入围情由：

这里想用图灵自己曾说过的一句话来总结他为打算机科学和人工智能所做出的贡献：有时候，正是那些意想不到之人，造诣了无人能成之事。
的确，他所造诣的也的确是无人能成之事。
1936 年，图灵揭橥了一篇题为“论数字打算在决议确定难题中的运用”的文章。
文章中，图灵给“可打算性”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”不是一种详细的机器，而是一种思想模型，可制造一种十分大略但运算能力极强的打算装置，用来打算所有能想象得到的可打算函数。
自此，“图灵机”这一观点被永久地载入打算机发展史中。
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，这也是后来影响了打算机发展进程的“图灵测试（Turing test）”。
测试的目的是为了考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，为表彰他在打算机领域的精彩贡献，特以他的名字设立了该领域内的最高奖项——打算机界的诺贝尔奖——图灵奖。

图灵英格兰银行行长 Mark Carney 曾这样评价图灵：“作为打算机科学和人工智能之父，以及战役英雄，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，为很多后来者供应了更高的发展平台。
由于这些伟大的贡献，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。
”为表彰他的劳苦功高，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 年底正式流利。

影响力：⭐⭐⭐⭐⭐

John McCarthy

约翰·麦卡锡（John McCarthy）生于美国马萨诸塞州波士顿，是一名打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得到数学博士学位。
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 年底这段韶光内，他一贯在斯坦福担当教授，退休后成为名誉教授。

入围情由：

要盘点迄今为止人工智能领域最有影响力的精彩代表，自然少不了这个观点的发明者——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）”这个观点。
他还开拓了 Lisp 家族，极大地影响了 ALGOL编程措辞的设计。
ALGOL 编程措辞是一族指令式编程措辞，发展于 1950 年代中期，对许多其它编程措辞产生了重大影响。
打算机协会在教科书及学术文章采取此措辞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，麦卡锡还遍及了分时度假，发明了垃圾网络，这些造诣都在 AI 早期发展阶段起到了主要浸染。

影响力：⭐⭐⭐⭐⭐

Yoshua Bengio

约书亚·本希奥（Yoshua Bengio）生于法国巴黎，是一名打算机科学家。
本希奥毕业于麦吉尔大学，在校期间得到了电气工程工学学士、打算机科学理学硕士学位以及打算机科学博士学位。
此后，他曾在麻省理工学院和 AT＆T 贝尔实验室担当博士后。
自 1993 年以来，他一贯是蒙特利尔大学的教职职员，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运用程序的研究。
2017 年 5 月，本希奥宣告加入蒙特利尔法律技能初创公司 Botler AI，担当计策顾问。

入围情由：

近年来，深度学习方法一贯是打算机视觉、语音识别、自然措辞处理和机器人技能等领域涌现惊人打破的紧张缘故原由。
约书亚·本希奥的造诣功不可没，他也被称为“深度学习之父”。
本希奥的紧张贡献是在 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 公司互助，用新技能识别手写的支票。
当代深度学习技能中的语音识别也是这些观点的扩展。
本希奥还于2003 年揭橥了划时期的论文“ A Neural Probabilistic Language Model ”，文中第一次用神经网络来办理措辞模型的问题，虽然在当时并没有得到太多的重视，但后人却在它的根本上完成了很多打破，包括 Word2Vec 的作者 Tomas Mikolov 在 NNLM 的根本上提出了 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把稳力机制（attention mechanism），让机器翻译取得重大打破，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主要技能。

影响力：⭐⭐⭐⭐⭐

Yann LeCun

扬·勒丘恩（Yann LeCun）生于法国巴黎附近，是一位法国裔美国打算机科学家。
他于 1983 年毕业于巴黎高档电子工程师学校得到了工程师学位，1987 年从巴黎第六大学毕业并得到了打算机科学博士学位。
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事情。
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，他的中文名字一贯沿用下来。
目前，他在纽约大学担当教授，也是 Facebook 的副总裁和首席人工智能科学家。

入围情由：

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，但是由于当时打算机资源匮乏，卷积神经网络并没有引起足够多的关注。
韶光快进到 20 多年后的大规模视觉识别寻衅赛 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，他和团队一同开拓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根本技能之一，它被广泛运用在学术和工业运用领域中，包括打算机视觉、自然措辞处理、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表示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，并根据变分事理给出了一个简洁的推导，加快了反向传播算法运算速率。
此外，他还拓展了神经网络的运用范围。
他把神经网络变成了一个可以完成大量不同任务的打算模型。
例如，他与银行协作开拓了支票识别系统，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 和其他的公司广泛利用。

影响力：⭐⭐⭐⭐⭐

Geoffrey Hinton

杰弗里·辛顿（Geoffrey Hinton）出生于英国，是一位打算机学家和生理学家。
他毕业于英国剑桥大学，在校期间得到实验生理学学士学位。
此后于 1978 年在爱丁堡大学得到人工智能博士学位。
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事情，目前他担当多伦多大学打算机科学系名誉教授，在谷歌担当副总裁兼工程研究员。

入围情由：

辛顿是加拿大机器学习领域首席学者，也是加拿大高档研究院资助的“神经打算和自适应感知”项目的领导者。
辛顿最主要的贡献来自他 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揭橥了 200 多篇关于机器学习、影象、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根本。
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，在打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比拟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付与了 2018 年的图灵奖。

影响力：⭐⭐⭐⭐⭐

Guido van Rossum

吉多·范罗苏姆（Guido van Rossum ）生于荷兰哈勒姆，是一位打算机科学家。
他于 1982 年从阿姆斯特丹大学毕业，并得到数学和打算机科学硕士学位。
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打算机科学研究学会、马里兰州 Gaithersburg 国家标准暨技能研究院和维珍尼亚州 Reston 国家创新研究公司（CNRI），2006 年，他被美国打算机协会（ACM）认定为著名工程师。

入围情由：

荷兰程序员范罗苏姆早在 1991 年就发布了 Python 编程措辞。
我们知道的大多数编程措辞都是由大公司或很多专业人才共同开拓完成的，而有趣的是，Python 是个例外，由于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，开拓 Python 的紧张目的是帮助程序员为项目编写清晰的、有逻辑的代码，因此它备受开拓职员的青睐。
如果说 Python 是万能的那或许有些浮夸其词，但它在 Web 开拓、游戏、为桌面运用程序构建脚本和 GUI、配置做事器、实行科学打算以及数据剖析领域所做出的贡献却是不争的事实。
在所有紧张的编程措辞中，Python 最近几年景长迅猛。

Stack Overflow 对编程措辞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。
乃至不少人预测，随着 Python 用户群的快速增长，它很快会成为天下上最盛行的编程措辞，这一编程措辞成为了人工智能领域的最佳之选。
而近年来数据科学也在发达发展，Python 在数据科学生命周期中被大量运用。
Python 社区开拓了很多精良的处理数据的程序库，例如 Numpy、Pandas、sci-kit-learn 等。
在网络数据、清理数据集、提取主要特色、构建机器学习模型和利用图形可视化结果等方面，Python 都发挥了巨大浸染。

影响力：⭐⭐⭐⭐

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，在校期间得到打算机科学学士和硕士学位。
他于 2014 年在蒙特利尔大学得到博士学位，此后一贯在 OpenAI 和谷歌事情，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，担当苹果公司特殊项目组机器学习卖力人。

入围情由：

如果要问人工智能领域有哪些能掀起时期变革的新技能，那近几年被炒得非常火热的天生对抗网络（Generative Adversarial Networks，简称 GAN）绝对算是个中一个。
2014 年，古德费洛揭橥了一篇名为“ Generative Adversarial Networks”的论文，这是天生对抗网络第一次正式涌现人们的视野中，因此被誉为“天生对抗网络之父”。
GAN 由两个神经网络组成：一个用于天生新的数据实例的天生器，和一个用于将天生的假数据与真实数据区分开来的鉴别器。
GAN 的事情事理是演习一个天生网络，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见告用户该如何对合成数据进行微调，使其更加真实。
因此 GAN 系统常被用来天生“假***”。
目前，GAN 已经可用于天生各种内容，包括图像、***、音频和 文本，在机器学习中发挥着不可替代的浸染。

影响力：⭐⭐⭐⭐

结语

人工智能发展的前半程已经有这些精良的先行者们为我们勘好了路，如今，人工智能又走到了下一个分水岭阶段。
好在，我们彷佛已经看清了未来 AI 家当的发展脉络并有着许许多多乐意为人工智能奇迹前仆后继、承前启后的“新生力量“，至于未来还会有哪些更加精良、更具影响力的人物推动家当变革，我们只能静不雅观其变。