首页/人物
Chapter 05 · The People
每一次浪潮背后，都有一小群人。有人被经费切断，有人等了三十年才等到算力。这里只列十二个名字，他们背后是无数没被写进标题的人。
“我们只能看到前方很短的距离，但能看到那里有许多事情要做。” 艾伦·图灵 · 1950
1936 年提出通用计算机，1950 年设计模仿游戏。他问的不是“机器能否思考”，而是“我们如何判断它会不会”。
1936 / 19501912—1954 · 可计算性 · 人物 01
他先定义了“可计算的机器”，又用一个模仿游戏把“机器能否思考”变成可操作的问题。
1936 年，他用纸带与状态机定义了“通用计算”：只要步骤可以被机械执行，一台机器就能模拟另一台机器。1950 年，他提出模仿游戏：如果人分不清对话者是人还是机器，机器是否就算会思考？今天所有可编程计算机，都建立在他的可计算性概念上。
图灵测试衡量的是行为相似，不是理解或意识；它也可能被“会模仿人”的系统绕过。图灵本人因性取向被判罪，1954 年去世，2013 年获皇家赦免。这段历史提醒我们，技术共同体也会犯错。
1956 年召集达特茅斯会议，1958 年发明 LISP。是他把这条赛道正式命名为“人工智能”。
DARTMOUTH / LISP1927—2011 · 命名者 · 人物 02
他给这条赛道起了名字，也造了第一门为 AI 而生的语言。
1955 年，他在提议书里写下“人工智能”这一术语；1956 年组织达特茅斯暑期研究，让这个名字变成一门学科。1958 年发明 LISP，用符号列表与递归处理知识，成为符号主义 AI 的主要工具。他还在 MIT 与 Stanford 建立实验室，培养了整代研究者。
符号主义假设知识可以被显式写出，但常识、感知与不确定性难以穷举；LISP 的生态后来被更通用的语言分流。晚年的麦卡锡仍坚持逻辑主义，但他并不否认学习的重要性，只是选择了另一条路径。
与佩珀特出版《感知机》，指出单层网络的边界；也参与创立 MIT AI Lab，影响了整整一代研究者。
PERCEPTRONS / MIT1927—2016 · 怀疑者 · 人物 03
他既建造了早期的神经网络机器，也写下了让连接主义退潮的那本书。
1951 年，他与 Edmonds 造出 SNARC，用真空管模拟 40 个神经元；1959 年参与创立 MIT AI Lab；1969 年与 Papert 出版《感知机》，严格分析单层网络的表达边界。1986 年《心智社会》提出用大量简单智能体组合出智能，影响了后来的多智能体与模块化思路。
《感知机》的批评针对单层结构，却被广泛读成对整个神经网络的否定，客观上加速了连接主义的退潮。明斯基后来也承认多层网络的可能性，但当时的算力与算法还不足以验证。一本书的重量，有时会超过它原本的论证范围。
1957 年造出感知机，用错分样本调整权重。他在 43 岁去世，连接主义也随之退潮了十几年。
1957 / PERCEPTRON1928—1971 · 第一颗神经元 · 人物 04
他造出第一台能从错误中学习的机器，却在 43 岁时意外去世。
1957 年提出感知机，用错分样本调整权重；Mark I 用光电管与电位器实现硬件学习。他相信感知机可以通向更一般的智能，并把学习规则写成可分析的数学形式。今天回看，他的乐观并非没有根据，只是早了几十年。
感知机只能处理线性可分问题；与明斯基的争论让连接主义在 1970 年代失势。他 1971 年去世，未能看到多层网络与 GPU 时代。历史常把他的失败写成“被证明错误”，其实更准确的说法是：当时的工具还不足以扩展它。
1986 年推广反向传播，2006 年重启深度学习，2024 年获诺贝尔物理学奖。他在无人相信时坚持了三十年。
BACKPROP / 2024 NOBEL1947— · 坚持 · 人物 05
他在无人相信的时候坚持了三十年，最后等到了 GPU 与大数据。
1986 年，他与 Rumelhart、Williams 推广反向传播；2006 年用深度信念网络重启深度学习；2012 年与 Krizhevsky、Sutskever 做出 AlexNet。2023 年离开 Google，公开谈论 AI 风险。2024 年与 Hopfield 共享诺贝尔物理学奖。他的坚持让“多层网络可训练”从边缘想法变成主流方法。
反向传播的生物学合理性仍有争议；深度学习的能耗与数据依赖也是他本人担心的方向。他的“坚持”叙事容易被简化成个人英雄史，背后还有大量合作者、数据与算力条件。没有 GPU，AlexNet 不会发生。
1989 年提出 LeNet，把卷积网络用于手写识别；2018 年与辛顿、本吉奥共同获得图灵奖。
LENET / 2018 TURING1960— · 卷积 · 人物 06
他把卷积网络从手写数字带到工业现场，也一直提醒人们不要高估语言模型。
1989 年用卷积网络识别手写邮编，1998 年 LeNet-5 成为 CNN 的标准模板；推动权重共享、端到端训练与工业部署。2018 年与 Hinton、Bengio 共同获得图灵奖。后来在 Meta 推动自监督学习与能量模型，继续探索不依赖大量标注的学习方式。
他长期质疑纯语言模型通向通用智能的路径，认为世界模型与感官经验不可替代。这个判断仍有争议，但也提醒我们：规模不是唯一的解释框架。他的立场与他在视觉领域的经历密切相关。
深度学习三巨头之一，推动注意力机制与表示学习；2018 年图灵奖，也是 AI 安全议题最积极的发声者之一。
ATTENTION / 2018 TURING1964— · 语言 · 人物 07
他用神经概率语言模型把“表示学习”带进 NLP，后来成为 AI 安全最积极的发声者之一。
2000 年代初，他坚持用神经网络做语言模型，2003 年提出神经概率语言模型，让词向量与表示学习成为主流；对注意力机制与序列建模也有早期贡献。2018 年与 Hinton、LeCun 共同获得图灵奖。近年专注 AI 安全与全球治理，主张在能力提升的同时建立约束。
他的安全主张常被批评为“先发展再治理”；神经语言模型的成功也放大了算力集中问题。如何在开放研究与风险控制之间平衡，仍无共识。他的立场变化，本身也是这十年 AI 产业化的缩影。
2009 年发布 ImageNet，把“数据”变成 AI 的第一性资源；后来提出以数据为中心的 AI，把镜头从模型转向数据质量。
IMAGENET / DATA-CENTRIC1976— · 数据 · 人物 08
她把“数据”变成 AI 的第一性资源，也最早提醒数据里的偏差与劳动。
2009 年发布 ImageNet，用千万级标注图像为视觉模型提供训练场；ILSVRC 竞赛直接催生了 AlexNet 与深度学习浪潮。后来提出“以数据为中心的 AI”，把注意力从模型结构转向数据质量、覆盖与标注。她共同创立 Stanford HAI，推动 AI 的人文与社会研究。
ImageNet 的类别体系带有英语与西方视角，标注劳动也长期被忽视；以数据为中心并不意味着数据越多越好，隐私与版权问题仍然存在。她的工作让“数据从哪来、由谁标注”成为必须回答的问题。
AlphaGo、AlphaFold 的推动者。他把游戏当作智能的试验场，又把同一套方法带进蛋白质与材料。
ALPHAGO / ALPHAFOLD1976— · 科学 · 人物 09
他把游戏当作智能的试验场，又把同一套方法带进蛋白质与材料。
少年时期是国际象棋神童；2010 年联合创立 DeepMind，2016 年 AlphaGo 战胜李世石，2020 年 AlphaFold 2 在 CASP14 取得突破。2024 年与 David Baker、John Jumper 共享诺贝尔化学奖。他的方法核心是“学习 + 搜索”，并把游戏中的强化学习迁移到科学问题。
游戏与蛋白质都有清晰规则与评估函数，真实世界的问题未必如此；DeepMind 的成果也依赖巨大算力与顶尖团队。把科学发现自动化，仍面临验证、可复现与责任分配的问题。
把 GPU 与 CUDA 变成 AI 的基础设施。没有这条算力供应链，过去十年的模型规模不会发生。
GPU / CUDA1963— · 算力 · 人物 10
他把 GPU 从游戏显卡变成 AI 的基础设施，也把算力变成一条地缘政治供应链。
1993 年创立 NVIDIA；2006 年推出 CUDA，让 GPU 可以通用并行计算；深度学习爆发后，GPU 成为训练与推理的默认硬件。NVIDIA 的软硬件生态把“算力”从零件变成平台，也让模型规模的增长有了物理基础。
算力高度集中带来供应、价格与地缘风险；GPU 的能耗与散热也是瓶颈。把 AI 进步简化为“买更多 GPU”，会忽略算法、数据与工程的作用。算力是必要条件，不是充分条件。
AlexNet 作者之一，OpenAI 前首席科学家。他押注“规模会带来智能”，也最早公开谈论超级智能的风险。
SCALING / OPENAI1986— · 规模化 · 人物 11
他押注“规模会带来智能”，也在最早一批公开谈论超级智能风险的人里。
2012 年与 Krizhevsky、Hinton 做出 AlexNet；2015 年参与创立 OpenAI，任首席科学家，推动规模定律与 GPT 路线；2023 年董事会风波后被解职，2024 年离开并创立 Safe Superintelligence。他的判断影响了整个行业对“更大模型”的投入。
规模路线带来能力，也带来成本、集中与安全风险；“超级智能”时间表高度不确定。OpenAI 的治理冲突说明，技术判断与组织权力很难分开。他的下一步，被视为观察“安全优先”路线能否成立的关键。
DeepSeek 创始人。用工程效率与开放权重改写成本曲线，让“前沿”不再是少数公司的专利。
DEEPSEEK / OPEN WEIGHTS1985— · 效率 · 人物 12
他用工程效率与开放权重改写成本曲线，让“前沿”不再是少数公司的专利。
2015 年创立幻方量化，2023 年创立 DeepSeek；用 MoE、训练与推理优化把成本压低，2024 年 V3、2025 年 R1 以开放权重发布，引发全球对“前沿能力能否被商品化”的重新评估。他的路线强调工程、效率与开源。
先进芯片获取与数据合规是硬约束；低价与开源的可持续性仍待验证。R1 的成功也带来安全、蒸馏与地缘政治争议。效率叙事很动人，但它能否长期支撑前沿研发，仍是一个开放问题。
群像 · The Unnamed
模型的能力，是一整套社会协作的产物。下面这些角色，很少出现在论文标题里。
ImageNet 的千万级图片由众包与研究团队共同标注。今天偏好数据、红队数据、领域数据，仍然依赖大量人工判断。
GPU、HBM、互联、散热、供电。模型的参数规模，首先是一个工程与供应链问题。
PyTorch、JAX、分词器、推理引擎、评测工具。没有这些基础设施，论文很难变成产品。
RLHF、红队测试、评测集、可解释性。他们决定模型“能做什么”之外，还决定“不该做什么”。
基准设计、数据污染检查、人类偏好研究。一个可信的分数，往往比一个漂亮的 demo 更难做。
把模型接进真实工作流：权限、审计、容错、成本。能力只有在流程里稳定，才会变成价值。
师承 · Lineages
辛顿在 1986 年推广反向传播，2006 年重启深度学习；苏茨克维参与 AlexNet，后来在 OpenAI 押注规模。一条线把“可训练的多层网络”接到“更大的模型会更强”。
LeNet 把卷积用于手写数字，后来进入邮政、银行与工业视觉。CNN 的工程传统，让深度学习在 2012 年之前就有了真实落地。
AlphaGo 把策略网络、价值网络与树搜索接在一起；AlphaFold 把同一套方法带进蛋白质。方向不是“更大的语言模型”，而是“用学习增强搜索”。
ImageNet 把数据变成 AI 的第一性资源；以数据为中心的 AI 进一步提醒：当模型架构趋同，数据质量与覆盖会成为差异化的来源。
反思 · The Great Man Trap
把突破归功于少数天才，故事更好讲，但通常不准确。
同一个想法，往往在不同地方被不同的人同时想到。反向传播有更早的数学渊源，注意力机制也不是 2017 年才出现。把功劳归于最后一个把它做成的人，会遮住前面的失败与并行的探索。
更重要的是，团队、经费、数据、算力与时机，共同决定了什么能出现。一个研究者再优秀，如果所在机构买不起 GPU、拿不到数据、招不到工程师，也很难把想法推到规模。
所以读人物故事时，可以记住三个问题：他还和谁一起工作？他的经费从哪里来？如果早五年，这件事会发生吗？