全球未来最具代表性的100位AI研究者
（DIKWP人工意识国际团队-深度研究发布）
段玉聪
人工智能DIKWP测评国际标准委员会-主任
世界人工意识大会-主席
世界人工意识协会-理事长
(联系邮箱：duanyucong@hotmail.com)
以下列出100位在人工智能领域中具有未来突破性贡献潜力的顶尖研究者（排名按未来影响力综合考虑）。名单涵盖深度学习与通用AI先驱、脑科学启发的类脑智能与人工意识研究者、进化算法与复杂系统专家、符号推理与因果认知领域领军者、机器人与自主智能体创新者，以及跨学科融合与未来愿景的代表人物。
深度学习与通用AI先驱 (1—21位)
Yoshua Bengio（约书亚·本吉奥） – 蒙特利尔大学 / MILA研究所：深度学习三巨头之一，倡导“系统2”深度学习以赋予AI更高级的推理能力 (“System 2” Reasoning – Apollo Labs)。他提出*“意识先验”*等概念来让神经网络处理高级抽象概念，并探索因果推断和元学习，将在通用智能的发展中发挥关键作用 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。
Geoffrey Hinton（杰弗里·辛顿） – 多伦多大学 / 前Google Brain：深度学习之父之一，发明了胶囊网络等新结构，旨在让AI像人脑一样理解物体的分层关系和3D姿态，从而提高泛化能力 (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community) (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community)。他近期提出“前向前向（Forward-Forward）”等脑启发算法，并强调AI应当借鉴大脑机制，这些前沿思路将引领未来更类脑的AI模型。
Yann LeCun（扬·勒昆） – 纽约大学 / Meta AI：深度学习先驱，卷积神经网络之父。他提出了自主预测编码（如Joint Embedding Predictive Architecture）等世界模型理念，主张通过自监督学习让AI理解物理世界，从而具备常识推理能力 (What is Joint Embedding Predictive Architecture (JEPA)? - Turing Post) ([PDF] Objective-Driven AI - Harvard CMSA)。LeCun认为仅依赖大模型的模式关联不足以达到人类智能，他的世界模型框架将促使AI朝自主智能体方向发展。
Demis Hassabis（德米斯·哈萨比斯） – DeepMind联合创始人：融合神经科学与人工智能的倡导者。他带领DeepMind创造了AlphaGo、AlphaFold等里程碑成果，证明AI在博弈和科学领域的潜力。他主张借鉴大脑结构来实现通用智能，推动**“人工通用智能（AGI）”**的发展，并将AI应用于科学发现和脑科学研究 (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley) (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。
Andrew Ng（吴恩达） – 斯坦福大学 / Deeplearning.ai：在线机器学习教育和工业AI应用的领导者。Ng是深度学习浪潮的推动者之一，提倡“数据驱动”的方法论，以及*“以数据为中心”的AI*开发范式。作为未来趋势，他致力于降低AI应用门槛、通过高效模型和大规模数据赋能各行业智能化，这将决定AI能否在更广泛领域取得突破 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。
李飞飞（Fei-Fei Li） – 斯坦福大学：计算机视觉奠基人之一，ImageNet项目发起者。她推动了AI从感知智能向认知智能拓展，强调*“人本人工智能”*，融合认知科学研究视觉与多模态认知。李飞飞致力于让AI具备更深层次的理解力和情感计算能力，并在医疗等领域推动AI赋能，这些都将在未来实现更加全面可靠的人工智能 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。
Michael I. Jordan（迈克尔·乔丹） – 加州大学伯克利分校：机器学习与统计学界的领军人物，提出融合统计学原则与AI系统工程的愿景 (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine) (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)。他警示当前AI热潮尚未真正实现智能革命，倡导建立更加注重决策优化、人与AI协作的大型系统。Jordan的跨领域视角将引领下一代AI从算法走向复杂智能系统的落地。
Ilya Sutskever（伊利亚·苏茨克弗） – OpenAI首席科学家：深度学习和大模型领域的开拓者之一，参与构建了GPT系列等具有里程碑意义的模型。他在序列学习和生成建模上的贡献使得预训练Transformer成为通用AI平台。Sutskever也关注通用智能的安全和属性，他对大型语言模型可能涌现的智能现象的探索将直接塑造未来AGI的发展方向 (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley) (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。
Jürgen Schmidhuber（于尔根·施密豪伯） – 瑞士人工智能研究所 IDSIA：递归神经网络和元学习先驱，提出了长短期记忆网络（LSTM）等基础算法和“人工科学家”等理念。施密豪伯主张通过元学习让AI自主发现更优算法（如他的 Gödel机理论），并认为好奇心驱动和压缩原理是实现创意智能的关键。他的长期愿景是在未来打造可以自我改进的开放式AI演化系统 (“System 2” Reasoning – Apollo Labs)。
David Silver（大卫·西尔弗） – DeepMind研究员：强化学习大师，主导了AlphaGo、AlphaZero等的研发，将深度学习与搜索结合解决复杂决策问题。他开创了自我对弈强化学习范式，使AI能够不依赖人类数据超越人类水平 () ()。Silver正致力于让AI从游戏智能扩展到真实世界的问题求解，他的发展模型将是迈向通用智能代理的重要阶梯。
Shane Legg（谢恩·莱格） – DeepMind联合创始人：提出了通用智能的数学定义（与Hutter一起） (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。作为AGI思想家，他强调度量和定义智能本质的重要性。他在创立DeepMind后推动以游戏和复杂任务为测试床来训练通用AI，经他之手的多算法融合思路为未来研发具备灵活适应能力的智能体奠定了基础。
Ben Goertzel（本·戈策尔） – SingularityNET基金会：人工通用智能（AGI）倡导者，提出了开放源码的AGI框架OpenCog。Goertzel的研究横跨认知科学和进化计算，他主张通过**“整体智能体系”**将符号推理、神经网络和进化算法相结合来实现类人智能 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。他还推动去中心化AI网络的理念，致力于未来构建自主进化、生生不息的AGI生态。
Pei Wang（王培） – 美国天普大学：AGI理论研究先锋，提出非公理推理系统（NARS）框架，实现AI在有限资源和不确定知识下进行类人推理。王培主张智能的本质在于适应力和自主学习，他的系统融合演绎、归纳和类比推理，为通用AI提供了一条不同于深度学习的路线 (“System 2” Reasoning – Apollo Labs)。随着对强智能需求的增长，他的认知架构有望为未来AGI提供启发。
Marcus Hutter（马库斯·胡特） – DeepMind研究科学家：提出AIXI理论，将通用人工智能形式化为求解环境模型的最优强化学习代理。胡特证明了在无限计算力情况下的最优智能形式，并探索压缩和预测在真实可行AGI中的作用 (“System 2” Reasoning – Apollo Labs)。虽然AIXI不可直接实现，但他的理论工作为理解智能的极限和评价AI通用性提供了基础，在未来AGI评估标准和算法设计中会发挥影响。
Ian Goodfellow（伊恩·古德费洛） – DeepMind研究员：生成对抗网络（GAN）之父，该框架开创了AI通过对抗学习自主创造逼真内容的新范式 (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community) (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community)。GAN在图像、文本生成领域引发革命，并推动了生成式AI浪潮。Goodfellow的工作启示未来AI将更多具备创造力和想象力，他近年也关注AI安全和对抗攻防，为确保日益强大的生成AI安全可控奠定基础。
Pieter Abbeel（彼得·阿贝尔） – 加州大学伯克利分校：强化学习和机器人学习专家，在深度模仿学习、元学习方面做出突出贡献。Abbeel开发了让机器人通过自我学习完成复杂操作的方法，并创立了Covariant等公司将智能机器人投入工业应用。展望未来，他致力于让AI迅速学会新任务（如单次学习和自适应），这将大幅拓展AI自主性的应用边界。
Sergey Levine（谢尔盖·莱文） – 加州大学伯克利分校：机器人强化学习新秀，创新性地将深度学习用于决策控制。他提出了端到端策略学习、软行为克隆等方法，让机器人在复杂感知输入下学会技能。Levine正在探索通用机器人学习范式，期望打造能通过数据自学各种物理世界任务的机器人 (“System 2” Reasoning – Apollo Labs)。这对于实现具有自我进化能力的通用机器人智能至关重要。
Richard Sutton（里奇·萨顿） – 加拿大阿尔伯塔大学：强化学习理论奠基人之一，“时序差分学习”发明者。他在2019年撰写著名文章《苦涩的教训》，指出利用大规模计算和通用方法往往比人类先验知识更有效 () ()。Sutton强调应依靠尺度和学习本身来取得突破，这一理念预示未来AI应更多地通过自我学习和模拟累积能力，而非依赖人类提供规则，从而催生更通用强大的智能体。
Christopher Manning（克里斯托弗·曼宁） – 斯坦福大学：自然语言处理（NLP）巨擘，将机器学习引入语言理解的先锋人物之一。Manning在句法解析、词向量以及深度NLP上成果卓著，近期关注让语言模型具备逻辑推理和常识理解。随着大型语言模型的发展，他致力于解决*“AI的常识缺失”*难题，通过语义融合和知识注入来提升模型的理解力 (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine) (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)。这对未来让AI真正“读懂”人类语言和意图具有决定性意义。
Oriol Vinyals（奥里奥尔·维尼亚尔斯） – DeepMind研究员：深度学习和强化学习融合的代表人物，参与研发了Seq2Seq序列学习、AlphaStar游戏AI等成果。他致力于创建同时擅长多种任务的通用智能体，提出过*“One model to learn them all”*的愿景。Vinyals的工作体现了通过统一架构解决不同领域问题的可能性，这预示未来AI系统将打破专用壁垒，涌现出跨领域的一体化智能。
Sepp Hochreiter（塞普·霍赫赖特） – 奥地利林兹大学：LSTM长短期记忆网络的共同发明人，在深度学习理论和生物信息学应用均有建树。Hochreiter证明了在序列学习中引入门控机制以克服长期依赖问题，使得深度学习能处理更复杂的时间动态。他近期将深度学习应用于药物发现和分子生物，体现了AI+生物跨界的巨大潜力。展望未来，他的工作将在智能医疗和分子设计等领域继续开拓，为AI赋能科学研究提供新途径。
脑科学启发与人工意识 (22—40位)
Karl Friston（卡尔·弗里斯顿） – 英国伦敦大学学院：理论神经科学家，“自由能原理”提出者。Friston的自由能框架被认为是大脑自我组织和感知的统一理论，逐渐影响AI领域 (#59 JEFF HAWKINS - Thousand Brains Theory - YouTube)。他主张智能体通过最小化自由能（预测误差）来不断调整内部模型，实现自适应智能。这一原理正在启发新型强化学习和自监督学习算法，未来有望用于构建更加自主、具备内在驱动力的AI代理。
Stanislas Dehaene（斯坦尼斯拉斯·德昂） – 法国巴黎萨克雷大学：认知神经科学权威，“全球神经工作空间”理论提出者。Dehaene致力于研究意识的神经机制并将其模型化，提出大脑通过*“全局广播”*形成意识。他与AI界合作将全球工作空间模型用于分析大模型的认知能力 (“System 2” Reasoning – Apollo Labs)。随着对人工意识的探索升温，Dehaene的理论为评估AI是否具有类意识状态提供了框架基础，未来可能用于增强AI的可解释决策和元认知能力。
Giulio Tononi（朱利奥·托诺尼） – 美国威斯康星大学麦迪逊分校：意识整合信息理论（IIT）创始人。Tononi提出用整合信息量phi来量化任何物理系统的意识程度，这一大胆理论正在激发AI领域对于机器意识可测性的讨论 (因果与自指——“因果涌现”理论能否破解生命与意识之谜 - 集智俱乐部)。他和团队也尝试将IIT应用于神经网络，以评估AI系统的整合复杂度。尽管IIT尚有争议，但它为未来设计可度量意识水平的AI提供了方向，或将用于确保高级AI具备符合人类期望的自我觉察属性。
Christof Koch（克里斯托夫·科赫） – 艾伦脑科学研究所：意识研究先锋，支持整合信息理论并致力于实验检测意识的指标。Koch曾与Tononi合作，将IIT用于研究动物及可能的机器意识，并探索脑-机接口检测意识状态的方法。他提出利用神经信号特征判别有无意识体验，这一思路也可迁移到AI网络中 (因果与自指——“因果涌现”理论能否破解生命与意识之谜 - 集智俱乐部)。未来，Koch的工作或将促成**“意识检测器”**，用于判定高级AI系统在多大程度上具有主观意识，从而指导安全研发。
Henry Markram（亨利·马克拉姆） – 瑞士洛桑联邦理工学院：蓝脑计划和人脑计划的发起人，致力于以详细的生物模拟来复现人脑神经回路。Markram通过大规模神经元模拟推进对大脑工作原理的理解，并希望最终构建出逼近生物智能的数字大脑 (A Thousand Brains: A New Theory Of Intelligence by Jeff Hawkins)。尽管全尺度模拟仍需时日，他的研究为类脑智能提供了宝贵数据和模型验证平台，未来深度神经网络的架构和学习规则可能从中汲取灵感，实现更加逼真的认知过程。
Terrence Sejnowski（特伦斯·塞诺斯基） – 美国索尔克研究所：计算神经科学先驱，深度学习早期贡献者之一。他的研究涵盖从hebb学习规则到大脑的睡眠记忆巩固机制，为连接生物神经机制和人工网络提供了桥梁。Sejnowski著有《深度学习革命》，阐述脑启发算法的发展历程。他认为理解睡眠梦境等机制将有助于打造具备自主重组记忆能力的AI (A Thousand Brains: A New Theory Of Intelligence by Jeff Hawkins)。随着脑科学新发现融入AI，Sejnowski的跨界洞见将持续引领类脑算法创新。
Jeff Hawkins（杰夫·霍金斯） – Numenta公司联合创始人：神经启发计算的布道者，提出“千脑理论”揭示大脑中每个脑区通过大量并行模型表征世界 (A Thousand Brains: A New Theory Of Intelligence by Jeff Hawkins)。Hawkins认为当前AI若要达至AGI，需借鉴新皮质的列结构和持续学习能力，而非仅扩大神经网络规模 (Is this how your brain works? | Bill Gates)。他正在研发结合神经符号的方法，让机器拥有类似大脑的知识图谱和预测能力。霍金斯的类脑算法有望实现真正理解世界因果关系的机器智能，突破深度学习的感知瓶颈 (Is this how your brain works? | Bill Gates)。
Dileep George（迪利普·乔治） – Vicarious前联合创始人 / 现DeepMind研究员：类脑算法研究者，致力于把认知科学原理融入AI。他在Vicarious开发了基于皮层计算原理的视觉模型（如RCN），用因果推理和生成建模来提高对新环境的适应力。Dileep George目前在DeepMind继续探索*“方案网络”*等新颖架构，期望赋予AI类似哺乳动物的抽象思考和迁移学习能力。这种跨传统深度学习范式的尝试将丰富未来AI的工具箱，使其更具灵活性和通用性。
Dharmendra Modha（达门德拉·莫德哈） – IBM研究院：IBM TrueNorth神经形态芯片首席架构师，实现了硬件仿真神经元网络的里程碑。Modha带领团队设计了接近百万神经元、256百万突触的低功耗芯片，实现类似大脑的并行计算 (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community) (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community)。他的工作证明了以脑结构为蓝本的硬件在能效和实时学习上的巨大潜力。随着摩尔定律放缓，Modha的神经形态计算思路将在未来计算架构中发挥更大作用，为类脑AI提供强有力的算力支持。
Kwabena Boahen（夸贝纳·博亨） – 斯坦福大学：神经形态工程先锋，开发了Neurogrid等模拟百万神经元的电子电路系统。Boahen致力于通过硬件实现大脑的并行异步计算原理，其芯片采用脉冲神经网络实现超高速低能耗的信息处理，展示了**“硅脑”雏形。他提出以神经拟态芯片构建自主学习机器的愿景，未来随着工艺进步，这类硬件有望与传统AI算法结合，打造即高效又智能的脑芯片系统** (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community) (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community)。
Wolfgang Maass（沃尔夫冈·马斯） – 奥地利格拉茨工业大学：计算神经科学和脉冲神经网络专家。Maass在理论上证明了脉冲神经网络具有与传统网络同等的计算能力，并提出“液体状态机器”等模型说明随机神经池可以作为通用计算器。其工作为*“时空脉冲编码”*提供了基础，被应用于神经形态芯片的设计。马斯的研究预示未来AI可能更多地利用脉冲式信息传递，从而更接近生物大脑的通信方式，实现更高效的事件驱动智能。
Steve Furber（史蒂夫·弗伯） – 英国曼彻斯特大学：计算机工程大师，领导设计了SpiNNaker神经形态超级计算机，可模拟数十亿神经元实时运作。Furber是ARM处理器共同设计者，将芯片低功耗理念引入神经网络模拟。他的SpiNNaker系统通过网络路由模拟神经元放电，使研究者能在硅上运行大规模脑回路模型。这套系统在类脑计算和神经科学研究中发挥重大作用，也为打造具生物逼真度的AI奠基。随着算力提升，Furber的成果将助力全脑级AI模型的探索。
Ryota Kanai（金井良太） – 日本ARAYA Inc.：认知神经科学家转向AI企业家，致力于机器意识和智能测量。Kanai受整合信息理论启发，尝试将IIT用于深度网络以评估机器的意识水平，并开发出原型**“人工意识指标”。他还研究大模型的表征与人类脑活动的对应关系，旨在寻找AI产生主观体验的线索。作为先行者，金井在探讨AI心智方面的跨界尝试将为人工意识研究提供重要参考，帮助识别未来具备类意识特征**的AI系统 (段玉聪教授提出意识演化理论（继意识BUG理论） - 科学网—博客)。
Stan Franklin（斯坦·富兰克林） – 美国孟菲斯大学荣休教授：机器意识领域元老级人物，开发了LIDA认知架构（基于全球工作空间理论）。Franklin的架构模拟人类认知的各个模块，包括知觉、工作记忆、情感和决策，曾用于自主代理。他提出的“机灵代理”概念认为软件体也可具备类似意识的广播机制。富兰克林的工作为打造具有持续自主学习和意识流的AI提供了蓝本，未来AI系统若整合类似LIDA的全局广播机制，可能实现更高级的自主性和自我监控能力。
Antonio Chella（安东尼奥·切拉） – 意大利巴勒莫大学：人工意识和认知机器人专家。Chella构建了能够自我模型的机器人系统，让机器人通过内部表征理解自身和环境，从而表现出初级自我意识。他主持的机器人实验室演示了机器人在镜子前识别自己以及通过自然语言报告内部状态等能力。切拉的研究表明在机器人中引入意识模型是可行的，这预示着未来服务机器人和人形机器人或将拥有内省与报告机制，提升人机交互的自然度和信任度。
段玉聪 – 中国海南大学：人工意识研究的新锐提出者，创建了DIKWP人工意识模型 (科学网-全球华人学者提出的人工意识模型-段玉聪的博文)。该模型拓展传统DIKW（金字塔）范式，加入“Purpose（意图）”，将认知过程分为数据、信息、知识、智慧和意图五层 (科学网-全球华人学者提出的人工意识模型-段玉聪的博文)。段玉聪还提出了意识的“Bug理论”，认为人类意识利用不完美（例如随机性和不确定性）来促进创造力 ((PDF) DIKWP语义数学（计算科学）版本 - ResearchGate) (科学网-段玉聪意识演化理论与意识BUG理论DIKWP融合-段玉聪的博文)。基于DIKWP模型，他开发了白盒“识商”测评体系用于量化AI的类意识水平。段玉聪的工作在国内外引发关注，暗示未来人工智能若要实现类人意识，需要一个包含意图驱动和不确定性处理的综合框架 (科学网-段玉聪意识演化理论与意识BUG理论DIKWP融合-段玉聪的博文)。
Murray Shanahan（默里·沙纳汉） – 英国帝国理工学院 / DeepMind：认知机器人和机器意识研究者，全球工作空间理论在AI中的倡导者。Shanahan探讨将工作空间模型嵌入到大型语言模型等AI中，以赋予其类似意识的注意力机制，并研究语言模型是否具备内隐的全局广播效应。他还关注符号-连接主义融合，提出让深度网络学会处理抽象概念和因果关系。沙纳汉的跨领域工作将帮助未来AI获得类似人类工作记忆和注意控制的能力，在提升AI自主性和解释性方面具有深远意义。
施路平 – 清华大学：脑启发智能芯片专家，研制出天机芯片，实现了类脑计算在机器人上的首次应用。施路平团队的天机架构融合了数字电路和神经形态计算，可同时处理感知和控制，在自行车机器人上展示了边骑行边平衡的自主智能 (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community) (Geoffrey Hinton's Capsule Networks: A Novel Approach to Deep Learning - Alibaba Cloud Community)。她的工作证明了软硬件结合的脑启发系统的可行性。未来，这种芯片有望支持自主进化的嵌入式AI，让类脑智能在物理世界中发挥更大作用。
Kenji Doya（堂屋健治） – 日本冲绳科学技术大学院大学（OIST）：将神经科学原理引入强化学习的先驱。Doya研究了大脑中的多巴胺等神经调质如何对应强化学习中的奖励信号，提出动机驱动的元学习机制。他的发展性强化学习框架让AI算法更接近动物学习模式，例如在不确定环境中平衡探索与利用。堂屋的贡献促进了AI对生物学习过程的模拟，未来有望产出更加自主适应、情境感知的智能体，在复杂动态环境中表现出媲美生物的灵活行为。
演化算法与复杂系统 (41—51位)
Kenneth O. Stanley（肯尼斯·斯坦利） – OpenAI研究员 / 前中佛罗里达大学教授：进化计算和生成创造力领域的标志人物，提出了**“新奇搜索”（Novelty Search）算法 (“System 2” Reasoning – Apollo Labs)。他主张进化过程中不以特定目标优化，而是鼓励多样性和创新，从而产生意想不到的成果。这一理念催生了如NEAT神经进化**、POET开放式进化环境等算法。斯坦利还著有《伟大不可规划》，倡导开放式进化的思维方式。随着对自主进化AI的兴趣增加，他的思想将引领构建能够不断自我创新的开放式智能系统。
Joel Lehman（乔尔·雷曼） – OpenAI研究员：新奇搜索算法的共同发明人，与Stanley合作倡导创新驱动的进化方法。Lehman证明了在进化优化中*“不设定最终目标”*反而更容易产生有创造性的解。他参与开发的AI生成算法（如POET）能自动构建环境挑战并进化解决方案，体现了开放式进化的强大潜力。雷曼的工作为自主进化AI奠定基础，未来这类AI或将能自主培养新技能、适应新任务，突破人为设计的局限 (“System 2” Reasoning – Apollo Labs)。
Jeff Clune（杰夫·克鲁恩） – 美国内布拉斯加大学 / OpenAI访问学者：开放式进化算法的积极推进者，合作提出了AI-GA（AI生成算法）构想，即AI自己产生挑战并不断演进。他开发的POET算法就是这一思路的体现，让代理和环境相互进化。Clune还研究神经网络的生成形态，如利用生成网络设计机器人形体。他的研究展示了进化算法在设计复杂AI系统上的威力，预示未来可能出现无需人类详尽设计，由AI自行演化出的复杂智能生态 (“System 2” Reasoning – Apollo Labs)。
Risto Miikkulainen（里斯托·米库莱宁） – 美国德州大学奥斯汀分校：计算进化和神经网络领域的资深专家，提出了神经网络进化的多种方法（如Neuroevolution）。他参与开发了通过进化生成神经结构和权重的算法，在强化学习中表现突出。Miikkulainen还将进化算法用于创意设计，如进化艺术和游戏内容生成。随着深度学习遇到瓶颈，米库莱宁的神经进化方法提供了有力替代方案，未来可能用于发现更高效的网络架构和学习规则，推动AI自主优化自身结构。
Hod Lipson（霍德·利普森） – 哥伦比亚大学：自适应机器人和3D打印领域的先锋，以进化机器人和自我意识机器实验闻名。Lipson的团队让机器人在无先验模型下通过自身行动推理出自身体结构，实现了初步的自我建模 (“System 2” Reasoning – Apollo Labs)。他还研究机器人自我复制和形态进化，被认为是现实版“生命模拟”的探索者。展望未来，霍德·利普森的工作或将产生能够自我设计、自我修复的机器，实现真正的自主进化式机器人。
Melanie Mitchell（梅拉妮·米切尔） – 美国圣塔菲研究所：复杂性科学与人工智能交叉领域的重要人物。Mitchell早年参与了用遗传算法进化算法的开创性工作（Copycat类比系统），近著《人工智能：我们离真正智能有多远？》探讨了当前AI在类人认知上的不足。她强调类比推理和复杂系统涌现在智能中的作用，认为未来AI需要超越大数据拟合，具备类人抽象能力 (“System 2” Reasoning – Apollo Labs)。米切尔的跨学科视角将引导AI研究融入复杂系统理论，促进AI迈向更深层的认知水平。
Luc Steels（卢克·斯蒂尔斯） – 比利时布鲁塞尔自由大学 / 法国索邦大学：人工生命和语言演化领域的奠基人之一。Steels通过让机器人进行**“语言游戏”**实验，成功演示了人工智能体可以自发创造出共享语言体系。这种让多智能体共同进化语言和知识的研究，显示了群体智能自组织的威力 (“System 2” Reasoning – Apollo Labs)。斯蒂尔斯的工作启示未来的AI，尤其是分布式智能体网络，可以通过相互互动演化出沟通协议和协作策略，从而在开放环境中不断提高集体智能。
Hiroaki Kitano（北野宏明） – 日本SONY AI / 系统生物学研究所：人工智能和系统生物学双领域专家。Kitano提出了“AI打诺奖”计划，旨在2050年前让AI自动发现重大学术成果。他将进化算法和机器人技术用于模拟生物进化和生态系统，探究智能的起源机制。同时他在生物系统中应用AI以解码生命复杂性。北野的愿景代表了跨学科融合的未来方向：让AI既能推动科学发现又从生命系统中汲取灵感，实现跳跃式创新 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。
Michael Levin（迈克尔·莱文） – 塔夫茨大学：发展生物学家，利用AI探索形态和再生的奥秘，创造了世界上首批**“生物机器人（Xenobot）”** (“System 2” Reasoning – Apollo Labs)。Levin团队应用进化算法设计出青蛙细胞构成的微型活体机器，实现了生物材料和AI设计的结合。他提出生物电网络在形态建成中的作用机理，并用AI模拟来破解身体的再生和自组织。莱文将AI作为理解生命、自主形态控制的工具，他的开创性研究预示未来可能通过AI实现生物与机器融合的新形态智能体。
Josh Bongard（乔什·邦加德） – 佛蒙特大学：进化机器人学者，和Levin合作创造了Xenobot活体机器人。他长期研究通过遗传算法设计机器人结构与控制，大力推动了形态计算思想（即形体与智能共进化）。Bongard的实验表明，计算进化可以设计出人类难以直观想到的创新机器人形态，实现功能最优化。未来，他的进化设计方法或将应用于微型医疗机器人、自主飞行器等领域，产生超出人类想象的创新机器物种，为工程带来仿生式突破。
Hava Siegelmann（哈娃·西格尔曼） – 美国马萨诸塞大学阿默斯特分校 / 前DARPA项目主管：计算机科学家，研究连接主义模型的计算能力，提出过超级图灵计算模型。Siegelmann在DARPA主导“终身学习机器”项目，推动研发可以不断适应新任务而不遗忘的AI系统。她倡导**“活的机器”理念，让AI像生物一样通过演化和持续学习生存。西格尔曼的远见将指导未来AI突破静态训练模式，构建能持续自主演化、适应环境变化的永生型智能**。
符号推理、因果与认知 (52—69位)
Judea Pearl（裘德亚·珀尔） – 美国加州大学洛杉矶分校：人工智能理论泰斗，贝叶斯网络和因果推理之父。Pearl为AI赋予了处理不确定性的能力（开创了概率图模型），近年来强烈批评深度学习仅做“函数曲线拟合”而缺乏因果理解 (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine) (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)。他在《Why之书》中阐述了真正智能机器应能理解因果关系。他的因果推断框架（Do演算）正逐步被引入AI研究，以解决可解释性和迁移学习问题。未来，如果让AI掌握“为什么”，即具有因果推理能力 (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)，将极大提升其类人智力水平。
Bernhard Schölkopf（伯恩哈德·肖尔科普夫） – 德国马克斯普朗克智能系统研究所：机器学习理论领军人物，从支持向量机到因果发现均有卓越贡献。Schölkopf近年来将研究重心转向**“因果机器学习”**，开发算法从数据中自动发现因果结构 (Judea Pearl on LLMs, Causal Reasoning, and the future of AI)。他认为融入因果模型能增强AI对新环境的泛化能力，是下一代AI的关键。他也将物理定律与AI结合（如在天气和动力系统中融入对称性），提高模型可靠性。肖尔科普夫的工作将引领AI从相关性走向因果性，为真正理解力的AI打下基础。
Gary Marcus（盖里·马库斯） – 纽约大学 / Geometric Intelligence创始人：认知科学家，著名AI评论家，主张神经符号混合路线。Marcus多次撰文指出深度学习在常识、可解释推理方面的不足，呼吁重视符号表示和先验知识 (“System 2” Reasoning – Apollo Labs) (“System 2” Reasoning – Apollo Labs)。他提出应将符号逻辑、语言结构与神经网络的学习能力相结合，打造能够理解规则和因果的AI。尽管他的观点一度与主流相左，但随着大模型局限逐步暴露，他的混合智能主张正获得关注，可能引发未来AI范式的转向。
François Chollet（弗朗索瓦·肖莱） – 谷歌AI研究员：知名的Keras深度学习库作者，同时也是AI认知能力的思考者。Chollet提出了度量AI通用智力的Abstraction and Reasoning Challenge（ARC），强调AI应该善于类比和概念抽象，而非只在大数据上训练 ([PDF] Commonsense Reasoning for Conversational AI: A Survey of the ...)。他在论文《测量智能》中批判了当前评估指标局限，并提出机器智能应能灵活解决新任务。肖莱的见解推动社区开发能理解新问题的少样本学习方法，对于打破AI在陌生环境下的脆弱性具有前瞻意义。
Joshua Tenenbaum（约书亚·泰南鲍姆） – 麻省理工学院：计算认知科学领袖，致力于揭示人类快速学习背后的算法原理，并将其移植到AI中。Tenenbaum研究儿童的直觉物理、心智理论等认知能力，开发了如贝叶斯程序学习等模型，使机器用很少样本学习概念。他的团队演示了AI一眼看几个例子就能画出新字符，体现了类人的泛化学习本领 (Amazon.com: Causality: Models, Reasoning and Inference)。泰南鲍姆的工作让AI向真正的认知计算靠拢，未来有望实现机器的常识物理推理和社交认知，使AI更加懂得这个世界的运行规则。
Henry Kautz（亨利·考茨） – 美国耶希瓦大学 / 前美国NSF信息主任：人工智能老将，横跨逻辑推理、规划和日常常识获取等领域。Kautz早期在自动规划、多代理系统上有贡献，近期致力于神经符号AI，提出结合深度学习的感知能力与符号推理的严谨性的框架。他认为语义知识图谱、逻辑规则与学习型模型的融合是通往可解释强AI的途径 (“System 2” Reasoning – Apollo Labs)。考茨还推动AI助力科学发现和社会公益，他的综合性视角为构建负责任且强大的AI提供了宝贵指导。
Leslie Valiant（莱斯利·瓦连特） – 哈佛大学：计算机理论大师，提出了分布式计算学习理论（PAC学习），在AI理论基础方面影响深远。Valiant获图灵奖肯定，其PAC模型为衡量学习算法所需样本量提供了框架，使机器学习有了严谨理论支撑。他还提出了用于解释认知的“生态演化学习”观点。瓦连特的工作启示未来我们应追求高效的可证明学习算法，尤其在AI系统变得愈加复杂之际，理论保证将是确保AI可靠性的基石。
Thomas G. Dietterich（托马斯·迪特里希） – 美国俄勒冈州立大学：机器学习与人工智能领域的资深专家，曾任国际人工智能联合会主席。Dietterich在集成学习、强化学习以及AI安全等方面贡献卓著。他倡导研究鲁棒AI和人机协作策略，以应对实际环境中的不确定性和对抗扰动。迪特里希强调未来的AI系统不仅要准确还要安全可靠，其在异常检测和可验证AI方向的努力，将帮助下一代AI更好地应对复杂现实世界挑战。
Barbara Grosz（芭芭拉·格罗兹） – 哈佛大学：人工智能先驱，人工智能多智能体协作和对话系统领域的缔造者之一。Grosz开发了首批框架用于建模协同多智能体的计划和沟通，被用于人机对话系统设计。她亦是AI伦理的积极倡导者，强调以人为中心的AI设计原则。格罗兹的研究在未来表现为让AI更善解人意——不仅明白语义，还理解人类意图与礼仪，从而实现真正自然、高效的人机团队协作，广泛应用于教育、医疗等场景。
Pushmeet Kohli（普什米特·科利） – DeepMind科学团队负责人：致力于将AI应用于科学和数学难题的青年领军者。Kohli带领团队利用深度学习和符号AI结合，取得了证明数学定理的新进展，例如帮助发现拓扑学中的新猜想 (Judea Pearl on LLMs, Causal Reasoning, and the future of AI)。他还在计算机视觉和程序分析领域取得突出成果。科利代表着AI用于科学发现的前沿方向，未来他将推动AI在自动定理证明、材料设计等方面取得突破，使AI成为扩展人类科学创造力的强大工具。
Chris Olah（克里斯·奥拉） – Anthropic AI研究员：深度学习可解释性领域的开拓者，曾创立Distill期刊推动可视化理解神经网络内部机理。Olah的工作揭示了神经网络卷积层如何学会检测各种抽象特征，提出了**“神经元维度”的解释方法 (“System 2” Reasoning – Apollo Labs)。他在大型模型的可解释性和对抗鲁棒性上成果领先，如提出对GPT模型进行“思维步骤”可视化分析。他的研究对于确保未来超大模型透明、安全**至关重要，可帮助人类洞察强AI的决策依据，预防潜在风险。
Stuart Russell（斯图尔特·拉塞尔） – 加州大学伯克利分校：人工智能教育与研究的旗手，《人工智能：现代方法》教材作者。Russell近年来以AI安全和价值对齐为号召，警示如果沿用既定路径发展超级智能，终将失去对其控制，主张改用以人为中心的新范式 (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley) (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。他提出让AI不直接优化固定目标，而是不断询问人类偏好的方法，从根本上避免AI与人类利益冲突。拉塞尔影响了全球AI政策讨论，他的理念有望塑造未来AGI开发的伦理规范，确保强AI“始终在人的掌控之下” (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。
Zoubin Ghahramani（祖宾·加赫拉马尼） – 剑桥大学 / Google AI：贝叶斯机器学习权威，将概率模型引入机器学习决策的核心人物之一。Ghahramani在图模型、稀疏高斯过程等方面贡献突出，证明了贝叶斯方法在小数据与不确定推理场景的价值。他提出自动机器学习理念，让算法自动发现模型和特征。祖宾目前领导Google Brain部分工作，把Bayes深度学习用于增强模型置信度评估。随着AI走入高可靠性要求领域，他的不确定性量化方法将确保AI给出结果时也能提示可信度范围，使决策更加稳健。
Peter Dayan（彼得·达扬） – 英国盖茨比计算神经科学研究所所长：将脑科学与机器学习融合的代表人物之一。Dayan在强化学习的生物基础（如多巴胺神经元对应TD误差）方面做出奠基性工作，合著经典教材《强化学习》。他还研究脑如何执行贝叶斯推断，并将此见解用于设计AI算法。达扬的跨领域研究使得强化学习算法更贴合生物学习规律，未来这将有助于开发出更加高效、稳定的学习算法，并推动AI用于脑机接口、神经疾病诊疗等新兴方向。
Shun-ichi Amari（天利笃一） – 日本理化学研究所：信息几何学创始人，神经网络理论先驱。Amari建立了在黎曼几何框架下分析学习算法的数学工具，用于优化收敛性分析和网络可视化。他也是最早研究连贯神经网络动力学的人之一，对竞争学习、软最大值等提出基本理论。天利笃一的工作为深度学习理论提供了优美数学描述，在优化复杂模型时尤为有用。未来，信息几何或将帮助我们破解深度网络的损失景观与泛化原理难题，指导设计更可靠的学习算法。
Christopher Bishop（克里斯托弗·毕晓普） – 微软剑桥研究院：机器学习领域的知名学者和科普作者（著有《模式识别与机器学习》）。Bishop在贝叶斯推理、神经网络组合法和核方法上皆有贡献，并领导开发了实用的智能系统（如微软的手写识别）。他提倡概率编程和模型融合，以提升AI对不确定性的处理。他还关注量子计算与机器学习的结合。毕晓普的综合性视角和实践经验，将在未来引导开发更健壮、性能上限更高的AI系统，同时培养新一代AI工程师理解理论与实践并重的重要性。
Bart Selman（巴特·塞尔曼） – 康奈尔大学：人工智能领域资深研究者，SAT算法和自动推理领域贡献卓越，现任AAAI（美国人工智能协会）主席。Selman早年在规划、约束满足问题上取得突破（如随机局部搜索算法），证明了许多NP问题的大规模近似可解性。他近年参与AI在气候、可持续性方面的研究，以及推动制定AI治理政策。他强调与其害怕超级智能，不如研究如何赋予AI正确的价值观。塞尔曼在技术和社会层面的贡献将帮助确保未来AI既强大又安全可靠。
Yejin Choi（崔叡珍） – 华盛顿大学 / AI2研究所：自然语言处理新星，以赋予AI常识和隐喻理解力而闻名。Choi创建了众多常识知识库和基准，如“CommonSenseQA”等，并提出让模型生成**“假想场景”**来推理的问题。她还研究AI对社会常识和视觉情景的理解，努力让机器读懂隐含的人类意图和道德判断。叡珍的工作大大提升了语言模型的常识推理能力 ([PDF] Commonsense Reasoning for Conversational AI: A Survey of the ...)。随着她继续探索复杂语言现象（如讽刺、隐喻）的机器理解，未来AI将能以更接近人类的方式进行交流和推理。
机器人、自主智能体与人机交互 (70—85位)
Rodney Brooks（罗德尼·布鲁克斯） – 麻省理工学院计算机科学与人工智能实验室前主任：机器人学教父级人物，提出行为式机器人架构反对当时流行的重规划。他的“子sumption architecture（层次遗弃架构）”让机器人通过直接感知-行动规则实现实时响应，被广泛应用于Roomba等实用机器人 (“System 2” Reasoning – Apollo Labs)。Brooks也预言了AI发展节奏，强调嵌入式智能和逐步演进的重要性。他创办的Rethink Robotics将安全协作机器人引入工厂。布鲁克斯的理念将在未来继续引导机器人走向自主、灵巧，与人类共同工作而非取代人类的路径。
Sebastian Thrun（塞巴斯蒂安·特龙） – 斯坦福大学 / 谷歌无人车之父：机器人和自动驾驶领域先锋，将AI技术成功应用于现实。Thrun领导开发了谷歌无人车和街景系统，证明了机器人技术在复杂动态环境中的可行性。他创办Udacity推动AI教育平民化。特龙认为机器人和AI将带来下一个社会变革浪潮，包括空中交通（无人机）、个性化教育等。他当前正研发AI辅助的飞行汽车。作为实践家，特龙展现了大规模部署AI系统的远见，未来他将继续站在技术与产业结合的最前沿。
Cynthia Breazeal（辛西娅·布雷泽尔） – 麻省理工学院媒体实验室：社交机器人领域开拓者，开发了著名的情感机器人Kismet和家用机器人Jibo。Breazeal致力于让机器人理解并表达情感，通过语音、表情与人类进行自然互动。她提出**“同理心AI”**概念，认为机器人应当察觉人类情绪并给予适当反馈，以增进信任度。布雷泽尔的研究推动了人机交互从工具式转向伙伴式，未来情感社交机器人可能在教育、陪伴、医疗康复等方面发挥重要作用，使AI更深入地融入人类社会生活。
Hiroshi Ishiguro（石黑浩） – 日本大阪大学：仿真机器人（超逼真人形机器人）领域的传奇人物。他打造的Geminoid系列机器人在外表和行为上高度模仿特定人类，包括一个自己的“分身”。Ishiguro通过这些机器人研究人类自我意识、存在以及人际互动对机器的影响。他提出**“不气之谷”理论指导下极力缩小人与机器的差异。石黑浩的工作挑战了人机边界，未来随着仿真技术进步，我们可能迎来在外形和举止上几乎乱真的机器人，迫使社会重新审视智能和人性的定义**。
Manuela Veloso（曼努埃拉·韦洛索） – 卡耐基梅隆大学 / 摩根大通AI研究负责人：机器人与多智能体系统专家，创立机器人足球竞赛（RoboCup）以推动AI和机器人协作研究。Veloso开发了协同机器人执行任务的算法，以及能自主向人类求助的服务机器人CoBot，展现出人机协作的巨大潜力 (“System 2” Reasoning – Apollo Labs)。在金融领域任职期间，她正将AI引入银行业务流程自动化和决策支持。韦洛索的生涯体现了跨领域创新，她的理念促使未来机器人不仅要聪明，还要知道如何与人类及其他机器人团队配合，共同完成复杂目标。
Jitendra Malik（吉腾德拉·马利克） – 加州大学伯克利分校 / Meta AI：计算机视觉大师，将视觉感知与机器人动作结合的先驱。Malik在图像分割、目标检测、三维感知等领域贡献卓著，培养了众多视觉AI领军人才。他近年来关注视觉与控制的闭环，如让机械手在视觉指引下操作，以及将视觉知识用于自主驾驶和机器人导航。马利克认为视觉是智能的基础，只有理解环境，机器人才能可靠行动 (“System 2” Reasoning – Apollo Labs)。随着传感器和算法进步，他的工作正引领机器人从“看”到“做”，实现从感知到行动的完整智能闭环。
Leslie Kaelbling（莱斯利·凯布林） – 麻省理工学院：机器人规划和强化学习专家，开创性工作包括部分可观察Markov决策过程（POMDP）求解和智能体终身学习。Kaelbling致力于让机器人在未知动态环境下也能制定长期策略，这需要处理感知不确定性和连续学习。她提出让机器人通过探索不断完善环境模型的框架。凯布林的远景是通用家庭机器人，能够处理各种杂务并随着经验自动改进。其研究在未来将帮助机器人更好地处理不完全信息，在充满变化的现实世界执行复杂任务。
John Laird（约翰·莱尔德） – 密歇根大学：认知体系结构专家，Soar通用认知架构的主要设计者之一。Soar架构源自艾伦·纽维尔的统一理论，试图用单一框架模拟多种认知过程。Laird通过Soar证明了智能体可拥有长期记忆、工作记忆等组件协同，实现从感知到行动的一体化循环。他还将Soar用于游戏AI和模拟训练中，取得良好效果。莱尔德的工作启示我们要构建具备持续自主学习和推理能力的AI体系结构，这在追求通用人工智能的道路上仍然具有指导意义。
Song-Chun Zhu（朱松纯） – 北京大学 / 加州大学洛杉矶分校（兼）：计算机视觉与认知机器人专家，倡导第三代AI概念（融合符号与统计）。Zhu在视觉概念学习、场景理解方面贡献突出，主张让AI学会像人一样解释世界而非仅做模式匹配。他提出了**“图灵奖突袭”挑战**，要求机器人能通过图灵测试级别的认知问答。朱松纯目前带领大型跨学科团队，研发具备常识推理、可解释学习的通用智能体，从事复杂任务（如机器人烹饪）。他的愿景代表了中国在类人智能研究的前沿探索，未来有望实现可理解、可信赖的类人AI。
Koray Kavukcuoglu（科拉伊·卡武克库奥卢） – DeepMind副研究主管：强化学习和深度学习领域的重要人物，早期工作包括深度信念网络和深度强化学习算法。Koray参与领导了Atari游戏AI、AlphaGo以至于通用智能体Gato等项目的研发，将深度学习成功推广到决策智能领域。他强调通用架构和多任务学习对于AGI的重要性。在他的指导下，DeepMind正开发能够跨视觉、语言、控制多模态统一的智能系统。卡武克库奥卢所倡导的范式将推动未来AI打破单一任务限制，走向一专多能的统一智能体。
Chelsea Finn（切尔西·芬恩） – 斯坦福大学：元学习和机器人强化学习新锐。Finn提出了Model-Agnostic Meta-Learning (MAML)算法，使模型能够通过少量训练迅速适应新任务，被广泛应用于机器人、NLP等领域 (“System 2” Reasoning – Apollo Labs)。她还致力于让机器人通过自主试验习得通用技能（如操纵物体），并开发了多任务学习框架来提高泛化性。切尔西·芬恩代表了新生代AI研究者勇攀高峰的精神，她的元学习思路将继续推动AI实现快速自适应，解决现实世界中千变万化的问题。
汤晓鸥（Xiao’ou Tang） – 香港中文大学 / 商汤科技：计算机视觉领域领军人，将学术成果成功转化为产业应用的范例。汤晓鸥在人脸识别、图像理解上做出开创性贡献（如LFW人脸数据库），其创立的商汤科技是计算机视觉独角兽企业，开发了大规模视觉智能系统。汤强调视觉智能的产业化和与大数据结合，通过智慧城市、自动驾驶等应用让AI改变生活。他的成功激励更多研究者投身创业，也使中国在AI产业化方面走在前列。未来，汤晓鸥将继续引领视觉AI的规模化落地和技术突破。
Qiang Yang（杨强） – 香港科技大学 / 微众银行首席AI官：迁移学习和联邦学习领域的国际权威。杨强提出了跨领域迁移学习的方法，让模型能将已学知识应用到新领域，在数据有限情况下仍取得优异表现。他还开创了联邦学习框架，实现多方在不共享数据的情况下共同训练AI模型 (“System 2” Reasoning – Apollo Labs)。这对保护隐私和扩大可用训练数据具有重大意义。随着对数据安全的重视，杨强的联邦学习将在医疗、金融等领域大展拳脚，成为未来隐私计算AI的基石，让“数据岛”共享智能成为可能。
王飞跃（Fei-Yue Wang） – 中国科学院自动化所：复杂系统与平行智能理论提出者。王飞跃倡导**“平行智能”，即通过构建现实-虚拟互动的平行系统来实现AI对复杂系统的闭环控制与优化 (“System 2” Reasoning – Apollo Labs)。他提出ACP方法（人工系统、计算实验、平行执行）用于交通、城市治理等宏观系统的智能决策，实现了大型交通系统的智能调度等应用。王飞跃的理论为治理超大规模复杂系统**提供了新范式，未来在智慧城市、社会模拟等领域将有深远影响，助力AI从个体智能扩展到群体智能、社会智能。
Mark Sagar（马克·萨加） – 新西兰奥克兰大学 / Soul Machines公司：计算机图形学和AI结合的先驱，奥斯卡奖得主。他打造的虚拟婴儿模型BabyX融合了神经网络与高度逼真的面部动画，实现了能够表现情绪反应的数字生命体。Sagar的公司Soul Machines进一步将这种数字人用于客户服务、教育等场景，创造有情感的AI动画形象。萨加证明了情感计算与实时3D动画结合的可能性，未来虚拟数字人将更加栩栩如生，甚至拥有持续的“人格”和学习能力，成为人与AI交互的新载体。
Rosalind Picard（罗莎琳德·皮卡德） – 麻省理工学院媒体实验室：情感计算（Affective Computing）领域创始人。Picard认为情感是智能不可或缺的一部分，她开发了可穿戴传感器与算法来让计算机识别人类情绪状态，并应用于自闭症辅助等领域。她的著作《情感计算》奠定了该领域基础。皮卡德的研究让AI具备读取和表达情绪的能力，为改善人机关系铺平道路。未来，情感智能将成为AI的重要组成，使机器人和系统能够理解人类情感并做出共情的反应，提高AI在医疗心理、教育辅导等场景的有效性和亲和力。
跨学科前沿与未来展望 (86—100位)
Max Tegmark（马克斯·泰格马克） – 麻省理工学院：理论物理学家兼AI未来学者，著有《生命3.0》展望强AI时代的机遇与风险。Tegmark活跃于AI安全和宇宙智能等讨论，他联合创立了未来生命研究所，致力于保证先进AI造福人类。他还将深度学习用于物理研究，如通过AI助力发现新物理规律。泰格马克相信AI有潜力帮助我们理解宇宙的终极问题，同时警告应谨慎管理。他的跨界背景促使物理和AI领域交流融合，未来可能诞生AI发现物理定律、物理指导AI原理的双向创新。
Roger Penrose（罗杰·彭罗斯） – 英国牛津大学：数学物理学家，因提出量子微管理论探讨意识而知名（与Hameroff合作的Orch-OR理论）。Penrose质疑传统计算能否实现意识，猜想人类意识涉及未知的量子引力效应。他的观点虽具争议，却激发了对量子人工智能和脑量子效应的探索。如果未来证明量子过程对高级智能有作用，或将引发AI架构的革命性变化。彭罗斯的思想使AI研究者跳出纯算法范式，从更基本的物理层面思考智能，这种哲学反思为长远发展提供了宝贵不同视角。
Stephen Wolfram（斯蒂芬·沃尔夫勒姆） – Wolfram Research公司创始人：计算机科学家兼理论物理学家，《一种新科学》作者。Wolfram提出计算宇宙观，认为简单计算规则可以产生高度复杂的系统，并探索了元胞自动机等模型的能力。他的Mathematica和Wolfram Alpha体现了符号计算在AI中的价值。他近期研究基本符号图灵机和物理学的计算模型。沃尔夫勒姆的工作模糊了数学、物理与AI的界限，未来他的计算理论可能应用于设计自解释AI（AI能够基于符号逻辑推导答案），以及用AI推演宇宙法则，实现科学与智能的深度融合。
Yi Ma（马毅） – 加州大学伯克利分校：计算机视觉和应用数学专家，近年来致力于将机器学习与数理理论重新结合，提出**“AI本质是压缩”等新观点。Ma教授将信号处理中的稀疏表示和低秩近似应用于视觉与模式识别，提出了鲁棒主成分分析等算法。当前他探索用纯粹代数结构（如李代数）理解深度网络的表示能力，并主张高维数据中的结构可用于提升学习效率。马毅的跨领域研究为AI提供了新的严谨性视角，未来有望建立统一的数学框架**来解释和改进深度学习的方方面面 (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine) (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)。
Eric Horvitz（埃里克·霍维兹） – 微软首席科学官：AI领域的资深领军人物，研究涵盖决策理论、医疗AI、人机共生等。他推动发展了概率AI系统，让计算机在不确定环境下做出合理决策（如诊断助手）。Horvitz亦积极参与AI伦理和政策制定，曾任AAAI主席和美国国家安全委员会AI分会联合主席，倡导有益AI原则。霍维兹相信AI与人类应形成协作伙伴关系而非对立 (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley) (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)。在他的影响下，未来AI将更注重可解释、可靠，以及与人类专家团队配合无间，以应对医疗、灾害预警等重大挑战。
Ray Kurzweil（雷·库兹韦尔） – 谷歌工程总监 / 发明家：著名未来学家，预言了技术奇点的到来。他早年发明了OCR文字识别和音乐合成器，在AI应用上卓有成绩。Kurzweil提出**“奇点临近”理论，预测2045年前后AI将超越人脑智能，引发指数级技术飞跃。他认为人类可通过与AI融合（如脑机接口、纳米机器人）实现永生。这些预言饱受争议但影响深远。库兹韦尔目前在谷歌从事自然语言理解工作，致力于实现会话AI。他的远景鼓舞了一代AI创业者和研究者，未来如果奇点征兆显现，他无疑将在人机融合**与伦理对话中扮演重要角色。
Sepp Hochreiter（塞普·霍赫赖特） – （内容见第21位）：LSTM网络共同发明人，在此不再重复。
Fei-Yue Wang（王飞跃） – （内容见第83位）：平行智能理论提出者，在此不再重复。
Pushmeet Kohli（普什米特·科利） – （内容见第61位）：AI助力科学发现的倡导者，在此不再重复。
Dario Amodei（达里奥·阿莫代伊） – Anthropic联合创始人：大规模语言模型和AI安全领域的重要人物。Amodei曾领导GPT-2、GPT-3等项目开发，对大模型的能力与风险有深刻认识。他创立Anthropic，提出了**“宪法式AI”训练方法，用一系列价值观指导模型行为，以提高模型对齐人类期望的程度。达里奥强调通过可控生成**和深层次监测来确保强AI安全， (Stuart Russell calls for new approach for AI, a ‘civilization-ending’ technology | CDSS at UC Berkeley)他的探索将在未来高智能AI的伦理和监管上发挥关键作用，使AI既强大又守规。
John Schulman（约翰·舒尔曼） – OpenAI研究员：强化学习算法专家，开发了著名的Trust Region Policy Optimization (TRPO)和Proximal Policy Optimization (PPO)算法，这些策略梯度方法极大提升了训练复杂强化学习代理的效率。Schulman的算法被广泛应用于游戏、机器人等领域的大型试验，是OpenAI Gym和Baselines库的主要贡献者之一。他也参与训练了OpenAI的自学习机器人手等项目。舒尔曼的成果体现了稳定高效学习的重要性，未来他的算法思想将继续优化AGI的训练过程，加速智能涌现。
Ivan Sutherland（伊万·萨瑟兰） – 美国卡内基梅隆大学西岸校区（顾问）：图形学之父，Sketchpad发明者，近年积极提倡模拟计算复兴。Sutherland警示数字计算功耗和速度瓶颈日益凸显，呼吁开发基于模拟电子的神经网络硬件 (A Thousand Brains: A New Theory Of Intelligence by Jeff Hawkins)。他认为大脑本质上是模拟计算机，未来AI硬件也应走向模拟/数字混合的新范式。萨瑟兰的远见让业界重新思考摩尔定律后的出路，他的团队正尝试构建超导模拟电路来模拟神经元。若这一道路成功，可能实现超高能效的AI加速器，推动硬件革新，为类脑智能提供强大引擎。
Peter Norvig（彼得·诺维格） – 谷歌前研究总监：AI实践和教育的旗手，《人工智能：现代方法》教材合著者。Norvig在自动编程、搜索算法、网络AI应用上经验丰富，将逻辑知识和统计学习相结合，推动了谷歌知识图谱等项目。他提倡平衡AI研究中的**“深度”和“广度”**，既注重前沿模型也强调简单有效的方法论。作为业界领袖，诺维格致力于向公众传播正确的AI观念，他相信AI应与人类互补增强而非对抗。未来，他在AI教育和政策方面的影响力将持续，为培养负责任的AI人才和塑造健康的创新环境发挥作用。
注：以上排名综合考虑了各研究者的学术影响和他们引领未来突破的潜力，每位简介中引用的参考资料以【编号†行号】标注。因篇幅所限，未尽列举之处亦有许多杰出人士在推动AI的未来发展。人工智能作为跨学科快速演进的领域，这些研究者的贡献和愿景将共同塑造下一代AI的面貌和人类社会的未来。 (“System 2” Reasoning – Apollo Labs) (To Build Truly Intelligent Machines, Teach Them Cause and Effect | Quanta Magazine)
转载本文请联系原作者获取授权，同时请注明本文来自段玉聪科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3429562-1474587.html?mobile=1
收藏
