在人工智能（AI）迅猛发展的时代，我们常常惊叹于ChatGPT的对话能力、自动驾驶汽车的精准导航，或是医疗影像诊断的超凡准确性。
与此同时，我们当下正在经历人类历史上最大的改变：人类创造的人工智能，在引发空前技术革新、社会激烈变化的同时，是否会以硅基文明的形式、终结作为人类的碳基文明？
▼获得2025“伊丽莎白女王工程奖（Queen Elizabeth Prize for Engineering）”的七位科学家/工程师
2025年11月，英国国王查尔斯三世在圣詹姆斯宫颁发了第十二届“伊丽莎白女王工程奖（Queen Elizabeth Prize for Engineering）”，将这项享有“工程界诺贝尔奖”之称的荣誉授予了七位AI领域的奠基人：约翰·霍普菲尔德（John Hopfield）、杰弗里·欣顿（Geoffrey Hinton）、杨立昆（Yann LeCun）、约书亚·本吉奥（Yoshua Bengio）、黄仁勋（Jensen Huang）、比尔·达利（Bill Dally）和李飞飞（Fei-Fei Li）。
这是源于这群科学家/工程师的不懈追求，人类才能不断创造着奇迹。其中约翰·霍普菲尔德（John Hopfield）、杰弗里·欣顿（Geoffrey Hinton）获得2024年诺贝尔物理学奖；杰弗里·欣顿（Geoffrey Hinton）、杨立昆（Yann LeCun）、约书亚·本吉奥（Yoshua Bengio）获得2018年图灵奖。
伊丽莎白女王工程奖获奖者的工作，不仅重塑了计算科学，还为现代AI奠定了从理论到硬件的全栈基础，全面开创了机器学习领域。
如果把这些贡献按时间顺序展开，就像一部AI的“史诗”：从20世纪80年代的神经网络复兴，到90年代的硬件革命，再到21世纪初的数据驱动爆发。
在颁奖前夕（2025年11月6日），其中六位获奖者（黄、勒昆、欣顿、本吉奥、李和达利）齐聚伦敦金融时报（FT）“AI未来峰会”，与全球专家共话AI的当下与未来，并在现场爆发了激烈的辩论。 他们的观点，从“人类级智能已悄然到来”到“AGI（人工通用智能）将是渐进革命”，不仅点亮了峰会，还为公众提供了理解AI潜力和风险的钥匙。
本文将按这些突破的时间线，逐一剖析他们的标志性工作，并融入峰会上的最新洞见。
1982年：约翰·霍普菲尔德（John Hopfield），AI记忆的“联想引擎”
AI的起源，可追溯到约翰·霍普菲尔德这位物理学家的突破。他在1982年提出“霍普菲尔德网络”（Hopfield Network），这是一种受大脑神经元启发的神经网络模型，能让机器像人类一样“联想”信息。
想象一下：你看到一张模糊的照片，脑海中瞬间浮现完整图像 -- 这就是霍普菲尔德网络的核心。它使用能量最小化原理，让网络从不完整输入中“回忆”完整模式，解决了早期AI的“记忆丢失”难题。
这项工作标志着连接主义（connectionism）范式的重生，早年的AI多依赖符号逻辑（如规则-based系统），但霍普菲尔德证明，模拟大脑的并行处理能处理复杂模式，如图像识别或优化问题。他的网络虽简单（只有几百个“神经元”），却为后来的深度学习铺平道路。
2024年，霍普菲尔德与欣顿共享诺贝尔物理学奖，正是因为这项发明让AI从“死记硬背”转向“智能联想”。
在本次AI未来峰会上，霍普菲尔德虽未亲临，但他的遗产被频频提及。Hinton等后辈强调，霍普菲尔德的“能量景观”概念如今已融入Transformer模型，帮助AI如GPT系列“联想”海量知识。
霍普菲尔德本人曾在近期访谈中警告：这种“记忆”机制若失控，可能放大AI的偏见，如在社交媒体上强化虚假信息循环。
1980年代中期：杰弗里·欣顿（Geoffrey Hinton），深度学习的“教父”与反向传播革命
紧随霍普菲尔德，杰弗里·欣顿在1986年将“反向传播”（backpropagation）算法推向主流，这是一种训练神经网络的“梯度下降”方法，让AI通过错误反馈自我优化。
简单说，它像教练指导运动员：计算输出误差，然后“倒推”调整每个参数。欣顿早年还发明了玻尔兹曼机（Boltzmann Machine，1985年），一种能处理不确定性的概率模型，奠定了无监督学习的基石。
欣顿的标志性贡献不止于算法。2006年，他提出“深度信念网络”（Deep Belief Nets），证明多层网络能从数据中自动提取特征，避免了早期AI的“浅层瓶颈”。这些工作直接催生了今天的深度学习革命，让AI从识别简单形状跃升到理解自然语言。
在本次峰会上，欣顿直言：“AI已达到人类水平，甚至在某些认知任务上超越我们。” 他预测，下一个五年将迎来“另一场革命”：AI将从被动学习转向主动探索，如机器人自主设计实验。
但欣顿也忧心忡忡，2023年他辞去谷歌职务，就是为警告AI“存在风险”，如失控的超级智能。在峰会，他重申：我们需全球监管框架，确保AI不成为“数字核武器”。
▼ 约翰·霍普菲尔德（John Hopfield）、杰弗里·欣顿（Geoffrey Hinton）获得2024年诺贝尔物理学奖
1989年：杨立昆（Yann LeCun），卷积神经网络的视觉先驱。
与欣顿同期，杨立昆在1989年发明“卷积神经网络”（CNN），专为图像处理设计。
CNN的核心是“卷积层”，像眼睛扫描照片，只关注局部特征（如边缘、纹理），大大降低计算量；他的LeNet模型成功识别手写数字，推动了邮政自动化和银行支票读取。
杨立昆的贡献在于将AI从抽象数学转向实用视觉：CNN如今驱动Face ID、自动驾驶和医疗X光诊断。不同于欣顿的通用框架，杨立昆强调“自组织”：让网络自动学习层次特征，无需人工干预。
峰会现场，杨立昆作为Meta首席AI科学家，乐观表态：“人类级通用智能（AGI）不再是未来概念，而是渐进现实。” 他认为，AI已在编程、翻译等任务上匹配人类，但强调“多模态”融合（如视觉+语言）将是下一波浪潮。
杨立昆反驳了“AI末日论”，主张开放源代码加速创新，同时呼吁欧盟式数据隐私法。
1990年代：约书亚·本吉奥（Yoshua Bengio），序列学习的深度奠基者
进入90年代，约书亚·本吉奥将深度学习扩展到序列数据，如语言和时间序列。
他的早期工作包括词嵌入（word embeddings，1990s），让AI理解单词间的语义关系；2007年后，他推动循环神经网络（RNN）和LSTM，处理如语音识别的动态输入。
本吉奥的突破在于证明深度网络能泛化到真实世界问题。他的Mila研究所（蒙特利尔AI研究所）孵化了GAN（生成对抗网络），让AI生成逼真图像。2018图灵奖认可了他的“深度学习复兴”功绩。
在本次峰会上，本吉奥预言：“机器将在几乎所有人类任务上表现出色，但这将是渐进过程，而非突发事件。”
他担忧AI加剧不平等（如失业潮），呼吁“负责任AI”：投资教育和再培训。同时，他赞扬开源社区，推动如Stable Diffusion的民主化。
▼ 2018年，欣顿与杨立昆、本吉奥共享图灵奖，被誉为“AI三教父”。
1993年起：黄仁勋（Jensen Huang）、比尔·达利（Bill Dally），GPU硬件的AI加速器硬件是AI的“肌肉”。
黄仁勋于1993年创办NVIDIA，将图形处理器（GPU）从游戏渲染转向并行计算。 黄仁勋的愿景是“加速计算”，让AI训练从几天缩短到小时。他的CUDA平台（2006年）开放GPU给开发者，推动深度学习爆发。
比尔·达利作为NVIDIA首席科学家，从90年代起优化GPU架构，如统一着色器和张量核心，专为矩阵运算（AI核心）设计。
他们的工作让训练如GPT-4的万亿参数模型成为可能，而非科幻。
本次峰会上，黄仁勋与达利强调：“AI硬件已让机器在关键任务上超越人类。”
黄仁勋预测，AGI将通过“物理AI”（机器人+模拟）实现；达利则聚焦能效，警告数据中心碳足迹。
国王查尔斯在颁奖时与他们讨论风险，黄仁勋回应：需“AI宪章”平衡创新与安全。
2009年：李飞飞（Fei-Fei Li），ImageNet与视觉AI的“大数据”革命
最后关键的一棒是李飞飞，她在2009年推出ImageNet数据集：1400万张标注图像，覆盖2万类物体。
这不是简单收集，而是“人类在回路”标注，确保质量，推动CNN从实验室走向工业。ImageNet的年度挑战赛（ILSVRC）点燃深度学习竞赛，AlexNet（2012）胜出标志“深度学习冬天”结束。李的工作让视觉AI从玩具任务跃升到现实应用，如苹果的物体识别。
作为“AI教母”，李在峰会上自豪：“我骄傲于不同，AI应服务人类福祉。” 她强调包容性AI：数据集需多元文化，避免偏见；未来，AI将助力医疗公平，如非洲乡村诊断。
▼ 2025 伊丽莎白女王工程奖的人工智能峰会
峰会洞见：
AI的“人类时刻”与未来蓝图FT AI未来峰会不仅是庆典，更是思想碰撞。六位先驱一致认为：AI已非“窄智能”，而在编程、视觉、语言上匹敌人类。
黄仁勋称“物理世界是终极测试场”；杨立昆视AGI为“渐进”；欣顿与本吉奥忧风险，呼吁国际合作。李飞飞与达利则桥接软硬件，强调可持续性。
当国王警告“AI是双刃剑”时，先驱们回应以行动--如本吉奥的AI安全研究所、黄仁勋的NVIDIA伦理团队。
编者按：
从霍普菲尔德的记忆网络到李飞飞的视觉宇宙，这些先驱的贡献如链条，铸就今日AI帝国。
Queen Elizabeth奖不只表彰过去，更映照未来：在就业、隐私、气候等挑战中，我们需借鉴他们的智慧。AI不是遥远威胁，而是日常伙伴；正如峰会所言，它已“在这里”，关键在于如何引导。
说实话，我最开始对于黄仁勋同获“伊丽莎白女王工程奖”有些不服气；尤其是Dally作为英伟达的首席科学家也同时获奖，感觉怪怪的。但仔细读了奖项网站的介绍，我承认黄仁勋应该获奖。
与其他获奖者都是科学家不同，作为工程师的黄仁勋获奖，是因为他的工作直接解决了AI发展的“硬件痛点”。
早期AI算法虽强大，但训练一个大型模型（如GPT系列）需要数万小时的计算时间，这在传统中央处理器（CPU）时代几乎不可能。
黄仁勋的贡献在于将图形处理器（GPU）从游戏渲染工具转变为通用并行计算引擎，推动了AI的爆炸式增长。尤其是他远见卓识地将GPU扩展到“加速计算”（accelerated computing）领域，这是一种利用数千个核心同时处理任务的范式，完美匹配AI的矩阵运算和神经网络训练需求。 关键里程碑包括：
-
1999年GPU发明：NVIDIA推出首款GPU（GeForce 256），虽起初针对图形，但其并行架构为AI铺路。
-
2006年CUDA平台：黄仁勋开源CUDA编程接口，让开发者轻松用GPU运行通用计算任务。这标志着“GPGPU”（通用GPU计算）时代开启，AI训练速度提升数百倍。
-
2010年代的AI优化：与Dally合作（Dally于2009年加入英伟达），开发张量核心（Tensor Cores）和专用AI芯片，如A100和H100系列。这些硬件支持万亿参数模型的训练，推动了从图像识别到自然语言处理的突破。
Dally作为NVIDIA首席科学家，负责底层架构设计，如统一着色器和流式处理技术，确保GPU高效处理AI的“大数据洪流”。 他们的合作让AI计算成本从天文数字降到可负担水平：如今，一台配备NVIDIA GPU的服务器能在几天内完成过去需数月的训练。
黄仁勋本人形容这是一场“自微处理器发明以来最深刻的计算变革”，AI已成为“像电力和互联网一样的基础设施”。
这些贡献的全球影响显而易见：从医疗诊断（AI辅助癌症检测）到气候模拟（优化风能模型），再到娱乐（生成式AI如Stable Diffusion），GPU驱动的AI已渗透日常生活。
QEPrize基金会主席、科学大臣Lord Vallance称赞：“他们的工作展示了工程如何持续我们的星球并转变生活与学习方式。”
黄仁勋在获奖感言中表示：“能与塑造当今世界的先驱并列，是非凡荣誉。这奖项表彰了从互联网到GPS的突破，而AI将是下一个。”
作为工程师和科学家，他的工作桥接了学术与产业，让AI从科幻走进现实。黄仁勋的获奖标志着工程界对AI硬件的肯定：在算法爆炸的时代，没有高效计算，一切皆为空谈。这不仅是对NVIDIA的致敬，更是对整个AI生态的鼓舞。
最后，我特别想分享欣顿所言：“AI革命才刚开始，我们是共同作者。”
本文由美国Healsan LC（HS）恒祥医学科技大数据项目组提供；非经授权严禁任何形式转载，违者必究！
作者：Dr. Mark；助理：ChatGPT / Grok
对于有意向从国内直接申请美国绿卡的医生或生物医学研究者，如果您想对自己申请美国绿卡的情况做初步评估或者了解绿卡申请流程，可直接加Jessica，请备注“绿卡”；递交初评表后，我们可安排一次15分钟免费咨询和提升评估。一次咨询，可以避开很多弯路。
项目经理：Jessica；微信号：healsanq
更多医生职业发展、赴美行医、及申请绿卡的相关信息，直接点击本文左下角“阅读原文”订阅美国Healsan的医路移民博客。
