Yannick Kilcher

• 機構：瑞士蘇黎世聯邦理工學院
• 職位：博士後研究員
• 代表作：Understanding the Difficulty of Training Deep Feedforward Neural Networks（2016）
• 貢獻：Kilcher在深度學習模型的訓練與最佳化方面的研究提供了新見解，特別是關於深度神經網路訓練的難點及其解決方案。

37. Cynthia Rudin

• 機構：杜克大學
• 職位：計算機科學和統計學教授
• 代表作：Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead（2019）
• 貢獻：Rudin致力於開發可解釋的機器學習模型，她的研究在高風險決策和可解釋性AI方面取得了重要進展。

38. Adam Coates

• 機構：百度研究院
• 職位：首席科學家
• 代表作：Deep Neural Networks for Large-Scale Speech Recognition（2013）
• 貢獻：Coates在語音識別和深度學習方面的研究推動了語音技術的應用與普及，他在大規模神經網路的最佳化方面取得了重要成果。

39. Karen Hao

• 機構：麻省理工學院技術評論
• 職位：資深編輯
• 代表作：The Messy, Secretive Reality Behind OpenAI’s Bid to Save the World（2020）
• 貢獻：Hao的研究與報道聚焦於AI政策、倫理和社會影響，為AI技術的發展提供了批判性思考與指導。

40. Thomas Wolf

• 機構：Hugging Face
• 職位：聯合創始人兼首席科學家
• 代表作：Transformers: State-of-the-Art Natural Language Processing（2020）
• 貢獻：Wolf在自然語言處理和機器學習工具方面的貢獻極大地推動了Transformer模型的應用與發展，其開發的工具包被廣泛應用於AI研究與實踐。

41. Anima Anandkumar

• 機構：加州理工學院/英偉達
• 職位：機器學習教授/英偉達機器學習研究總監
• 代表作：Tensor Methods for Learning Latent Variable Models（2014）
• 貢獻：Anandkumar在張量方法和深度學習方面的研究極大地推動了AI演算法在複雜資料集上的應用。她的工作提供了新穎的理論框架和演算法，幫助解決了高維資料分析和結構化預測問題，並在多種實際應用中取得了成功，包括影像處理、自然語言處理和推薦系統。

42. Noah Goodman

• 機構：斯坦福大學
• 職位：心理學和計算機科學教授
• 代表作：Probabilistic Programs and Sum-Product Networks（2018）
• 貢獻：Goodman的研究涵蓋了人工智慧和認知科學的交叉領域，他提出的機率程式模型為AI的推理和學習提供了新方法。他的工作為開發更具解釋性和靈活性的AI系統提供了基礎，促進了AI技術在自然語言理解和因果推理方面的應用。

43. Joshua Tenenbaum

• 機構：麻省理工學院
• 職位：認知科學與計算機科學教授
• 代表作：Building Machines That Learn and Think Like People（2019）
• 貢獻：Tenenbaum的研究專注於理解人類認知的基本機制，並將其應用於人工智慧的開發。他的工作旨在構建能夠像人類一樣學習和推理的機器，為AI在認知科學和人機互動領域的應用開闢了新途徑。

44. Max Tegmark

• 機構：麻省理工學院
• 職位：物理學教授
• 代表作：Life 3.0: Being Human in the Age of Artificial Intelligence（2017）
• 貢獻：Tegmark的研究涉及AI的哲學和社會影響，他探討了人工智慧在未來社會中的角色和可能性。他的工作引發了關於AI倫理和安全性的廣泛討論，為AI技術的負責任開發提供了理論指導。

45. Percy Liang

• 機構：斯坦福大學
• 職位：計算機科學副教授
• 代表作：Learning from Noisy Data（2020）
• 貢獻：Liang的研究重點是如何從不完美和噪聲資料中學習，他提出的新方法提高了機器學習模型的魯棒性和適應性。他的工作在提高AI系統的可解釋性和可信度方面取得了重要進展。

46. Jiajun Wu

• 機構：斯坦福大學
• 職位：計算機科學助理教授
• 代表作：Learning to See Physics via Visual De-animation（2017）
• 貢獻：Wu的研究專注於將物理學知識引入到計算機視覺中，以提高AI系統的理解和推理能力。他的工作在自主機器人和增強現實應用中具有廣泛的應用前景。

47. Oriol Vinyals

• 機構：DeepMind
• 職位：研究科學家
• 代表作：AlphaStar: Mastering the Real-Time Strategy Game StarCraft II（2019）
• 貢獻：Vinyals在深度學習和強化學習方面的研究為開發能夠在複雜環境中自主學習和決策的AI系統奠定了基礎。他的工作包括開發AlphaStar，這是第一個在電子競技遊戲中擊敗人類專業選手的AI。

48. Aude Oliva

• 機構：麻省理工學院
• 職位：計算機科學和人工智慧實驗室主任
• 代表作：The Deep Learning Revolution: How Deep Learning is Transforming Artificial Intelligence（2017）
• 貢獻：Oliva的研究涵蓋了計算機視覺和認知科學，她在理解視覺資訊的處理和記憶方面取得了重大突破。她的工作為開發更智慧的計算機視覺系統提供了新方法。

49. Ishan Misra

• 機構：Meta AI
• 職位：研究科學家
• 代表作：Self-Supervised Learning of Pretext-Invariant Representations（2020）
• 貢獻：Misra在自監督學習和表徵學習方面的研究推動了無監督學習的進展。他的工作為AI模型在缺乏標註資料的情況下進行有效學習提供了新方法。

50. Raquel Urtasun

• 機構：多倫多大學/優步ATG
• 職位：計算機科學教授/優步自動駕駛首席科學家
• 代表作：Deep Structured Models for Human Pose Estimation（2016）
• 貢獻：Urtasun在自動駕駛和計算機視覺領域的研究為開發更加安全和可靠的自動駕駛系統提供了新方法。她的工作涉及深度學習模型的最佳化和應用，包括人類姿態估計和環境感知。

New Star, New Start   –By Frank with Midjourney

如果點個贊或在看，我會非常開心！！！

新鮮真話，關注一下