盘点人工智能领域10位顶尖科学家：西方巨人VS东方泰斗
邢波（EricXing）
邢波（EricXing）是卡耐基梅隆大学教授，曾于2014年担任国际机器学习大会（ICML）主席。主要研究兴趣集中在机器学习和统计学习方法论及理论的发展，和大规模计算系统和架构的开发。他创办了Petuum公司，这是一家专注于人工智能和机器学习的解决方案研发的公司，腾讯曾投资了这家公司。
杰弗里·辛顿（GeoffreyHinton）
杰弗里·辛顿（GeoffreyHinton）是多伦多大学计算机科学系教授，被誉为“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，辛顿在论文中提出了反向传播（BP），为人工智能的发展奠定了基础。在2012年ImageNet图像识别竞赛上，辛顿通过“深度学习”的方法将图片识别的准确率提高了一个档次，开启了今天的深度学习和AI热潮。2013年，谷歌收购了辛顿参与创立的DNNResearch公司。自那之后，他就一直为谷歌“大脑”神经网络项目工作，在他的帮助下，谷歌的图像识别和安卓系统音频识别能力有了大幅提升。
雅恩·乐昆（YannLeCun）
雅恩·乐昆（YannLeCun）与其老师杰弗里·辛顿（GeoffreyHinton）一样，被誉为“人工智能领域三大奠基人之一”。20世纪80年代中期，乐昆与老师辛顿等科学家一起提出了反向传播（BP），而后乐昆在贝尔实验室将BP应用于卷积神经网络中，并将其实用化，推广到各种图像相关任务中，可以说是他让人工智能能够用类似人眼、人脑的方式获取信息。2003年，乐昆被纽约大学（NYU）聘为计算机科学和神经科学的教授。2013年，他加入Facebook，目前担任Facebook首席AI科学家。
约书亚·本吉奥（YoshuaBengio）
约书亚·本吉奥（YoshuaBengio）被誉为“人工智能领域三大奠基人之一”，目前是加拿大蒙特利尔大学（UniversitédeMontréal）计算机科学和运筹学系教授。他的研究工作主要聚焦在高级机器学习方面，致力于用其解决人工智能问题。2016年年末，Bengio启动了一个名为ElementAI的创业孵化器，为企业提供AI解决方案。2017年，腾讯曾投资这家公司。
塞巴斯蒂安·史朗（SebastianThrun）
塞巴斯蒂安·史朗（SebastianThrun）是谷歌副总裁兼研究员、Udacity的首席执行官、斯坦福大学计算机科学的兼职研究教授。史朗主要凭借在机器人技术领域的研究成果而闻名，他主持开发的自动驾驶汽车“斯坦利”（Stanley），在2005年无人驾驶机器人超级挑战赛（DARPAGrandChallenge）上赢得冠军。史朗和自己的团队为斯坦利编写了10万行代码的软件，它可以对传感器数据进行解读，并负责为车辆导航。史朗目前是谷歌自动驾驶汽车项目的负责人，被称为“谷歌无人车之父”。
德米斯·哈萨比斯（DemisHassabis）
德米斯·哈萨比斯（DemisHassabis）是英国人工智能研究专家、神经学家、电脑游戏设计师和国际象棋大师。曾经引起轰动的围棋人工智能AlphaGo就出自他的手笔。哈萨比斯是DeepMind的联合创始人，DeepMind公司部分的AI研发项目已经在能源、医疗、水源改进、区块链等领域里得到应用。2014年，DeepMind被谷歌收购。目前，哈萨比斯担任负责谷歌人工智能项目的工程副总裁。
于尔根·施米德休伯（JürgenSchmidhuber）
于尔根·施米德休伯（JürgenSchmidhuber）是瑞士卢加诺人工智能实验室IDSIA的联席主任，被誉为“将会被首批拥有自我意识的机器人称作父亲的人”。他凭借“对深度学习和神经网络的开拓性贡献”，成为2016年IEEE计算智能协会神经网络先锋奖（NeuralNetworksPioneerAward）的得主。我们所使用的智能手机语音识别功能就来自于他的研究，如今，超过10亿人可以用上IDSIA开发的算法，比如通过智能手机上的谷歌语音识别功能。
李飞飞（Fei-FeiLi）
李飞飞（Fei-FeiLi）是斯坦福大学教授、斯坦福大学人工智能实验室与视觉实验室负责人、谷歌云人工智能和机器学习首席科学家。她是ImageNet项目的创始人，ImageNet是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库。这一数据库被用于训练深度学习图片识别算法，比如我们知道的“识别猫”等。
吴恩达（AndrewNg）
吴恩达（AndrewNg）是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。他是世界上第一个赋予机器“识别猫”这项技能的人，并被誉为人工智能和机器学习领域最权威的学者之一。吴恩达曾担任百度公司首席科学家，同时也曾创建谷歌深度学习研究团队GoogleBrain以及在线学习教育平台Coursera。目前，吴恩达担任Woebot公司新任董事长。
榜单中，加州大学伯克利分校MichaelI.Jordan教授与卡耐基梅隆大学的邢波教授，确认参加2018年6月13-15日由上海市经济和信息化委员会、上海市商务委员会、上海市长宁区人民政府指导，上海市长宁区青年联合会和亿欧公司联合主办的“2018全球智能+新商业峰会”，峰会现已开放官方报名渠道，期待各方参与。
“2018全球智能+新商业峰会”探索人工智能在各行各业的应用，除了6月13日的“全球AI领袖峰会”外，14-15日将举办包括AI国际峰会、AI消费产品峰会、智能+新服务峰会、智能+新出行峰会、智能+大健康峰会、智能+教育峰会、智能+新零售峰会、智能+新金融峰会在内的8场垂直峰会，诚邀各方参与。
文章内容系作者个人观点，不代表亿欧对观点赞同或支持；转载请注明作者姓名和来源。返回搜狐，查看更多
人工智能有哪些主要学派——天才AI
人工智能主要学派：符号主义、连接主义、行为主义人工智能的发展，在不同的时间阶段经历了不同的流派，并且相互之间盛衰有别。目前人工智能的主要学派有下列三家：
符号主义(symbolicism)，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统，即符号操作系统，假设和有限合理性原理。连接主义(connectionism)，又称为仿生学派或生理学派，其主要原理为神经网络及神经网络间的连接机制与学习算法。行为主义(actionism)，又称为进化主义或控制论学派，其原理为控制论及感知-动作型控制系统。会发现三者的根源依据存在着较大的差异性，也为后世的学派发展产生了较为深远的影响。
符号主义（优秀的老式人工智能）认为人工智能源于数理逻辑，主张用公理和逻辑体系搭建一套人工智能系统。代表的有支持向量机（SVM），长短期记忆（LSTM）算法。
数理逻辑从19世纪末起得以迅速发展，到20世纪30年代开始用于描述智能行为。计算机出现后，又在计算机上实现了逻辑演绎系统。其有代表性的成果为启发式程序LT逻辑理论家，它证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。
正是这些符号主义者，早在1956年首先采用“人工智能”这个术语。后来又发展了启发式算法>专家系统>知识工程理论与技术，并在20世纪80年代取得很大发展。
符号主义曾长期一枝独秀，为人工智能的发展作出重要贡献，尤其是专家系统的成功开发与应用，为人工智能走向工程应用和实现理论联系实际具有特别重要的意义。在人工智能的其他学派出现之后，符号主义仍然是人工智能的主流派别。
优点：越来越多的人认识到，高风险决策领域对人工智能系统有需求，因此这些系统的行为要有可验证性与可解释性，而这恰恰是符号主义AI的优势，联结主义算法的短板。
不足：虽然符号主义AI技术可以处理部分不可观察概率模型，但这些技术并不适用于有噪输入信号，也不适用于无法精确建模的场合。在那些可以准确判断出特定条件下特定动作利弊与否的场合中，它们会更有效。此外，算法系统还要提供适当的机制来实现清晰的规则编码与规则执行。
符号主义算法会剔除不符合特定模型的备选值，并能对符合所有约束条件的所求值做出验证，以后者而言，符号主义AI远比联结主义AI便捷。因为符号主义AI几乎或根本不包括算法训练，所以这个模型是动态的，能根据需要迅速调整
连接主义（壮年最普遍的人工智能）认为人工智能源于仿生学，神经网络，特别是对人脑模型的研究,主张模仿人类的神经元，用神经网络的连接机制实现人工智能。
它的代表性成果是1943年由生理学家麦卡洛克(McCulloch)和数理逻辑学家皮茨(Pitts)创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。
它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。
直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，伟神经网络计算机走向市场打下基础。
现在，对人工神经网络(ANN)的研究热情仍然较高，但研究成果没有像预想的那样好。
行为主义行为人工智能源于控制论。控制论思想早在20世纪40~50年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳(Wiener)和麦克洛克(McCulloch)等人提出的控制论，和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。
控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。
到20世纪60~70年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。行为主义是20世纪末才以人工智能新学派的面孔出现的，引起许多人的兴趣。
这一学派的代表作者首推布鲁克斯(Brooks)的六足行走机器人，它被看作是新一代的“控制论动物”，是一个基于感知-动作模式模拟昆虫行为的控制系统。
总结三大主义，从不同的侧面研究了人的自然智能，与人脑的思维模型有着对应的关系。粗略地划分，可以认为
符号主义研究抽象思维；连接主义研究形象思维；而行为主义研究感知思维。研究人工智能的三大学派、三条途径发挥到各个领域，又各有所长。
符号主义注重数学可解释性；连接主义偏向于仿人脑模型，更加感谢；行为主义偏向于应用和模拟。免责声明：本文来自钱多多先森客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。
人工智能研究主要有哪三大学派，其特点是什么
人工智能研究主要有哪三大学派，其特点是什么？（1）符号主义：又称为功能模拟学派，主要观点认为智能活动的基础是物理符号系统，思维过程是符号模式的处理过程。其特点：（a）立足于逻辑运算和符号操作，适合模拟人的逻辑思维过程，解决需要逻辑推理的复杂问题。（b）知识可用显示的符号表示，在已知基本规则的情况下，无需输入大量的细节知识。（c）便于模块化，当个别事实发生变化时，易于修改。（d）能与传统的符号数据库进行连接。（e）可对推理结论进行解释，便于对各种可能性进行选择。（2）连接主义：又称为结构模拟学派，是基于神经网络及网络间的连接机制和学习算法的人工智能学派。主要观点认为大脑是一切智能活动的基础，因而从大脑神经元及其连接机制出发进行研究，渴望揭示人类智能的奥秘，从而真正实现人类智能在机器上的模拟，其特点：（a）通过神经元之间的并行协作实现信息处理，处理过程具有并行性，动态性，全局性。（b）可以实现联想的功能，便于对噪声的信息进行处理。（c）可以通过对于神经元之间连接强度的调整实现学习和分类等。（d）适合模拟人类的形象思维过程。（e）求解问题时，可以较快的得到一个近似解。（3）行为主义：又称模拟学派、进化主义或控制论学派，认为智能行为的基础是“感知行为”的反应机制。基于智能控制系统的理论、方法和技术，研究拟人的智能控制行为。其特点：（a）知识和形式表达和模型化方法是人工智能的重要障碍之一。（b）智能取决于感知和行动，应直接利用机器对机器环境作用后，以环境对作用的响应为原型。（c）智能行为只能体现在世界中，通过与周围环境交互而表现出来。（d）人工智能可以像人类智能一样逐步进化，分阶段发展和增强。
2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】