导读：很多朋友问到关于人工智能领域大牛有哪些的相关问题，本文首席CTO笔记就来为大家做个详细解答，供大家参考，希望对大家有所帮助！一起来看看吧！
迈克斯·泰格马克在人工智能领域是什么地位？
迈克斯·泰格马克。
迈克斯·泰格马克是MIT麻省理工学院教授，同时也是美国物理学会研究员，被誉为“最接近费曼的科学家”。
泰格马克创始了未来生命研究所 Future of Life Institute，致力于用技术来改善人类的未来，汇聚了8000多位世界杰出的人工智能专家，包括史蒂芬·霍金、埃隆·马斯克、比尔·盖茨、雷·库兹韦尔、拉里·佩奇等。曾获《科学》杂志2003年度突破奖第一名，著有畅销书《穿越平行宇宙》《生命3.0》，获得霍金、马斯克、尤瓦尔大力推荐。
他可以算是人工智能领域真材实料的技术大牛了。
可以看下财新专访麦克斯·泰格马克的时候。
人工智能界有哪些大牛
人工智能已经逐渐建立起自己的生态格局，由于科技巨头的一系列布局和各种平台的开源，人工智能的准入门槛逐渐降低。未来几年之内，专业领域的智能化应用将是人工智能主要的发展方向。无论是在专业还是通用领域，人工智能的企业布局都将围绕着基础层、技术层和应用层三个层次的基本架构。
基础层就如同大树的根基，提供基础资源支持，由运算平台和数据工厂组成。中间层为技术层，通过不同类型的算法建立模型，形成有效的可供应用的技术，如同树干连接底层的数据层和顶层的应用层。应用层利用输出的人工智能技术为用户提供具体的服务和产品。
吴恩达什么水平
吴恩达教授的水平肯定是要排在所有人之外的一档的,作为乔丹老先生的关门弟子,年纪...吴恩达 (Andrew Ng)，斯坦福计算机系的副教授，师从机器学习的大师级人物 Michael I. Jordan。
同门师兄弟包括Zoubin Ghahramani, Tommi Jaakkola, Eric Xing, David Blei, 徒子徒孙遍布美国名校，他们这一大学派的主要研究和贡献集中在 统计机器学习（Statistical Machine Learning）和图模型(Probabilistic Graphical model),具体的比如 Spectral clustering, Nonparametric Bayesian Methods,Variational Methods等等。
现在图模型和 Nonparametric Bayesian Methods 都是机器学习领域炙手可热的研究方向。Michael Jordan的研究很好的将统计和机器学习联系了起来，将Variational Methods发扬光大，他也还身兼统计系和计算机系教职。
吴恩达的学术研究兴趣比较广，做的东西有比较理论的，但更多的是理论和应用的结合。他的一作主要集中在Spectral Clustering ,Unsupervised Learning 和增强式学习(reinforcement learning)，机器学习的很多方面都有涉及，比如feature selection， over-fitting，policy search。由于做reinforcement learning和unsupervised learning, 所以有很多项目是和机器人有关的,他也发起了ROS(Robot Operating System),一个开源的机器人操作系统，影响力很大。其他的参与的研究就很多了，Michael Jordan那一片的统计机器学习都有参与，在图模型领域也有很多非常优秀论文，比如自然语言处理(NLP)的神器Latent Dirchirelnt Allocation(LDA) 那篇论文他也有贡献。
他现在的研究兴趣主要是深度学习(Deep Learning)，深度学习说白了就是死灰复燃的神经网络(Neural Network), 神经网络的一代鼻祖是多伦多大学的Geoffrey Hinton。 Geoffrey Hinton和吴恩达一起在Google搞深度学习 (Google Brain Project)，他们俩现在在这一块的论文很多，影响力很大。
总体而言他是顶级的机器学习研究者，在斯坦福是tenured professor已经说明了这点，至于Lab Director，和学术无关，只要是教授都可以成立一个实验室自己当主任(Director)，不要把主任拿过来说事。
更重要的是，他在学术圈内圈外知名度很高！除了师承之外，还有一个重要原因是他在斯坦福公开课里面主讲机器学习，讲的的确是非常好，在工程界非常受欢迎，后来和Daphne Koller (机器学习界的一姐和大牛，《Probabilistic Graphical Models: Principles and Techniques》一书的作者)一起成立了Coursera。
吴恩达对慕课(MOOC)和Coursera的贡献我就不赘述了。
另外吴恩达会说中文，出生于英国，高中毕业于新加坡的Raffles Insitution，本科毕业于卡耐基梅隆大学，硕士在麻省理工，博士毕业于伯克利，早年在香港和英国生活过。
现在通用人工智能界有哪些大牛
人工智能(Artificial Intelligence) ，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算, 而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”, 可见复杂工作的定义是随着时代的发展和技术的进步而变化的, 人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面
刚看了，最近有有一款人工智能音箱出来了好像还不错！小灵灵智能音箱~
华人在人工智能领域很牛，那到底有多牛？
人工智能这把火已经烧到了国家战略层面，连美国总统和政府机构也卷了进来。上周四，奥巴马主持白宫前沿峰会，展望美国在未来50年的发展。峰会中，白宫发布报告《国家人工智能研究与发展策略规划》。
这两天，自媒体没少炒作这个报告；我自己呢，倒是特别地对这个报告中的两张趋势图感兴趣。报告中说，从2013年到2015年，SCI收录的论文里，提到“深度学习”的文章增长了约六倍，同时强调，“按文章数计算，美国已不再是世界第一了。”
美国不是世界第一？谁是世界第一呢？来看报告中的两张趋势图：
1.
上图是每年SCI收录的文章里，提到“深度学习”或“深度神经网络”的文章数量变化趋势，同时按国家做了区分。数据本身是从Web of Science核心数据库里查询得到的。
2.
第二张图和第一张图其他条件一样，只是增加了一个“文章必须至少被引用一次”的附加条件。也就是说，第二张图统计的文章数，是被引用过的“有效文章数”，相对来说更合理一些。
两张图里，中国都在2014年和2015年超过了美国（以及其他所有第二梯队的国家），居于领跑者的位置。
问题来了，在AI研究领域，中国人真有这么强吗？
从这些年的直觉看，中国人/华人在人工智能领域里的大牛比比皆是，吴恩达、孙剑、杨强、黄广斌、马毅、张大鹏 ……随口可以说出一大串，我自己在Google的研究团队，微软研究院等地亲眼看到的，也到处是中国人、华人的面孔。但这只是直观感受。整体来看，中国人/华人所做的科研贡献到底有多重要，对人工智能的推动作用到底有多大？白宫报告里的统计是不是科学、合理？
其实，对美国国家战略规划里的统计，我自己是有几个疑问的，主要包括：
直接搜索关键字“深度学习”、“深度神经网络”，真的能涵盖这些年人工智能领域的所有科学研究进展？像机器人、智能控制、机器视觉、无人驾驶等领域里，没有提及深度学习的文章眼见还有不少。严格按关键词匹配会漏掉多少相关文章？是否影响统计结果？
“文章至少被引用一次”，比较科学，但好像还远远不够。这种统计，真的不需要考虑SCI的影响因子吗？不考虑的话，会混进多少较差期刊上发表的比较水的论文？这些数据会不会被国内研究机构靠SCI引用数来评职称的风气污染？
在全球化时代，按国家统计，会不会有明显偏差？白宫报告没有提到被统计的文章是如何归入不同国家的。如果按作者发表文章时的所在机构，那大量在国外机构访问的中国学者会不会被算成外国人？中国人和外国人合写的文章该如何统计？如果按期刊所属国家和地区，那不同国家间的期刊水平（影响因子）差异是不是会让统计结果带有偏见？
基于此，我也想自己去做个统计。
统计前，给自己设了几条原则：
从期刊的影响因子出发，只统计影响因子高的顶尖期刊。
从Web of Science主题词出发，涵盖人工智能相关的所有科研领域，而不仅是深度学习方面的文章。
关注对象是华人，而不是用国家分类的办法去比较中国和外国——这个是我自己的选择，因为今天的学术界，国家间的合作和交流已不可忽视。类似吴恩达这样的外籍华人，其实也在为中国的人工智能发展做贡献。与其限定国家，不如从整体上看一看，地球上的华人科学家、研究者群体，到底有多厉害。
关注时间范围是2006到2016年，跨度10年左右——因为许多人说，这一波人工智能大潮是从2006后的几年时间里，才开始真正兴起的。
我的统计结果
来看下2006到2016年间华人作者的平均贡献：
3.
在2006到2016年的时间段里，近两万篇最顶级的人工智能文章中，由华人贡献的文章数和被引用数，分别占全部数字的29.2%和31.8%。近十年，华人用五分之一左右的作者人数，平均贡献了三成的顶级AI研究文章和被引用数。统计角度，这已经是超出平均水平的科研贡献了。
但平均数并不能看出华人科学家、研究者在最近几年的发力程度。来看2006到2015年间，华人贡献的文章数和被引用数的变化趋势：
4.
2006到2015年间，华人作者参与的顶级AI论文，占全部顶级AI论文数量的比例，从23.2%逐年递增到42.8%。而华人作者参与的顶级AI论文被引用次数，占全部顶级AI论文被引用次数的比例从25.5%逐年递增到55.8%（2016 年数据较少，未用于趋势比较）。
也就是说，即便只统计顶级出版物里的顶级文章，中国人/华人在人工智能领域的贡献，在发展趋势上也和白宫报告中揭示的规律如出一辙——无论从哪个角度来说，中国人/华人正在人工智能领域里发挥举足轻重的作用，而且，从2014年，2015年开始，中国人/华人已经处于人工智能研究的领先地位，占据了人工智能科研世界的半壁江山！
个案分析
会有人觉得这个统计很不可思议吗？这个结果会出乎很多人意料吗？我们还可以拿一个更具体的例子，来深入分析一下。
在顶级人工智能期刊和会议录里，我来举个大名鼎鼎的例子吧：IEEE模式分析与机器智能汇刊（IEEE Transactions on Pattern Analysis and Machine Intelligence，简称PAMI），2015年影响因子6.077，高到没朋友，想往这里投稿的同学可能都知道被接受和发表的难度有多恐怖。
我从《IEEE模式分析与机器智能汇刊》里按引用数选出2006到2016年间的前500篇论文，下面是这500篇论文的引用数分布情况：
5.
其实很恐怖的，前500篇文章最高引用数2715，最低引用数41——真顶级期刊！普通期刊难以望其项背呀。
那么，这500篇最顶级的人工智能论文里，华人科学家、研究者的贡献如何呢？先说几个数字：500篇顶级文章的作者一共1220人，其中华人科学家、研究者316人，占25.9%。所有作者单独累加计算的被引用数总和是231361次，其中，华人科学家、研究者被引用数总和是63846 次，占27.6%。如果单看2014年（当年华人的文章数、引用数均较高）的数据，华人科学家、研究者被引用数占51.8%，超过了半数。
6.
如果只看《IEEE模式分析与机器智能汇刊》在2006到2016年间，引用数最多的10位华人作者和10位非华人作者的具体情况，也是一个很有趣的表格：
7.
《IEEE模式分析与机器智能汇刊》的华人前10位大牛，与非华人前10位大牛，在每个人的总引用数上几乎不相上下。的确，最顶尖的人工智能科学家里，中国人/华人的贡献丝毫不亚于其他科学家。
另外，如果对人工智能特别是模式识别的研究领域不熟悉，那么，记住表中这20位顶尖科学家的名字吧。有兴趣的话，大家可以去搜一搜他们的简历，看看他们都在哪里工作，在哪里做研究，他们的学生、同事都是谁，相信会有很多发现。
结语：以上就是首席CTO笔记为大家整理的关于人工智能领域大牛有哪些的相关内容解答汇总了，希望对您有所帮助！如果解决了您的问题欢迎分享给更多关注此问题的朋友喔～