喺人工智能（AI）迅速發展嘅時代，學術引用量已經成為衡量研究影響力嘅關鍵指標。斯坦福大學「全球頂級2%科學家」名單係基於標準化引用數據，揀出AI同圖像處理領域嘅佼佼者。同斯坦福大學「全球頂級2%科學家」名單嘅排序唔同（該排名主要用D‑index指數嚟排名），本文係按Google Scholar嘅論文總引用數嚟做排名，重新聚焦該名單中總引用數前15位嘅AI科學家（2025年資料，考慮到ResNet嘅巨大影響力同其四位作者全部入選前10，本文將入選科學家總數擴展至15位），每位科學家簡要介紹其總引用量同其前三篇高引用論文。每篇論文嘅描述都突出其技術貢獻、創新點同對AI發展嘅影響。呢啲論文唔單止係引用高峰，亦推動咗從圖像識別到自然語言處理嘅實際應用，體現咗呢啲學者嘅全球領導力。
1. Yoshua Bengio（蒙特利爾大學，加拿大） ‑ 總引用：1,027,145
Yoshua Bengio，1964年生於巴黎，係加拿大計算機科學家，被譽為AI「三巨頭」之一，推動深度學習由邊緣走到主流。他係蒙特利爾大學教授，創立Mila（魁北克AI研究所），領導全球最大嘅AI研究機構之一，培養咗包括Ian Goodfellow喺內嘅眾多頂尖人才。佢嘅開創性工作包括生成對抗網絡同詞嵌入模型，革命化咗自然語言處理同生成式AI應用；作為2018年圖靈獎得主，佢積極倡導AI安全與倫理，2023年簽署暫停超大規模模型訓練嘅公開信，並喺2025年成為首位在世引用破百萬嘅科學家，繼續影響全球AI政策。佢嘅前三篇高被引論文詳述如下：
- 《Deep Learning》（2015，與Hinton同LeCun合著）：呢篇Nature綜述系統性闡述咗深度學習嘅原理、算法同應用，包括神經網絡架構、訓練方法如反向傳播，以及喺圖像、語音同自然語言處理中嘅潛力。論文強調深度模型喺捕捉複雜層次特徵方面嘅優勢，標誌住AI從淺層學習向深度學習嘅範式轉變，推動咗後續如Transformer模型嘅發展，喺計算機視覺同推薦系統等領域被廣泛應用。
- 《Generative Adversarial Nets》（2014，與Goodfellow等合著）：論文引入咗生成對抗網絡（GAN）框架，由生成器同判別器透過對抗訓練嚟生成逼真數據。詳細討論咗最小‑最大博弈優化、訓練穩定性問題，以及喺圖像合成、風格遷移同數據增強中嘅應用。呢項創新解決咗傳統生成模型嘅局限，推動咗無監督學習前沿，影響咗DALL·E等工具嘅誕生，並喺藝術創作同醫療影像生成中被廣泛採用。
- 《A Neural Probabilistic Language Model》（2003）：該文提出咗神經概率語言模型，使用神經網絡學習詞向量嵌入，取代傳統n‑gram模型。論文探討咗分佈式表示嘅優勢、訓練算法同喺連續空間中捕捉語義相似性嘅機制。呢項工作奠定咗詞嵌入技術基礎，可視為Word2Vec之前身，推動咗自然語言處理由統計方法向神經方法嘅演進，應用喺機器翻譯同情感分析等領域。
（註：本文截圖全部來自Google Scholar網站）
2. Geoffrey E. Hinton（多倫多大學，加拿大） ‑ 總引用：993,371
Geoffrey E. Hinton，1947年生於英國，係多倫多大學名譽教授，被譽為「AI教父」，佢嘅工作奠定咗神經網絡嘅核心基礎，憑藉上世紀80年代發明嘅反向傳播算法喺2024年獲得諾貝爾物理學獎。作為深度學習先驅，佢發明咗Boltzmann機同膠囊網絡，推動AI由冬眠期復興，並指導咗Ilya Sutskever等學生。Hinton喺2023年離開Google，對AI風險提出警告，強調控制超智能系統嘅必要性；佢嘅成就包括2018年圖靈獎同2024年諾貝爾獎，並繼續喺AI安全同倫理領域發聲。佢嘅前三篇高被引論文分析如下：
- 《Deep Learning》（2015，與Bengio同LeCun合著）：呢篇綜述詳細介紹咗深度神經網絡嘅數學基礎、優化技術如隨機梯度下降，以及喺多層感知器中嘅應用。論文強調深度架構喺處理非線性問題時嘅優越性，並討論咗預防過擬合嘅策略如dropout，促成AI由學術實驗向工業應用嘅躍進，影響咗現代大模型如GPT系列嘅設計。
- 《ImageNet Classification with Deep Convolutional Neural Networks》（2012，與Krizhevsky同Sutskever合著）：論文提出AlexNet架構，使用卷積層同ReLU激活函數喺ImageNet數據集上達到突破性準確率。詳細闡述咗數據增強、GPU並行訓練同局部響應歸一化等技術。呢項創新標誌住深度學習喺計算機視覺上嘅首次大規模成功，將錯誤率降低約15%，啟發咗後續嘅ResNet等模型，並喺自動駕駛同醫療診斷中被廣泛應用。
- 《Visualizing Data using t‑SNE》（2008）：該文引入t‑SNE算法，透過概率分佈將高維數據轉換到低維空間，實現非線性降維。論文討論咗困惑度參數優化、梯度下降算法同喺簇分離中嘅優勢。呢個工具幫助可視化複雜數據集如基因表達或圖像特徵，推動咗機器學習嘅可解釋性研究，應用於聚類分析同異常檢測等領域。
3. Kaiming He（麻省理工學院，美國） ‑ 總引用：775,227
Kaiming He，何凱明，1985年生於中國，係麻省理工學院計算機科學與人工智能實驗室教授，研究重點係計算機視覺同深度學習。佢發明咗殘差網絡（ResNet），解決咗深度網絡訓練嘅難題，推動AI模型規模化，並喺2023年獲得未來科學獎、2025年獲得神經信息處理系統會議時間檢驗獎。作為前Meta研究員，佢嘅研究影響到自動駕駛同醫療影像等領域；2025年佢加入Google DeepMind，繼續探索視覺智能同高效AI架構。佢嘅前三篇高被引論文詳解如下：
- 《Deep Residual Learning for Image Recognition》（2016，與Zhang等合著）：論文提出殘差網絡（ResNet），透過跳躍連接緩解梯度消失問題，實現數百層深度模型嘅訓練。詳細描述咗殘差塊設計、瓶頸架構同喺ImageNet上嘅實驗結果。呢項突破將錯誤率降至3.57%，成為深度學習嘅骨幹網絡，廣泛應用於目標檢測同語義分割，推動咗視覺任務嘅深度化。該論文係截至目前引用數最高嘅AI論文，亦係首篇突破30萬次引用嘅AI科技論文。
- 《Mask R‑CNN》（2017，與Girshick等合著）：該文擴展咗Faster R‑CNN，引入Mask分支實現像素級實例分割。論文闡述咗RoIAlign層嘅改進、損失函數設計同喺COCO數據集上嘅多任務訓練。呢個框架統一咗檢測、分類同分割，提升咗精度，推動咗計算機視覺嘅多模態整合，應用喺機器人抓取同醫療影像分析等領域。
- 《Focal Loss for Dense Object Detection》（2017，與Lin等合著）：論文引入焦點損失函數，解決咗密集檢測中嘅類別不平衡問題，透過動態縮放易分類樣本嘅權重。詳細討論咗RetinaNet單階段檢測器架構同一階段 vs. 兩階段嘅比較。呢項創新令單階段檢測器達到與雙階段檢測器相近嘅準確性，推動咗實時物體檢測嘅發展，影響咗自動駕駛同監控系統。
4. Ilya Sutskever（Safe Superintelligence Inc.，美國） ‑ 總引用：731,959
Ilya Sutskever，1986年生於以色列‑加拿大，係Safe Superintelligence Inc.創辦人，係Geoffrey E. Hinton嘅博士生，曾任OpenAI首席科學家兼聯合創辦人。佢推動咗Transformer架構喺OpenAI嘅落地同序列學習嘅發展，曾與Hinton合作發明AlexNet，並領導GPT模型開發，革命化咗自然語言處理；2025年佢獲多倫多大學榮譽學位同成為皇家學會會員，並強調AI安全，離開OpenAI後專注於超級智能控制。佢嘅前三篇高被引論文如下：
- 《ImageNet Classification with Deep Convolutional Neural Networks》（2012，與Krizhevsky同Hinton合著）：論文介紹AlexNet，使用8層卷積網絡喺ImageNet挑戰中勝出。闡述咗ReLU激活、數據增強同dropout正則化技術。呢項工作證明咗深度CNN嘅潛力，降低咗分類錯誤率，推動咗圖像處理喺工業應用上嘅普及，例如智能手機相機同安防系統。
- 《Sequence to Sequence Learning with Neural Networks》（2014，與Vinyals等合著）：該文提出Seq2Seq模型，使用LSTM編碼器‑解碼器處理長短不一嘅序列。論文討論咗注意力機制嘅雛形、束搜尋解碼同喺機器翻譯中嘅實驗。呢個框架解決咗傳統統計翻譯嘅限制，推動咗NLP由規則式向神經式模型嘅轉變，影響咗聊天機械人同語音識別。
- 《Zero‑Shot Text‑to‑Image Generation》（2021，與Ramesh等合著）：論文描述咗DALL·E模型，使用Transformer由文本描述生成圖像。詳細闡述咗離散VAE編碼、零樣本訓練同評估指標例如CLIP分數。呢項創新實現咗跨模態生成，推動咗生成式AI喺創意應用上嘅發展，例如藝術設計同虛擬現實內容創作。
5. Jian Sun（旷视科技，中國） ‑ 總引用：703,162
Jian Sun，生於約1977年，係中國計算機科學家，曾任旷视科技（Megvii）首席科學家同管理主任，喺計算機視覺同深度學習領域作出重大貢獻，係ResNet同Faster R‑CNN嘅共同作者。佢畢業於西安交通大學，曾任職於微軟亞洲研究院，推動AI由研究走向商業應用，例如人臉識別同圖像處理；作為AI先驅，佢獲多項獎項，並於2022年因突發疾病逝世，享年約45歲。喺2025年，其學術遺產仍透過開源代碼同弟子繼承繼續影響領域。佢嘅前三篇高被引論文詳述如下：
- 《Deep Residual Learning for Image Recognition》（2016，與He、Zhang同Ren合著）：論文提出殘差網絡（ResNet），透過殘差塊同跳躍連接解決深層網絡嘅梯度消失問題，實現上百層模型訓練。詳細描述咗架構設計、瓶頸塊同ImageNet實驗，結果將錯誤率降至3.57%。呢項創新成為視覺AI嘅骨幹網絡，推動咗目標檢測同語義分割嘅發展，應用於自動駕駛同醫療影像。
- 《Faster R‑CNN: Towards Real‑Time Object Detection with Region Proposal Networks》（2015，與Ren、He同Girshick合著）：該文引入地區提案網絡（RPN），將目標檢測從兩階段整合為端到端框架。論文討論咗錨框機制、共享卷積特徵同多任務損失優化，實現實時檢測。呢項突破降低咗計算成本，推動咗計算機視覺嘅實時應用，影響咗安防監控同機器人視覺系統。
- 《Delving Deep into Rectifiers: Surpassing Human‑Level Performance on ImageNet Classification》（2015，與He、Zhang同Ren合著）：論文探討咗初始化同激活函數，提出PReLU激活超越ReLU，並優化初始化策略。詳細分析咗variance preserving初始化對深層網絡穩定性嘅作用，實現喺ImageNet上超越人類嘅分類性能。呢項工作提升咗網絡訓練嘅魯棒性，推動咗深度學習喺分類任務上嘅進步，應用於內容推薦同圖像檢索。
6. Andrew Zisserman（牛津大學，英國） ‑ 總引用：499,022
Andrew Zisserman，1957年生，係牛津大學工程科學系教授同皇家學會院士，為計算機視覺中幾何基礎奠定咗重要貢獻。佢被視為現代計算機視覺嘅主要建築師之一，早喺1980年代就做出面部重建等開創性工作，推動咗由2D到3D視覺嘅轉變；作為DeepMind研究員，佢開發咗VLFeat庫同VGGNet，獲得三次Marr獎同2022年皇家學會Bakerian獎章，2025年繼續領導AI多媒體同機器人視覺研究。佢嘅前三篇高被引論文詳述：
- 《Multiple View Geometry in Computer Vision》（2003，與Hartley合著）：呢本教材系統性闡述多視角幾何學，包括基礎矩陣、投影變換同三維重建算法。書中結合數學證明同實際代碼範例，解決咗相機校準同由運動恢復結構（structure‑from‑motion）等問題。呢項工作成為視覺AI領域嘅標準參考，推動咗擴增實境同機器人導航嘅發展。
- 《Very Deep Convolutional Networks for Large‑Scale Image Recognition》（2014，與Simonyan合著）：論文提出VGGNet，透過堆疊細卷積核構建深層網絡，喺ImageNet上取得高準確率。討論咗初始化策略、批量歸一化同遷移學習嘅應用。呢個架構簡潔而高效，成為特徵提取嘅骨幹，影響咗醫療影像分析同衛星影像處理。
- 《The Pascal Visual Object Classes (VOC) Challenge》（2010，與Everingham等合著）：該文介紹咗VOC數據集同挑戰，涵蓋物體檢測、分割同分類任務。論文定義咗mAP評估指標同標註標準，推動咗基準測試嘅標準化。呢項貢獻加速咗視覺算法嘅迭代，應用於無人駕駛同智能監控系統。
7. Shaoqing Ren（NIO，中國） ‑ 總引用：466,575
Shaoqing Ren，生於1980年代，係NIO副總裁兼智能駕駛研發首席專家，同時係中國科學技術大學教授，研究方向係自動駕駛同計算機視覺，係Faster R‑CNN同ResNet嘅共同作者。佢畢業於中國科學技術大學，並喺微軟亞洲研究院受培育博士訓練，曾創辦Momenta.ai（2016‑2020），推動無人駕駛由研究走向商業化；作為AI領袖，佢獲2025年NeurIPS時間檢驗獎同ICCV Helmholtz獎，繼續領導NIO嘅ADAS系統開發，影響全球智能汽車行業。佢嘅前三篇高被引論文詳述如下：
- 《Faster R‑CNN: Towards Real‑Time Object Detection with Region Proposal Networks》（2015，與Girshick、He同Sun合著）：論文提出RPN取代Selective Search，實現端到端嘅目標檢測。闡述咗錨框生成、特徵共享同NMS後處理，將速度提升到5fps左右。呢項創新解決咗傳統檢測方法嘅瓶頸，推動咗實時視覺系統嘅發展，應用於無人車同智能監控。
- 《Deep Residual Learning for Image Recognition》（2016，與He、Zhang同Sun合著）：該文引入ResNet，使用殘差學習緩解深層訓練難題。討論咗身份映射同投影捷徑嘅設計，喺CIFAR同ImageNet上嘅實驗證明咗深度架構嘅優勢。呢個框架成為現代CNN嘅基礎，推動咗AI模型規模化，影響咗醫療診斷同衛星影像分析。
- 《Identity Mappings in Deep Residual Networks》（2016，與He、Zhang同Sun合著）：論文優化咗ResNet，透過身份映射改善訊號傳播避免梯度衰減。詳細分析咗pre‑activation同批量歸一化次序嘅效應，提升咗訓練穩定性。呢項改進增強咗網絡泛化能力，推動咗高效深度學習嘅發展，應用於移動設備AI同邊緣計算。
8. Yann LeCun（紐約大學/Meta，美國） ‑ 總引用：443,182
Yann LeCun，1960年生於法國，係紐約大學教授同Meta首席AI科學家，發明咗卷積神經網絡（CNN），推動咗圖像AI嘅發展。佢開發咗LeNet卷積網絡，奠定咗現代計算機視覺嘅基礎，並推廣自監督學習。作為AI「三巨頭」之一，佢獲2018年圖靈獎同2025年伊麗莎白女王工程獎，並於2025年獲紐約科學院獎，繼續探索AI多模態同機器人應用。佢嘅前三篇高被引論文如下：
- 《Deep Learning》（2015，與Bengio同Hinton合著）：該綜述探討深度網絡嘅生物啟發、梯度流動問題同正則化技術。論文舉例說明喺語音識別同遊戲AI中嘅成功案例，促進咗跨領域應用。呢項工作鞏固咗深度學習作為AI核心範式，影響咗雲端同邊緣計算中嘅AI部署。
- 《Gradient‑Based Learning Applied to Document Recognition》（1998，與Bottou等合著）：論文介紹咗LeNet‑5，使用卷積同子採樣層處理手寫數字識別。詳細分析咗梯度下降優化同錯誤反向傳播機制。呢項早期CNN應用證明咗參數共享嘅優勢，推動咗光學字符識別（OCR）技術同金融票據自動化。
- 《Convolutional Networks for Images, Speech, and Time Series》（1995，與Bengio合著）：該文將CNN擴展到語音同時序數據，討論咗共享權重同局部連接嘅計算效率。論文強調端到端學習嘅益處，推動咗多模態AI發展，應用於語音助手同股價預測。
9. Xiangyu Zhang（StepFun，中國） ‑ 總引用：416,986
Xiangyu Zhang，生於1980年代，係StepFun聯合創辦人兼首席科學家，專注於神經網絡架構同高效深度學習，係ResNet同ShuffleNet嘅作者。佢畢業於西安交通大學，曾喺微軟亞洲研究院同旷视科技工作，推動咗移動端AI優化；作為AI研究者，佢擁有多項專利同獎項，包括2016年CVPR最佳論文獎，2025年繼續領導高效模型研究，影響嵌入式系統同邊緣計算。佢嘅前三篇高被引論文詳述如下：
- 《Deep Residual Learning for Image Recognition》（2016，與He、Ren同Sun合著）：論文推出ResNet，採用殘差模塊訓練超深網絡。探討咗瓶頸設計同shortcut連接對梯度流嘅優化，喺ImageNet上達到頂尖性能。呢項創新解決咗深度學習嘅可擴展性問題，推動咗視覺AI嘅深度化，應用於智能手機相機同物聯網設備。（約62字）
- 《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》（2017，與Xiang等合著）：該文提出ShuffleNet，使用組卷積同通道洗牌減少計算量。論文分析咗FLOPs優化同喺ARM處理器上嘅實驗，實現高效移動端部署。呢個框架平衡咗準確度同速度，推動咗邊緣AI嘅發展，影響咗手機應用同穿戴設備。（約58字）
- 《ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design》（2018，與Ma等合著）：論文升級咗ShuffleNet，引入咗實務指南，例如等通道寬度同避免過度使用組卷積。詳細評估咗GPU/ARM效率指標，提升咗實際性能。呢項工作提供咗設計原則，推動咗高效網絡研究，應用於實時視頻處理同嵌入式系統。（約56字）
10. Michael I. Jordan（加州大學柏克萊分校，美國） ‑ 總引用：348,970
Michael I. Jordan，1956年生，係加州大學柏克萊分校教授，將統計學同機器學習結合，推動咗AI嘅基礎理論發展。佢開發咗變分推理同LDA主題模型，橋接咗統計學同計算智能，影響咗推薦系統同文本分析；作為AI先驅，佢獲2022年世界桂冠獎同2025年知識前沿獎，繼續探討AI倫理同決策理論。佢嘅前三篇高被引論文詳解：
- 《Latent Dirichlet Allocation》（2003，與Blei同Ng合著）：論文提出LDA主題模型，使用Dirichlet先驗建模文檔嘅主題分佈。詳細闡述咗變分貝葉斯推理同Gibbs取樣算法。呢個無監督方法能夠提取隱含主題，推動咗文本挖掘同推薦系統嘅發展，應用喺新聞分類同社交媒體分析。
- 《On Spectral Clustering: Analysis and an Algorithm》（2002，與Ng同Weiss合著）：該文介紹咗譜聚類，透過圖拉普拉斯矩陣特徵向量實現非線性聚類。論文分析咗正規化切割同收斂性證明。呢個算法能處理複雜數據形狀，推動咗圖像分割同生物信息學嘅聚類應用。
- 《Hierarchical Mixtures of Experts and the EM Algorithm》（1994，與Jacobs等合著）：論文提出咗分層專家混合模型，使用EM算法優化門函數同專家網絡。討論咗軟分配機制嘅優勢，推動咗集成學習嘅發展，應用於語音識別同金融建模。
11. Diederik P. Kingma（Anthropic，美國） ‑ 總引用：336,511
Diederik P. Kingma，1987年生於荷蘭，係Anthropic嘅機器學習研究員，專注於生成模型同可擴展方法，係變分自編碼器（VAE）同Adam優化器嘅共同發明者。佢畢業於阿姆斯特丹大學，曾喺OpenAI工作，推動深度學習由理論到大規模應用；作為AI先驅，佢獲2020年Nature Index最被引論文獎同2025年知識前沿獎，繼續探索生成式AI同強化學習。佢嘅前三篇高被引論文詳述如下：
- 《Auto‑Encoding Variational Bayes》（2013，與Welling合著）：論文提出咗變分自編碼器（VAE），使用變分推理近似後驗分佈，實現高效生成模型訓練。詳細討論咗重參數化技巧、ELBO損失同喺圖像生成中嘅應用。呢項創新解決咗傳統生成模型嘅採樣難題，推動咗無監督學習嘅發展，應用於數據增強同藥物發現。
- 《Adam: A Method for Stochastic Optimization》（2014，與Ba合著）：該文引入咗Adam優化器，結合咗AdaGrad同RMSProp嘅自適應學習率同動量。論文分析咗偏差修正同喺深度網絡中嘅實驗性能，提升咗收斂速度。呢個算法成為深度學習訓練嘅標準，推動咗模型訓練效率，影響咗NLP同計算機視覺任務。
- 《An Introduction to Variational Autoencoders》（2019，與Welling合著）：論文綜述咗VAE框架，包括數學基礎、延伸如條件VAE同喺強化學習中嘅應用。討論咗生成質量評估同潛在空間表示。呢個教程鞏固咗VAE喺生成式AI中嘅地位，推動咗擴散模型前沿研究，應用於藝術生成同異常檢測。
12. Fei‑Fei Li（史丹福大學，美國） ‑ 總引用：331,421
Fei‑Fei Li（李飛飛），1976年生於中國北京，係史丹福大學計算機科學系Sequoia教授，同時係史丹福人類中心AI研究所（HAI）共同創辦主任，被譽為「計算機視覺之母」。佢創建咗ImageNet數據集，催生咗2010年代視覺AI嘅爆發式進步，曾任Google Cloud AI/ML首席科學家（2017‑2018），並創辦World Labs公司，專注空間智能同生成式AI。作為AI領域嘅關鍵推動者之一，佢獲多項殊榮，包括2020年入選國家工程院及醫學院、2021年美國藝術與科學學院院士，並喺2025年獲Time雜誌「AI建築師」稱號同伊麗莎白女王工程獎，繼續領導視覺AI、機器人學習同醫療AI研究，強調以人為本嘅AI倫理。佢嘅前三篇高被引論文詳述如下：
- ImageNet: A large‑scale hierarchical image database（2009，與Deng、Dong、Socher、Li同Li合著）：論文介紹咗ImageNet數據集，包含1400萬張標註圖像同2萬個類別，基於WordNet層次結構構建。詳細闡述咗數據收集方法、標註流程同基準評估協議。呢個數據集成為深度學習訓練嘅標準，促成咗AlexNet等模型嘅突破，革命化咗計算機視覺，並催生咗ImageNet挑戰賽，喺物體識別、檢測同分割任務中被廣泛應用。
- Visualizing and Understanding Convolutional Networks（2014，與Zeiler合著，或相關擴展）：該文通過反卷積可視化CNN內部表示，揭示咗層級特徵學習過程。論文討論咗deconvnet方法、特徵反演同模型可解釋性實驗。呢項創新提升咗深度網絡嘅可解釋性，推動咗可視化工具嘅發展，影響咗模型調試同遷移學習，應用於醫療影像同自動駕駛等領域。
- A Bayesian Hierarchical Model for Learning Natural Scene Categories（2005，與Perona合著）：論文提出咗貝葉斯層次模型，用於自然場景分類，結合咗主題模型同變分推理學習類別分佈。詳細分析咗潛在主題表示同無監督學習機制。呢項工作奠定咗場景理解基礎，推動咗由物體到整體圖像嘅語義分析，影響咗後續如Visual Genome等數據集嘅構建。
13. Trevor Darrell（加州大學柏克萊分校，美國） ‑ 總引用：318,354
Trevor Darrell喺多模態視覺學習方面有重要貢獻。佢嘅前三篇高被引論文如下：
- 《Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation》（2014，與Girshick等合著）：論文介紹咗R‑CNN，使用CNN提取區域候選特徵，並配合SVM分類同邊界回歸優化。呢個框架提升咗檢測精度，推動咗端到端視覺模型嘅發展，應用於無人車同智能家居。
- 《DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition》（2014，與Donahue等合著）：該文提出DeCAF，使用預訓練CNN作為通用特徵提取器。討論咗遷移學習喺分類同檢索中嘅效果。呢個方法簡化咗視覺任務，推動咗資源受限環境下嘅AI應用。
- 《Long‑Term Recurrent Convolutional Networks for Visual Recognition and Description》（2017，與Donahue等合著）：論文結合CNN同LSTM處理視頻序列，闡述咗時空特徵融合同描述生成算法。呢項創新支持咗視頻理解，推動咗監控同體育分析嘅AI應用。
14. Andrew Ng（吳恩達，史丹福大學，美國） ‑ 總引用：303,233
Andrew Ng（吳恩達），1976年生於英國倫敦，係史丹福大學計算機科學系教授、Coursera聯合創辦人兼董事長、Landing AI創辦人，同時係DeepLearning.AI嘅CEO。佢畢業於卡內基梅隆大學、MIT同伯克利，曾領導Google Brain並擔任百度首席科學家，推動深度學習大規模應用，並創立MOOC運動，令數百萬學員受益；作為AI教育者同企業家，佢獲2013年Time 100最具影響力人物、2020年AAAI Fellow，並喺2025年入選全球AI治理委員會，繼續領導機器學習、視覺AI同企業AI轉型，強調AI民主化同倫理。佢嘅前三篇高被引論文詳述如下：
- 《Latent Dirichlet Allocation》（2003，與Blei同Jordan合著）：論文提出潛在Dirichlet分配（LDA）主題模型，使用Dirichlet先驗建模文檔中主題分佈，實現無監督主題提取。詳細闡述咗變分貝葉斯推理算法、Gibbs取樣方法同喺文本數據集上嘅實驗。呢項創新解決咗傳統主題建模嘅局限，推動咗自然語言處理中嘅概率方法，廣泛應用於文檔分類、推薦系統同社交媒體分析等領域。（約72字）
- 《On Spectral Clustering: Analysis and an Algorithm》（2001，與Jordan同Weiss合著）：該文介紹譜聚類算法，透過圖拉普拉斯矩陣特徵向量實現非線性聚類。論文分析咗正規化切割、降維同k‑means後處理嘅理論基礎。呢項工作提升咗聚類喺高維數據中嘅魯棒性，推動咗機器學習喺圖像分割同生物信息學中嘅應用，並影響咗後續圖神經網絡嘅發展。（約62字）
- 《Distance Metric Learning with Application to Clustering with Side‑Information》（2002，與Xing、Jordan同Russell合著）：論文提出距離度量學習框架，利用側信息（例如相似對）優化Mahalanobis距離，提升聚類性能。詳細討論咗凸優化公式化同喺k‑means中嘅整合實驗。呢項創新橋接咗監督與無監督學習，推動咗半監督聚類方法，應用於推薦系統同異常檢測。
15. Noam Shazeer（Character.AI，美國） ‑ 總引用：302,467
Noam Shazeer，生於1975或1976年，係Character.AI創辦人兼CEO，前Google研究員，專注於大規模神經網絡同Transformer相關技術，係Attention機制嘅共同發明者之一。佢畢業於杜克大學計算機科學系，曾喺Google Brain領導語言模型開發，推動咗AI由序列處理向多模態發展；作為AI企業家，佢入選咗2023年TIME 100 AI榜單，並於2025年帶領Character.AI喺會話式AI上持續創新，探索大型模型嘅稀疏激活同倫理應用。佢嘅前三篇高被引論文如下：
- 《Attention Is All You Need》（2017，與Vaswani等合著）：論文引入Transformer架構，使用自注意力取代RNN，實現並行計算。詳細討論咗多頭注意力、位置編碼同編碼器‑解碼器結構，喺翻譯任務上超越咗RNN。呢項創新革命化咗NLP，推動咗BERT同GPT系列嘅發展，應用於機器翻譯同文本生成。
- 《Outrageously Large Neural Networks: The Sparsely‑Gated Mixture‑of‑Experts Layer》（2017，與Lepikhin等合著）：該文提出咗MoE層，使用稀疏門控將模型擴展到萬億級參數。論文闡述咗路由算法同噪聲注入以穩定訓練，實現高效擴展。呢個框架降低咗計算成本，推動咗大規模AI訓練，影響咗Switch Transformer等系統。
- 《Mesh‑TensorFlow: Deep Learning for Supercomputers》（2018，與Barham等合著）：論文開發咗Mesh‑TensorFlow，支持分布式張量計算。討論咗數據並行同模型並行策略，喺TPU集群上嘅實驗證明咗可擴展性。呢個工具加速咗超大規模模型訓練，推動咗AI硬件優化，應用於雲端計算同科學模擬。
以上前15位學者嘅論文唔單止係AI學術史上嘅里程碑，仲構築咗深度學習、計算機視覺同數據挖掘嘅核心框架。由Bengio同Hinton嘅綜述到He嘅ResNet創新，呢啲工作推動咗技術由實驗室向商業應用轉化，促成咗如ChatGPT同自動駕駛等前沿發展。未來，隨住多模態同以倫理為本嘅AI興起，呢啲貢獻將會繼續領導全球創新浪潮。
備註：
h‑index 係一種作者級學術指標，用嚟衡量研究者嘅產出同引用影響力。具體嚟講，一位學者嘅 h‑index 等於 h，表示佢至少有 h 篇論文每篇被引用至少 h 次，考慮所有出版物，而唔會區分學科。該指標由物理學家 Jorge E. Hirsch 喺2005年提出，廣泛用於評估學術影響力，但可能受自引、合作同領域差異影響。
D‑index（Discipline H‑index）係 Research.com 等平台使用嘅變體指標，計算方法同 h‑index 類似（至少 h 篇論文每篇至少 h 次引用），但只限於特定學科內嘅論文同引用值，唔包括跨學科出版物。呢個做法令 D‑index 更準確反映學者喺單一領域嘅貢獻，避免咗通用 h‑index 嘅跨領域偏差。
主要分別喺範圍：h‑index 係全域性，可能高估跨學科學者；D‑index 係學科特定，更啱用嚟比較同一領域內嘅影響力。例如，喺 Research.com 嘅計算機科學排名中，D‑index 只計入該領域嘅論文。
相關文章：
2025年全球十大LLM盤點：美國、中國同歐洲Mistral全面對比與展望
21世紀AI十大高被引論文解讀（影片版）：由ResNet到Transformer嘅里程碑
21世紀AI十大高被引論文解讀（更新版）：由ResNet到Transformer嘅里程碑
微軟研究院2025年AI十大科學突破：由量子晶片到生物安全，加速人類創新邊界
科睿唯安2025高被引科學家榜：中國份額翻倍崛起，中科院三連冠超越哈佛
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com