深度学习AI大佬盘点：值得关注的13位学者和他们的贡献

先坦白：我是个追了三年论文的业余爱好者，追星对象不是偶像而是学者。深度学习ai大佬排名严格说不存在，图灵奖和论文引用量能排个大概，但学术贡献很难精确排座次。所以这份名单别当榜单看，当地图看：13个人，每人一项代表作，一句白话解读他干了什么，顺带讲点我读他们论文时的私人体验。名单以深度学习为主，个别偏应用和基础设施的大佬也收了进来，理由后面讲。

三巨头：深度学习ai大佬排名里绕不开的前三号

原子答案：杰弗里·辛顿、约书亚·本吉奥、杨立昆三人共享2018年图灵奖，是深度学习从冷板凳救活的三位主刀医生。辛顿管反向传播的推广，本吉奥管序列和语言，杨立昆管视觉卷积。排他们仨谁第一都行，反正第四名开始才有争议。

辛顿的故事我百讲不厌。反向传播算法不是他原创，但他1986年那篇论文把它变成人人能用的工具，然后守着神经网络这条冷板凳坐了三十年。九十年代全行业弃神经网络而去，他偏不走，六十多岁等来了AlexNet的爆发。我读他那篇1986年的老论文时注意到一个细节：行文朴素得像教材，完全看不出这是后来震动世界的工作。顺便说，他2024年拿了诺贝尔物理学奖，一个计算机科学家拿物理奖，争议归争议，传奇是真传奇。

本吉奥的功劳在序列建模。语言模型这条路——从词向量到注意力机制的前夜——他是奠基人之一。我读他的综述文章比读论文多，写得极其耐心，像怕你学不会似的。杨立昆则是那个说"猫的大脑里根本没有反向传播"的人，坚持自监督学习路线，后来的对比学习、大模型预训练，某种程度都在他押的方向上。这三人的学术恩怨和互相成就，比任何宫斗剧耐看。

数据与布道者：没有他们，三巨头也点不着火

原子答案：李飞飞主持的ImageNet给了深度学习"米"，吴恩达的公开课给了行业"兵"。一个解决了训练数据从哪来，一个解决了会用的人从哪来。深度学习史缺了这两人，故事就断了半截。

李飞飞那段历史值得细讲。2007年她开始攒ImageNet时，几乎所有人觉得"花几百万美元标注图片"是疯子行为，经费一度紧张到她考虑动用自己的积蓄。后来的事都知道了：上千万张标注图片成了那场革命的燃料，AlexNet就是在这套数据上夺冠的。我的读后感：伟大事业的起点常常看起来很蠢，这是ImageNet教我的。

吴恩达的贡献在"布道"。他2011年在斯坦福开的机器学习公开课，注册人数破了十万，直接催生了Coursera；后来那门深度学习专项课，全球无数工程师的入门第一课。我自己就是看着他的课入的门，课件里那句"AI is the new electricity"当年听着夸张，现在看只说保守了。严格讲他不算深度学习学术贡献最大的那一档，但论"把多少普通人领进门"，无出其右，这就是我把他收进名单的理由。

架构革命者：改变模型形状的那批人

原子答案：Transformer的八位作者里挑两位代表——论文一作Aidan Gomez和核心贡献者Ashish Vaswani，加上残差网络的何恺明、生成对抗网络的古德费洛。他们各自改写了模型的骨架，后来的大模型都是站在这些架构上盖的楼。

先说何恺明，华人之光。残差网络（ResNet）解决的是"网络越深越难训"的死结，思路简单到过分：让每一层只学"比上一层多出来的那点"。我第一次读懂ResNet那个晚上拍了大腿，原来解法可以是做减法。这篇论文的引用量已经位居计算机学科历史前列，深度学习ai大佬排名要是按引用量算，他得排很前面。

Transformer那篇《Attention Is All You Need》是八个人在谷歌挤出来的，八个人后来全部出走创业或去了OpenAI，被称为"最贵的一次头脑风暴"。论文标题的傲气我至今记得，通篇在论证"你们都在用的循环网络，可以全扔了"。事实证明他们狂得有资本。古德费洛的GAN则是另一个方向的浪漫：两个网络互相对抗着变强。他构思出GAN据说是在一家酒吧，喝着酒想出来的。天才的灵感时刻，气死人。

强化学习与推理派：让模型学会做事的人

原子答案：DeepMind的哈萨比斯和席尔瓦把强化学习推上围棋之巅，OpenAI的苏茨克维和伊利亚之外还得提一位——达里奥·阿莫迪代表的_scaling_路线信奉者，靠"堆数据和算力"把智能推过了临界点。这批人回答的问题是：模型能不能自己学会解决问题。

哈萨比斯是那种小说都不敢这么写的人物：13岁成为国际象棋大师，脑科学博士，然后创办DeepMind做出AlphaGo和AlphaFold。AlphaFold预测蛋白质结构那次，我记得生物圈朋友的原话："困扰我们五十年的问题，被隔壁学科的解决了。"这句话里一半是叹服一半是醋味，特别真实。

苏茨克维（Ilya Sutskever）是辛顿的学生，从AlexNet时期就是核心干将，后来成了OpenAI的首席科学家，ChatGPT背后那条技术路线的关键推手。2023年那场 OpenAI 宫斗他站错队又回归又离开，最后自己创办公全安研究公司，剧情跌宕。追他这几年的新闻，是我论文读累了时的下饭节目。强化学习算法本身想入门的，可以看我之前写的用打游戏讲透强化学习，那篇的白话底子就是从这批人的工作里提炼的。

华人力量与应用落地派

原子答案：名单最后三位给何恺明之外的华人学者和应用层代表：贾扬清写了Caffe和参与PyTorch生态，让深度学习有了趁手的工具箱；李开复不是学者但教育了三代中国AI从业者。应用层的名字换得快，真正该长期关注的是前两类人。

贾扬清的作用被严重低估。Caffe框架是他读博时写的，后来去谷歌、再执掌Meta的AI基础设施，深度学习工程师每天都在用的工具链里到处是他的 fingerprints。我的理解：三巨头造了发动机，他这样的人造了方向盘和流水线，缺了后者，发动机就是铁疙瘩。

李开复收进来有争议，他近年的身份是投资人和写作者而非研究者。但《AI·未来》那本书，是很多中国人理解AI的第一扇窗，我爸妈就是听他讲才大概明白我在折腾什么。布道也是贡献，吴恩达算一个，他算半个。

说个我一直想说的观察：这份名单里华人学者的存在感逐年走高，何恺明、贾扬清之外，语言模型方向还有一批更年轻的华人在一线。深度学习ai大佬排名再过五年，华人占比只会更高。这不是民族情绪，是引用量和开源贡献摆在那。

13位学者速览表：一人一句白话总结

原子答案：下面把13位的核心贡献压成一张表，方便你建立整体印象。表格按"奠基、数据、架构、强化、工具"的逻辑排，不是排名先后，别误会。

维基百科上每位学者都有词条，生平和论文列表一查便知，想顺藤摸瓜的从维基百科进，引用量数据可以交叉谷歌学术核对。名单里的学者们自己也互相引用、互相致敬，顺着引文网络爬，比任何排名都更接近真实江湖。

追星三年，我怎么读大佬论文的

原子答案：我的读法是三遍法：第一遍只读摘要和图，第二遍啃方法部分，第三遍跑论文附的代码。三年读下来约四十篇，真正读透的不到十篇，但每读透一篇，认知就换一层皮。

这段给同样想追星的朋友一点私人经验。别一上来就挑战三巨头的奠基论文，数学密度会把你劝退。我的入门顺序是：吴恩达的课程打底，然后从ResNet这种" idea 简单效果炸裂"的论文开始，一读就懂一读就爽，正反馈特别重要。Transformer那篇我读了三遍才敢说看懂，中间隔了俩月。

追星追出过一个笑话。有阵子我迷本吉奥，把他2015年前的博客全翻出来看，看到他在评论区回复本科生的问题，语气耐心得不像大教授。那几天我干活都特别有劲，跟自己说人家那个位置还在认真回帖，你有什么资格糊弄。榜样的力量这话真不是空话，具体到学者身上尤其灵。想系统提升读论文能力的，我在AI机器学习论文的入门阅读顺序里写过完整方法，配合深度学习论文的5篇经典导读食用更佳；对大佬们的创业恩怨史感兴趣的，接着看深度学习AI创始人盘点，那篇偏故事，这篇偏学术，正好互补。

常见问题

深度学习ai大佬排名有公认的第一吗？

前三位（辛顿、本吉奥、杨立昆）共享2018年图灵奖这个事实算最大公约数，三人内部再排序就见仁见智了。按引用量何恺明能排很前，按出圈度李飞飞吴恩达更响。排名看口径，贡献看历史，别太当真。

为什么名单里没有某位我很崇拜的创业者？

这份名单偏向学者和技术奠基人，企业家和产品人只收了直接影响技术路线的。而且13个位置本来就装不下所有人，漏掉的名单可能比名单本身还长，欢迎你补充你心里的那一位。

普通人认识这些大佬有什么用？

最实际的用处是建立坐标系：读新闻时知道谁的话有分量、谁在蹭热度；读论文时知道该顺谁的引文爬。其次是精神层面的——看着一群人把冷板凳坐热，你学AI路上那点挫折真不算什么。

盘点完这13位，我最深的感受不是他们多聪明，是他们多能等。辛顿等了三十年，李飞飞顶着"疯子"的评语攒数据集，杨立昆在被嘲的年代里押自监督。深度学习ai大佬排名年年有人排，但这些名字的位置十年没怎么动过，因为真正的贡献禁得起时间。把这份名单转给同样在学AI的朋友吧，让他追星也追点有营养的。