苏轼
以时间线的方式整理苏轼生平关键节点，便于回看“仕途—流放—心境—作品”之间的对应关系。
人物时间线
| 时间 | 年龄 | 事件描述 | 人生特征 / 状态 | 代表作品 | 在位皇帝（在位时间） |
|---|---|---|---|---|---|
| 1037年 | 0 | 出生于四川眉山书香门第，父苏洵，弟苏辙 | 家学渊源，早慧 | — | 宋仁宗（1022–1063） |
| 1057年 | 20 | 与苏辙同登进士第，名动京师 | 文名初成，仕途开启 | 《题西林壁》 | 宋仁宗 |
| 1059年 | 22 | 任凤翔府签判，开始地方官生涯 | 入世实践 | — | 宋仁宗 |
| 1061年 | 24 | 制科及第，授大理评事，后任密州知州 | 政务与文学并进 | — | 宋仁宗 |
| 1069年 | 32 | 王安石变法开始，苏轼公开反对新法 | 政见分歧，埋下贬谪伏笔 | — | 宋神宗（1067–1085） |
| 1071年 | 34 | 调任杭州通判，治理有方，深得民心 | 治理能力突出 | 《饮湖上初晴后雨》 | 宋神宗 |
| 1073年 | 36 | 任密州知州，文风豪放成熟 | 豪放词风定型 | 《江城子·密州出猎》 | 宋神宗 |
| 1076年 | 39 | 任徐州知州，成功治理水患 | 实干官员形象 | 《浣溪沙·徐门石潭谢雨》 | 宋神宗 |
| 1079年 | 42 | 乌台诗案发，被捕后贬黄州 | 人生低谷，精神转折 | 《赤壁赋》《念奴娇·赤壁怀古》 | 宋神宗 |
| 1080年 | 43 | 黄州躬耕，自号“东坡居士” | 旷达、超脱成型 | 《定风波·莫听穿林打叶声》 | 宋神宗 |
| 1083年 | 46 | 黄州定居，孤独而自守 | 内敛、清冷 | 《卜算子·黄州定慧院寓居作》 | 宋神宗 |
| 1084年 | 47 | 调任汝州、应天府 | 人生回暖 | 《和子由渑池怀旧》 | 宋神宗 |
| 1086年 | 49 | 哲宗即位，新党失势，召回京师，任翰林学士 | 政治短暂顺风期 | 《和陶渊明饮酒》 | 宋哲宗（1085–1100） |
| 1089年 | 52 | 再任杭州知州，疏浚西湖 | 政声巅峰 | 《饮湖上初晴后雨·其二》 | 宋哲宗 |
| 1093年 | 56 | 任颍州知州，清廉爱民 | 稳健务实 | — | 宋哲宗 |
| 1094年 | 57 | 新法党复起，贬惠州，后至儋州 | 再度流放，精神自守 | 《记承天寺夜游》 | 宋哲宗 |
| 1100年 | 63 | 哲宗去世，徽宗即位，大赦召还 | 人生晚景，体弱多病 | — | 宋徽宗（1100–1126） |
| 1101年 | 64 | 北归途中卒于常州，追谥“文忠” | 一代文宗落幕 | — | 宋徽宗 |
人工智能人物传记
以“人物画像”的方式梳理 AI 发展的关键推手：他们在什么时代解决了什么问题、形成了什么方法论、留下了哪些长期影响。
人工智能时间线
| 时间 | AI发展 | 技术突破 | 李飞飞节点 | Yann LeCun 节点 | Ilya Sutskever 节点 | Geoffrey Hinton 节点 | Alex Krizhevsky 节点 |
|---|---|---|---|---|---|---|---|
| 1950-1956 | 图灵测试、达特茅斯会议，AI诞生 | 符号主义，早期专家系统 | — | — | — | — | — |
| 1957-1974 | 感知机、ELIZA聊天机器人，黄金期 | 神经网络雏形，过度乐观 | — | — | — | — | — |
| 1974-1980 | 第一次AI寒冬，资金削减 | 计算能力受限，承诺落空 | — | — | — | — | — |
| 1980-1987 | 专家系统繁荣，商业化尝试 | MYCIN医疗系统，日本第五代计算机 | — | 卷积网络早期研究路线成形（LeNet 前夜） | — | 反向传播在多层网络训练中被推广与应用（连接主义再兴） | — |
| 1987-1993 | 第二次AI寒冬，专家系统衰落 | 知识工程瓶颈，成本过高 | — | — | — | — | — |
| 1997-1998 | 深蓝战胜卡斯帕罗夫，MNIST数据集 | 蛮力计算，机器学习范式转变 | — | LeNet-5 在手写数字识别等任务中成为经典范式 | — | — | — |
| 2000-2005 | SVM、集成学习、贝叶斯网络 | 从符号主义到统计学习 | — | 在工业界推进可落地的机器学习系统与视觉方向 | — | 持续深耕表征学习与神经网络路线 | — |
| 2006 | Hinton提出深度信念网络 | 深度学习复兴，解决训练问题 | — | — | — | 深度信念网络（DBN）与无监督预训练，推动“深度可训练” | — |
| 2009 | ImageNet数据集发布 | 大规模标注数据，1400万图像 | Stanford / ImageNet | — | — | — | 发布《Learning multiple layers of features from tiny images》技术报告 |
| 2012 | AlexNet引爆深度学习革命 | CNN+GPU，错误率从26%降至15% | — | CNN 路线被再次验证并进入主流视觉系统 | — | DNN Research 团队成果被产业界快速吸收 | AlexNet（ILSVRC 2012）成为拐点事件 |
| 2014-2015 | GoogLeNet、VGG、ResNet，超越人类 | 网络更深，计算机视觉成熟 | — | — | Seq2Seq（序列到序列）方法兴起，NLP 端到端学习范式加速 | — | — |
| 2016 | AlphaGo击败李世石 | 深度强化学习，复杂策略游戏突破 | — | — | — | — | — |
| 2017 | Transformer架构（Attention Is All You Need） | 改变NLP，奠定大语言模型基础 | Google Cloud 首席科学家 | — | — | — | — |
| 2018 | BERT、GPT发布 | 预训练模型，迁移学习 | — | 与 Bengio、Hinton 共同获图灵奖，深度学习范式确立 | — | 与 Bengio、LeCun 共同获图灵奖 | — |
| 2019 | GPT-2，深度伪造技术 | 生成能力惊人，伦理担忧 | — | — | — | — | — |
| 2020 | GPT-3（1750亿参数），AlphaFold 2 | 大模型时代，蛋白质结构预测 | — | — | — | — | — |
| 2021-2022 | DALL-E、GitHub Copilot、ChatGPT | 多模态生成，AI进入大众视野 | — | — | 在 OpenAI 推动大规模训练与对齐研究（ChatGPT 等产品化浪潮） | — | — |
| 2023 | GPT-4，大模型竞赛（Claude、Gemini） | AI安全和监管成全球议题 | 出版回忆录《The Worlds I See》 | — | — | — | — |
| 2024-2025 | AI Agent崛起，多模态模型成熟 | AI在科学研究中深度应用 | — | — | — | — | — |
| 2026 | AI无处不在，从工具到基础设施 | 伦理、安全、监管成核心议题 | — | — | — | — | — |
李飞飞
华裔女科学家，计算机视觉教母，ImageNet 创始人，推动了现代人工智能的视觉革命。 通过对照人物时间线和 AI 发展时间线，理解个人贡献如何嵌入历史进程。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 |
|---|---|---|---|---|
| 1976年 | 0 | 出生于北京知识分子家庭 | 童年在成都度过 | — |
| 1993年 | 16 | 随父母移民美国新泽西，语言障碍，餐馆打工 | 移民适应期，艰难奋斗 | — |
| 1995-1999 | 19-22 | 普林斯顿大学物理学和计算机科学双学位 | 学术基础建立 | 开始对计算机视觉产生兴趣 |
| 1999-2000 | 23 | 前往西藏研究藏医药一年 | 技术与人文交融 | 形成对科技与人文关系的思考 |
| 2000-2005 | 24-29 | 加州理工攻读电气工程博士，导师 Pietro Perona | 计算机视觉专业研究 | 物体识别的认知和计算模型研究 |
| 2005-2009 | 29-33 | UIUC 和普林斯顿助理教授 | 早期教职和研究 | 构思和启动 ImageNet 项目 |
| 2009 | 33 | 加入斯坦福大学，ImageNet 首次发布 | 学界反应冷淡，坚持愿景 | 1400万图像，2万类别，开创数据驱动 AI |
| 2010-2012 | 34-36 | 主办 ImageNet 挑战赛（ILSVRC） | 持续推进，等待突破 | 2012 年 AlexNet 验证大数据价值 |
| 2013-2015 | 37-39 | 深度学习爆发期，计算机视觉研究深化 | 学术影响力扩大 | 2015 年 ResNet 超越人类，创立 AI4ALL |
| 2016-2017 | 40-41 | 启动智能医院项目，加入 Google Cloud 任首席科学家 | AI 应用与产业化 | 推动 AI 民主化和伦理应用 |
| 2018 | 42 | 离开 Google，回归斯坦福 | 重回学术和教育 | 专注 AI 伦理和政策研究 |
| 2019 | 43 | 联合创立斯坦福以人为本人工智能研究院（HAI） | 推动负责任的 AI 发展 | 跨学科研究：技术 + 人文 + 社会 |
| 2020 | 44 | 入选美国国家工程院院士 | 学术地位确立 | AI 伦理、医疗 AI、教育推广 |
| 2021-2023 | 45-47 | 入选国家医学院院士，出版回忆录《The Worlds I See》 | AI 伦理领袖 | HAI 引领负责任 AI 讨论 |
| 2024-2026 | 48-50 | 继续领导 HAI，推动 AI 政策和监管 | AI 时代的思想领袖 | AI 安全、伦理、教育普及 |
核心洞见
- • 长期主义：ImageNet 从构思（2006）到引爆革命（2012）历时 6 年，坚持愿景换来历史性突破
- • 基础工作价值：数据集不如算法“性感”，但改变了整个 AI 领域的范式
- • 数据驱动：“好的数据是 AI 成功的重要前提”，数据质量往往比小幅算法改进更关键
- • 以人为本：技术进步必须伴随人文关怀，AI 的目的是增强而非取代人类
- • 多样性与包容：移民背景带来独特视角，通过 AI4ALL 推动女性和少数族裔参与
- • 跨学科思维：物理学 + 计算机 + 神经科学 + 人文关怀，交叉领域产生创新
杨立昆（Yann LeCun）
法裔美籍计算机科学家，长期工作于机器学习、计算机视觉、机器人与图像压缩等领域。 他最为人所知的是卷积神经网络在 OCR / 视觉中的开创性应用（LeNet 路线），以及把研究推进到可部署系统；同时也参与了 DjVu 图像压缩技术等工程化成果。 职业路径上，他的主线非常清晰：Bell Labs 的工业场景锻造了“端到端可用系统”的审美；NYU/Meta 阶段则把这种审美扩展为研究平台与组织能力。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 / 关键词 |
|---|---|---|---|---|
| 1960-07-08 | 0 | 出生于法国巴黎郊区 Soisy-sous-Montmorency | 法国成长背景，后来成为法裔美籍科学家 | — |
| 1983 | 23 | 获 ESIEE Paris 工程师文凭（DipIng） | 工程背景打底 | 工程训练 |
| 1987 | 27 | 获 Université Pierre et Marie Curie（现 Sorbonne University）计算机博士学位 | 在博士阶段提出早期反向传播形式之一（连接主义学习模型） | Backprop（早期形式）/ 连接主义 |
| 1987-1988 | 27-28 | 多伦多大学做博士后研究（导师 Geoffrey Hinton） | 与深度学习共同体核心人物形成学术连接 | 研究共同体 / 路线延续 |
| 1988-1996 | 28-36 | 加入 AT&T Bell Labs（Adaptive Systems Research） | 把卷积网络等方法用于手写识别与 OCR，并走向大规模部署 | LeNet / OCR / “可部署”机器学习 |
| 1989-1990 | 29-30 | 提出并应用于手写识别的一系列工作（如 ZIP code 识别、Optimal Brain Damage） | 把“训练—正则—部署”作为一体化问题处理 | 手写识别 / OBD 正则 / 工程闭环 |
| 1996 | 36 | 转入 AT&T Labs-Research，负责图像处理方向团队 | 从识别系统延伸到压缩与分发链路 | DjVu 图像压缩（参与） |
| 1998 | 38 | 发表文档识别的经典综述（Gradient-based learning applied to document recognition） | 把端到端学习方法系统化总结 | LeNet 体系化 / 文档识别 |
| 2003 | 43 | 加入纽约大学 NYU（Courant Institute），任 Jacob T. Schwartz 讲席教授 | 在学术体系内推进能量模型、表征学习与机器人方向 | Energy-based models / 视觉表征 / 机器人 |
| 2012 | 52 | 担任 NYU Center for Data Science 创始主任（后卸任） | 把数据科学与机器学习研究组织化 | 研究组织与平台建设 |
| 2013年 | 53 | 加入 Facebook（现 Meta），领导 FAIR（AI Research）并担任 Chief AI Scientist | 把研究实验室做成长期运转的组织能力 | FAIR / 研究平台化 |
| 2013 | 53 | 与 Yoshua Bengio 共同发起 ICLR（International Conference on Learning Representations） | 推动开放评审与新兴学术共同体 | ICLR / 共同体建设 |
| 2018年 | 58 | 与 Geoffrey Hinton、Yoshua Bengio 共同获得 ACM 图灵奖 | 深度学习成为主流范式的标志性事件 | 深度学习范式确立（里程碑） |
| 2021 | 61 | 当选美国国家科学院成员（NAS） | 学术荣誉与影响力进一步确认 | — |
| 2023 | 63 | 获法国荣誉军团勋章（Legion of Honour） | 跨国学术与产业影响的认可 | — |
| 2024-2025 | 64-65 | 获 VinFuture Prize（2024）、Queen Elizabeth Prize for Engineering（2025）等 | 作为深度学习时代关键人物被持续表彰 | 学术与工程影响力 |
| 2025 | 65 | 离开 Meta，转向个人创业（世界模型/类人智能方向） | 把研究议程延伸为新的组织与产品形态 | World-model architectures（路线选择） |
| 2020年代 | 60+ | 持续推动自监督学习与“世界模型”式表征范式（如 JEPA 思路） | 把重点从“纯监督规模化”转向“可建模世界”的表征与规划 | 自监督 / 表征 / 世界模型 |
核心洞见
- • 结构=先验：CNN 的价值在于把局部性与平移不变性写进模型，让学习更高效、更稳定；不靠单纯把网络堆得更深。
- • 端到端：尽量减少手工特征与规则，把优化目标交给数据与梯度，这是一种工程哲学。
- • 可落地才算数：Bell Labs 的 OCR/支票识别是典型样本：研究价值最终要穿过部署与规模化的门槛。
- • 范式不是一次胜利：从 CNN 到自监督/世界模型，他始终在做同一件事：寻找更通用的表征学习机制。
- • 研究平台化：从 NYU 到 FAIR，再到创业，贯穿的是“把议程做成组织能力”，而不是只做一次性成果。
约书亚·本吉奥（Yoshua Bengio）
加拿大计算机科学家，深度学习三巨头之一，因其在人工神经网络和深度学习领域的开创性研究而闻名。1964 年生于法国巴黎，现为蒙特利尔大学教授、蒙特利尔学习算法研究所（Mila）科学主任。2018 年与杰弗里·辛顿、杨立昆共同获得图灵奖，被誉为“深度学习教父”。其代表性工作包括神经概率语言模型、ReLU 激活函数、注意力机制、词嵌入和去噪自编码器等，奠定了现代自然语言处理和深度学习的理论基础。同时积极推动 AI 安全与伦理研究，致力于构建负责任的 AI 生态。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 / 关键词 |
|---|---|---|---|---|
| 1964 | 0 | 出生于法国巴黎，米兹拉希犹太人家庭 | 童年在巴黎度过 | — |
| 1970s | 6-15 | 随家人移居加拿大魁北克 | 成长于蒙特利尔，法语和英语双语环境 | — |
| 1982-1986 | 18-22 | 在麦吉尔大学攻读本科 | 计算机科学基础训练 | — |
| 1988-1991 | 24-27 | 麦吉尔大学攻读博士，导师 Renato de Mori | 专注人工神经网络与序列识别 | 博士论文：人工神经网络及其在序列识别中的应用 |
| 1991-1992 | 27-28 | MIT 博士后，师从 Michael Jordan | 学习概率图模型与贝叶斯方法 | 拓展统计机器学习理论视野 |
| 1993 | 29 | 加入蒙特利尔大学任教 | 开始建立独立研究组 | 扎根蒙特利尔，打造学术根据地 |
| 2000-2003 | 36-39 | 发表神经概率语言模型（Neural Probabilistic Language Model） | 突破传统 n-gram 局限，开启神经语言模型时代 | 词嵌入（Word Embeddings），现代 NLP 的奠基工作 |
| 2006 | 42 | 与 Hinton、LeCun 推动深度学习复兴 | 在 AI 寒冬后重新点燃神经网络希望 | 深度信念网络、无监督预训练策略 |
| 2011 | 47 | 提出 ReLU（Rectified Linear Unit）激活函数 | 解决梯度消失问题，成为深度网络标配 | ReLU 简单高效，加速深度学习训练 |
| 2012-2015 | 48-51 | AlexNet 引爆深度学习革命，注意力机制等成果涌现 | 深度学习进入黄金时代 | 去噪自编码器、注意力机制（Attention）雏形 |
| 2014 | 50 | 学生 Ian Goodfellow 提出生成对抗网络（GAN） | GAN 成为生成模型的里程碑 | 培养出 Goodfellow 等明星学者 |
| 2017 | 53 | 获魁北克最高科学荣誉玛丽-维克托林奖 | 学术地位得到官方认可 | 魁北克 AI 生态崛起 |
| 2018 | 54 | 与 Hinton、LeCun 共同获得图灵奖 | 深度学习"三巨头"正式确立 | 表彰其在深度学习领域的概念性和工程性突破 |
| 2019 | 55 | 当选美国人工智能协会会士（AAAI Fellow） | 国际学术影响力持续扩大 | — |
| 2020-2023 | 56-59 | 积极参与 AI 安全、伦理与治理讨论 | 从技术推动者转向责任倡导者 | 呼吁 AI 监管、军事化警惕、伦理准则 |
| 2024-至今 | 60+ | 继续领导 Mila，推动因果推理与 AI 安全研究 | 学术共同体建设者与思想领袖 | 构建可持续的 AI 研究生态与人才体系 |
核心洞见
- • 理论奠基者：神经概率语言模型、ReLU、注意力机制等工作为现代深度学习和 NLP 提供了核心工具
- • 长期主义：在 AI 寒冬期坚守神经网络路线，数十年如一日推动深度学习理论化
- • 生态建设：通过 Mila 构建全球领先的 AI 研究社区，培养大量顶尖学者（如 Goodfellow），证明学术共同体的力量
- • 开放与合作：推崇开放研究文化，与 Hinton、LeCun 形成“铁三角”，共同推动深度学习革命
- • 责任与伦理：在技术快速发展的同时，积极呼吁 AI 安全、监管与伦理，展现科学家的社会责任感
- • 跨领域思维：融合神经科学、统计学、认知科学，形成独特的深度学习理论视角
杰弗里·辛顿（Geoffrey Hinton）
英国出生的加拿大计算机科学家与心理学家，多伦多大学教授。 以神经网络与深度学习的关键贡献闻名（反向传播在多层网络训练中的推广、玻尔兹曼机、对比散度等），常被称为“深度学习教父”。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 / 关键词 |
|---|---|---|---|---|
| 1947-12-06 | 0 | 出生于英国英格兰伦敦温布尔登（Wimbledon） | 英国出生；后为加拿大籍学者 | — |
| 1970 | 22 | 剑桥大学获实验心理学学士（BA） | 心理学与认知科学背景打底 | 认知 / 表征兴趣 |
| 1978 | 30 | 爱丁堡大学获人工智能博士（PhD） | 进入 AI/神经网络研究路径 | 神经网络 / 学习理论 |
| 1970s-1990s | — | 先后在多所高校/研究机构工作（如 Sussex、UCSD、Cambridge、CMU、UCL 等） | 形成“学习 + 表征”研究主线 | 连接主义 / 机器学习 |
| 1990 | 42 | 当选美国人工智能协会会士（AAAI Fellow） | 学界认可 | 神经网络路线推动 |
| 1998 | 50 | 当选英国皇家学会会士（FRS） | 重要学术荣誉 | 表征学习 / 统计学习 |
| 2001 | 53 | 获鲁梅尔哈特奖（Rumelhart Prize） | 神经网络与认知科学交叉认可 | 学习算法 / 表征 |
| 2005 | 57 | 获 IJCAI 优秀研究奖 | 终生成就类认可 | 机器学习 / AI 方向贡献 |
| 2013-03 | 65 | 加入 Google（并购 DNNresearch 后加入） | 产业研究与规模化训练时代 | 深度学习工程化 / 训练范式 |
| 2018 | 70 | 与 Yoshua Bengio、杨立昆共同获图灵奖 | 深度学习成为主流范式的里程碑 | 深度学习范式确立 |
| 2022 | 74 | 获阿斯图里亚斯亲王奖、皇家奖章等 | 持续荣誉与影响力 | 深度学习影响扩散 |
| 2024 | 76 | 与 John Hopfield 共同获诺贝尔物理学奖 | 跨学科最高级别认可 | 机器学习与 AI 的基础发明与创新 |
核心洞见
- • 把“可训练”当作第一性问题：优化/表示/规模化是同一条链路
- • 学术谱系 = 方法论传播路径：Hinton → Ilya（训练范式），Hinton → LeCun（可部署系统审美）
伊尔亚·苏茨克维（Ilya Sutskever）
画像骨架：大模型路线的关键推动者之一，代表“训练范式 + 直觉驱动”的研究风格。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 / 关键词 |
|---|---|---|---|---|
| 1986-12-08 | 0 | 出生于苏联俄罗斯高尔基（今下诺夫哥罗德） | 后成为加拿大 / 以色列公民 | — |
| 2000-2002 | 13-15 | 就读以色列开放大学 | 早期学习阶段 | 数学 / 计算机基础 |
| 2002 | 15 | 与家人移居加拿大，转入多伦多大学 | 进入北美学术体系 | — |
| 2005 | 18 | 获多伦多大学数学学士学位（BSc） | 本科毕业 | 数学训练 |
| 2007 | 20 | 获多伦多大学计算机科学硕士学位（MSc） | 研究训练深化 | 序列模型研究积累 |
| 2012 | 25 | 在 Geoffrey Hinton 指导下获多伦多大学博士学位（PhD） | 深度学习学派核心梯队 | 深度学习训练与优化（论文/学位工作） |
| 2012 | 25 | 在斯坦福大学师从吴恩达做了约两个月博士后 | 短期博士后经历 | 研究网络扩展 |
| 2012-2013 | 25-26 | 加入 DNNResearch（Hinton 团队衍生公司） | 产业化前沿研究团队 | 深度学习工程化 |
| 2013-03 | 26 | Google 收购 DNNResearch，加入 Google Brain | 成为研究科学家 | 规模化训练与系统化研究 |
| 2013-2014 | 26-27 | 与 O. Vinyals、Quoc V. Le 合作创建 Seq2Seq 学习算法 | 序列学习范式扩张 | Seq2Seq / 编码器-解码器 |
| 2015 | 28 | 与 Alex Krizhevsky、Geoffrey Hinton 共同提出 AlexNet（相关工作） | 深度学习拐点事件的关键作者之一 | AlexNet / CNN 视觉革命 |
| 2015-12 | 29 | 离开 Google，加入新成立的 OpenAI（负责人/领导层） | OpenAI 联合创始人、首席科学家 | 大模型研究路线与组织推动 |
| 2015 | 28 | 入选《麻省理工科技评论》35 岁以下创新者（TR35） | 早期学术影响力确认 | — |
| 2022 | 35 | 当选英国皇家学会院士（FRS） | 学术荣誉 | — |
| 2024-05 | 37 | 宣布离开 OpenAI | 从组织内关键岗位退出 | — |
| 2024-06 | 37 | 与 Daniel Gross、Daniel Levy 共同创立 Safe Superintelligence（SSI） | 以 AI 安全为重点的新公司 | AI 安全 / 对齐 / 超级智能 |
| 2024-09 | 37 | SSI 宣布融资 10 亿美元，估值约 50 亿美元 | 资本与市场认可 | 安全 AI 研发资源 |
- • 贡献与影响：AlexNet、Seq2Seq、以及在 OpenAI 推动大规模训练范式与研究组织化。
- • 对我的启发：把“可规模化”当作第一原则，同时把安全问题视为主线而不是附属条件。
亚历克斯·克里泽夫斯基（Alex Krizhevsky）
乌克兰裔加拿大计算机科学家，以深度卷积神经网络在视觉任务上的突破性工作闻名；他与合作者在 2012 年以 AlexNet 显著刷新 ImageNet 竞赛成绩，推动深度学习在工业界“从可行到必选”的拐点，同时也是 CIFAR-10 与 CIFAR-100 数据集的创建者之一。
人物时间线
| 时间 | 年龄 | 事件描述 | 状态与成就 | 关键贡献 / 关键词 |
|---|---|---|---|---|
| 2009 | 23 | 发布技术报告《Learning multiple layers of features from tiny images》。 | 以“从小图像学习多层特征”为主线，系统化沉淀训练与特征学习经验。 | 小图像特征学习、训练细节、可复现实验范式 |
| 2009-2011 | 23-25 | 围绕计算机视觉与神经网络训练做持续迭代，逐步聚焦卷积网络的可训练性与规模化。 | 从“能训练”走向“能训大”，为后续大规模视觉竞赛奠定工程基础。 | 工程化训练、GPU 加速、数据与算力驱动 |
| 2012 | 26 | 以 AlexNet 赢得 ImageNet（ILSVRC）挑战赛，显著领先传统方法。 | 成为深度学习进入主流视觉系统的标志性拐点事件。 | 卷积网络 + ReLU + Dropout + GPU 训练、AlexNet |
| 2012 | 26 | AlexNet 论文与相关实现被广泛引用与复用，成为后续视觉网络设计的“起点模板”。 | 在学术与工业界形成范式迁移：更深、更大、更数据驱动。 | 可迁移架构思路、基准驱动迭代、引用与复用 |
| 2012-2013 | 26-27 | 与同事共同推进创业公司 DNN Research Inc.，并在 AlexNet 成功后不久出售给 Google。 | 从学术突破转向工业化落地，将研究影响力直接导入产品线。 | 研究到产品的转译、商业化并购、工程落地 |
| 2013-2016 | 27-30 | 在 Google 继续参与深度学习相关研究与实践，探索更高效的训练与表示学习路径。 | 把“论文级效果”变成“可持续迭代的系统能力”。 | 深度学习系统化、训练策略、表示学习 |
| 2017-09 | 31 | 离开 Google，转入 D. E. Shaw & Co.（德劭）从事工作，支持新的深度学习技术探索。 | 从大厂研发节奏切换到更强调长期研究与应用结合的环境。 | 研究节奏重塑、长期主义、跨领域应用 |
| 长期贡献 | 未知 | 创建并推广 CIFAR-10 与 CIFAR-100 数据集，成为小图像分类研究的经典基准。 | 以“统一数据基准”推动社区形成可对比、可复现、可迭代的研究文化。 | CIFAR-10/100、基准测试、可复现与对齐 |
| 长期影响 | 未知 | 多篇论文与工程实践被视觉与机器学习社区高频引用，影响后续网络结构与训练范式演进。 | 以“能跑起来、能复现、能扩大”的工程路径塑造研究风格。 | 工程优先、训练细节决定上限、可扩展性 |
| 当代语境 | 未知 | AlexNet 被持续作为“深度学习产业化起点”反复回顾与复盘，成为理解视觉革命的关键案例。 | 其价值不止于结构，更在于把系统要素（数据/算力/训练技巧）拼成闭环。 | 系统闭环、规模效应、范式跃迁 |
核心洞见
- • 工程闭环：真正的突破往往来自把模型、数据、算力与训练技巧拼成可复制的系统，而不是某个单点“灵感结构”。
- • 基准驱动：用公开基准（如 CIFAR、ImageNet）把讨论从“讲故事”拉回“可对比结果”，让社区迭代速度指数级提升。
- • 训练细节主义：性能上限常被优化器、激活函数、正则化、初始化与数据增强等“细节”锁死，细节决定模型能否规模化。
- • 规模效应：当数据与算力足够，正确的架构与训练配方会出现“质变拐点”，把实验室效果推到产业可用。
- • 研究到产品的翻译：把论文影响力变成真实产品能力，需要组织与工程路径（部署、维护、迭代节奏）的二次设计。