西方媒体忙着封“AI之父”，却集体忽略真正改变结果的残差网络
一、引子：从“深度学习之父”“人工智能之母”到“Transformer之父”，西方媒体为何热衷造神？
打开任何一本西方科技媒体的AI特稿，你大概率会撞上一串闪闪发光的头衔：Geoffrey Hinton是“深度学习之父”，Yann LeCun是“卷积网络之父”，Fei-Fei Li是“人工智能之母”，再到近年大热的“Transformer之父”——八位谷歌员工联名署名的论文被奉为圣经，连“ChatGPT之父”Sam Altman也早已成为科技圈的新神。
一个有趣的现象正在发生：AI一路狂飙，造神也一路狂飙。西方媒体和学术界似乎特别热衷于把一项庞大复杂的全球性技术协作，压缩成少数几个美国精英的名字和标签。每一个技术节点都必须有一个“Father”或“Mother”来认领，仿佛AI是硅谷孵化的一棵家族树，枝枝叶叶都长在几个人的族谱上。
但AI从来不是这样诞生的。
这场席卷全球的智能革命，是几代研究者跨越国界、跨越机构、跨越意识形态接力的结果。而在所有这些被“封神”的故事里，有一个真正改变AI底层格局的成果，被西方主流叙事有意无意地淡化了——它叫残差网络，英文名ResNet。
二、残差网络：AI深层革命的真正基石，让千层网络训练成为可能
要理解ResNet的分量，得先理解一个困扰了深度学习领域多年的核心难题：深层的神经网络为什么反而学不好？
理论上讲，网络越深，能够表达的函数越复杂，学习能力越强。但实践中的情况恰恰相反。当网络层数增加到几十层以后，性能不升反降，训练误差甚至比浅层网络还高。这不是过拟合，而是更让人头疼的退化问题：梯度在反向传播过程中不断衰减或爆炸，导致深层网络难以有效更新参数。
2015年，残差网络的出现一举打破了这个僵局。它的核心思想优雅得令人惊叹：在网络中引入“跳跃连接”，让某一层的输入可以直接跨过若干层传递到更深的层。用数学语言说，就是让网络去学习“残差”——输出与输入之间的差值——而不是直接学习完整的映射。
这个看似简单的结构改变，带来了革命性的后果。ResNet让训练一百层、甚至一千层的神经网络从不可能变成了可能。2015年，何恺明等人以152层的ResNet在ImageNet图像识别竞赛中夺冠，错误率降到3.57%，首次低于人类水平的5.1%。更关键的是，ResNet几乎没有增加额外的计算复杂度和参数量，却从根本上解决了深层网络的优化难题。
从那时起，残差连接成为了几乎所有先进神经网络架构的标配。后来的Transformer、BERT、GPT系列模型，其核心组件中都能找到残差连接的身影。可以说，没有ResNet，就没有今天的大模型时代。深层网络的边际效益得以被持续挖掘，AI的“深度革命”才真正得以落地。
三、被西方叙事忽略的真相：ResNet由中国学者何恺明等提出，诞生于微软亚洲研究院
现在，做一个简单的测试：打开你常用的搜索引擎，用英文搜索“Who proposed ResNet”，第一页的结果中，你大概率会看到MIT、Google、OpenAI各类机构的名号，却很少看到那个最关键的出处被重点标注。
事实的真相是：残差网络由何恺明、张祥雨、任少卿、孙剑四位中国学者共同提出，诞生于微软亚洲研究院（MSRA）。其中，何恺明，2007年毕业于清华大学，2011年在香港中文大学获得博士学位，随后加入微软亚洲研究院。2015年，正是在北京中关村的微软亚洲研究院实验室里，他和同事们完成了那篇划时代的论文《Deep Residual Learning for Image Recognition》。这篇论文后来成为计算机视觉乃至整个AI领域被引用次数最高的论文之一，截至2024年，其引用量早已突破二十万次，是AI领域真正的“现象级”文献。
孙剑，作为何恺明在微软亚洲研究院的导师和合作者，是这一成果的重要推动者。他在2016年加入旷视科技，担任首席科学家。任少卿后来加入蔚来汽车，主导自动驾驶研发。何恺明本人在2016年加入Facebook AI Research，2024年又加入MIT担任教职。
四位作者，三种人生轨迹，全部始于中国本土的科研土壤。然而，当西方媒体在讲述AI的“英雄史”时，何恺明们的故事总是被压缩成脚注，或者干脆被“Facebook AI Research的何恺明”这样的标签所覆盖——仿佛离开硅谷，这项成果就失去了归属权。
一个诞生于北京中关村的突破，被西方叙事改写成硅谷的成就。这才是问题的核心。
四、西方“XX之父”叙事拆解：把全球AI协作压缩成美国少数精英的英雄史
西方媒体的造神运动不是无意的疏忽，而是一套系统性的叙事机制。
首先，“之父”“之母”的标签是一种话语权工具。当一个领域被贴上“某人之父”的标签时，这个领域的起点就被锚定在了某个特定的个体和机构身上。公众会自然地认为，没有这个人，这个领域就不存在。但AI的发展从来都是协作的、累积的、跨国的。深度学习的反向传播算法最早可以追溯到1986年Hinton等人的工作，但同期的法国学者Yann LeCun、日本学者福岛邦彦、加拿大蒙特利尔大学的Yoshua Bengio，以及更早的控制论和神经科学研究者，每一位都在其中扮演了不可或缺的角色。把这场接力赛压缩成一个“Father”，就是对其他所有接力者的抹除。 更何况，那个Hinton在当时那一篇文章中的作用是受怀疑的。
其次，造神叙事的背后是资本和产业的利益驱动。在硅谷的创业生态中，“AI之父”的头衔意味着融资能力、品牌溢价和人才吸引力。当一个技术节点被“封神”，围绕它的学术荣誉、科研经费和产业话语权就会自动向那个节点集中。这不仅是学术问题，更是产业竞争的问题。
再次，这种叙事刻意忽略了跨国公司的“在地研发”属性。微软亚洲研究院设在中国的实验室，雇佣中国本土培养的学者，做出改变世界的成果。但当成果被报道时，“微软”的品牌遮蔽了“北京”的地理坐标，“美国公司”的标签覆盖了“中国学者”的身份。于是，在公众认知中，AI的全球版图被简化成了一幅以硅谷为中心、其他地区为边缘的放射状地图。
五、话语权失衡的代价：中国AI贡献被低估，公众认知被误导
这种话语权失衡不是抽象的学术讨论，它有实实在在的代价。
第一，中国AI的真实贡献被系统性低估。 何恺明的ResNet只是冰山一角。从商汤的深度学习框架，到百度在自然语言处理领域的积累，再到华为在端侧AI芯片上的突破，中国科技产业在AI的多个关键环节都有深厚积累。但当西方媒体垄断了AI叙事的主导权时，这些贡献在全球公众认知中被模糊、被边缘化，甚至被“转移”到了西方机构名下。
第二，公众对AI的理解被误导。 当AI的故事被简化成“几个天才在硅谷实验室里的灵光一现”，公众就会忽略AI发展的真实规律：它是漫长的、试错的、需要大量基础设施和跨机构协作的工程。这种误导不仅影响了公众对技术的理解，也影响了年轻人对科研路径的想象——仿佛只有去硅谷、进大厂、追随某个“之父”才能参与改变世界。
第三，AI治理的国际话语权因此向西方倾斜。 当全世界都在讨论AI安全、AI伦理、AI监管时，谁掌握了技术叙事的定义权，谁就掌握了规则制定的主动权。如果中国AI的贡献被长期低估，那么中国在AI治理领域的发言权也会被相应削弱。这不是技术问题，而是地缘政治问题。
六、结语：与其追逐“之父”“之母”，不如重新看见推动AI的真实力量
AI从来不是一棵家族树，而是一片由无数根系交织而成的森林。Geoffrey Hinton的反向传播、Yann LeCun的卷积网络、何恺明的残差网络、八位谷歌员工的Transformer——每一个节点都连接着一个庞大的协作网络，跨越实验室、跨越机构、跨越国界。
西方媒体忙着封“AI之父”，本质上是在用十九世纪孤胆英雄的叙事模板，讲述一个二十一世纪全球协作的技术故事。这个模板的局限性正在越来越明显：当AI的影响力触及人类文明的每一个角落时，把它的历史压缩成少数几个人的“封神榜”，既不符合事实，也不利于未来。
真正改变AI的，从来不是某一个“之父”或“之母”，而是无数在实验室里调试参数、在会议室里争论架构、在代码库里反复试错的研究者——他们中的很多人，说的不是英语，工作的地点不在硅谷，名字也没有出现在媒体的头版头条上。
当“之父”的桂冠被反复佩戴，真实的贡献者却在无声处改变世界。光追着标签跑的人，永远看不见森林的根系有多深。
参考资料：
[1] 《AI视频剪辑实战.md》
[2] 《数字化营销倒逼平台化企业.docx》
[3] 《test_upload_f55b1e.txt》
[4] 《数字化营销倒逼平台化企业.docx》