2025年11月6日，在白金漢宮嘅盛大儀式上，英王查爾斯三世向人工智能領域嘅七位重量級科學家頒發享負盛名嘅伊麗莎白女王工程獎（QEPrize），稱佢哋為「現代機器學習嘅奠基人」。呢個獎項常被譽為「工程界嘅諾貝爾獎」，旨在表彰對人類產生深遠影響嘅突破性工程成就。今年嘅獲獎者——約書亞·本吉奧（Yoshua Bengio）、傑弗里·辛頓（Geoffrey Hinton）、約翰·霍普菲爾德（John Hopfield）、楊立昆（Yann LeCun）、黃仁勳（Jensen Huang）、比爾·達利（Bill Dally）、李飛飛（Fei‑Fei Li）——代表咗當代人工智能由理論到實踐嘅完整轉型。儀式吸引咗全球科技領袖、政策制定者同各界貴賓出席，凸顯英國喺推動AI創新同倫理並重方面嘅承諾。
伊麗莎白女王工程獎於2013年為紀念女王登基60周年鑽禧而設立，每兩年頒發一次，獎金為50萬英鎊由得獎者共享，以表彰造福社會嘅工程壯舉。2025年，皇家工程院揀選咗呢七位科學家，以肯定佢哋喺現代機器學習方面嘅集體貢獻，呢啲技術已經徹底改變咗醫療、氣候建模等多個領域。查爾斯國王喺致辭中提醒AI係「一把雙刃劍」，讚揚得獎者「為數碼未來奠定基石」，同時呼籲警惕濫用風險。
呢個榮譽正值關鍵時刻——距離2024年諾貝爾物理學獎頒發只係一年多，該獎已授予約翰·霍普菲爾德同傑弗里·辛頓，以表彰佢哋喺神經網絡基礎理論方面嘅貢獻（霍普菲爾德同辛頓亦係本屆QEPrize得主）。不過，QEPrize相比2024年諾貝爾物理學獎更全面，係一個涵蓋整個AI生態嘅工程獎項。諾貝爾獎側重機器學習嘅理論基礎（特別係霍普菲爾德網絡同玻爾茲曼機，為今日深度學習奠基），而QEPrize則涵蓋咗從算法創新、數據基礎設施到硬件加速同倫理框架嘅完整生態。佢唔單止表彰理論家，亦肯定咗將AI由實驗室推向全球嘅實踐者，涵蓋七位跨洲合作人。與諾貝爾獎較為集中嘅物理學基礎不同，呢個獎慶祝跨學科嘅「七傑」，連接理論、工程同應用，勾勒出AI起源與責任演進嘅更完整圖像。
本文簡要介紹七位得獎者嘅主要貢獻，將佢哋嘅故事嵌入AI崛起嘅大敘事之中。引用皇家工程院公告、斯坦福2025年AI指數報告、圖靈研究所與DeepMind等機構嘅權威檔案，我哋會探討呢啲先驅點樣拆除智能機器嘅障礙。後續章節會逐一剖析每位得獎者嘅突破性成就，量化佢哋嘅影響，並解釋點解QEPrize喺廣度同時效性上超越2024年諾貝爾獎。
傑弗里·辛頓：深度學習之父——神經網絡與反向傳播革命
傑弗里·埃弗里斯特·辛頓（Geoffrey Everest Hinton），被譽為「深度學習之父」，係英裔加拿大嘅計算機科學家，佢嘅工作為現代AI奠定咗神經基礎。1947年喺倫敦温布爾登出世，辛頓嘅學術淵源顯赫——曾曾祖父係邏輯學家喬治·布爾，叔祖父係青黴素共同發現者霍華德·弗洛里。辛頓嘅求學路由劍橋大學（1970年實驗心理學學士）開始，後喺愛丁堡大學取得AI博士（1978年），師從克里斯托弗·朗格‑希金斯，研究玻爾茲曼機。
辛頓嘅里程碑性貢獻始於1980年代對反向傳播算法嘅復興。喺1986年同大衛·朗姆哈特、羅納德·威廉姆斯合著嘅論文《通過反向傳播學習表示》中，辛頓展示咗如何將誤差反向傳播到多層神經網絡，呢個方法令神經網絡可以自動學習，實現高效計算每個權重嘅梯度，從而可以用梯度下降法訓練網絡。到2006年，辛頓喺多倫多大學嘅團隊通過受限玻爾茲曼機（RBM）實現層級預訓練，初始化深度信念網絡（DBN）。2012年，佢嘅學生亞歷克斯·克里澤夫斯基開發嘅AlexNet令ImageNet嘅Top‑5分類錯誤率降至15.3%，點燃咗深度學習嘅全球熱潮。
辛頓嘅影響亦延伸到生成模型領域。2012年，他共同提出咗變分自編碼器（VAE），用於無監督學習，為DALL‑E等圖像合成工具提供動力。喺谷歌大腦（2013‑2023年）工作期間，佢提出過膠囊網絡（Capsule Networks），改進視覺任務嘅空間層次理解。2023年，辛頓因擔憂AI風險而辭去谷歌職務，呢個決定引發全球討論——喺頒獎儀式上，查爾斯國王嘅講話亦有呼應。
量化嚟講，辛頓嘅工作催生咗超過千億美元嘅AI產業；與2024年諾貝爾獎對霍普菲爾德聯想記憶嘅致敬不同，辛頓喺QEPrize嘅榮譽突顯咗實際可擴展性——可以訓練含數十億參數嘅模型。佢嘅遺產由理論嘅優雅延伸至萬億參數級別嘅Transformer，辛頓賦予機器學習「感知」能力，同時警告呢啲系統可能好快超越人類。
楊立昆：卷積網絡先驅——計算機視覺與自主系統奠基者
楊立昆（Yann LeCun），法裔美國計算機科學家、Meta首席AI科學家，係卷積神經網絡（CNN）嘅創始人，亦係視覺AI嘅基石。1960年出生於法國，他1987年喺皮埃爾與瑪麗·居里大學取得博士學位，師從熱拉爾·德布魯。早年喺貝爾實驗室（1988‑1996年）研究手寫識別，1998年推出LeNet‑5——一款CNN，自動處理銀行支票，將錯誤率大幅下降。
LeCun嘅創見在於卷積運算：濾波器喺圖像上滑動，層次式檢測邊緣、紋理同物體。其1989年論文《反向傳播應用於手寫郵編識別》證明咗CNN嘅高效性，通過權重共享減少參數——對資源受限裝置至關重要。呢個思想演化為現代嘅ResNet（2015年，微軟）同EfficientNet，支持自動駕駛中嘅即時目標檢測。
喺紐約大學（2003年起）同Meta（2013年起）工作期間，LeCun推動咗自監督學習（SSL），令模型透過對比損失（如SimCLR）由無標籤數據學習。佢提出嘅「能量基模型」（EBMs）旨在實現常識推理，亦對Transformer嘅數據飢渴提出批判。LeCun倡導開放AI，並共同創立「人工智能夥伴關係」，主張技術與倫理並重。
QEPrize表彰LeCun嘅CNN推動咗約80%嘅計算機視覺應用。與2024年諾貝爾獎對神經網絡理論嘅致敬不同，LeCun呢個獎更集中喺視覺應用：由人臉識別嘅倫理問題到無人機自主系統，佢嘅工作令機器「看見」世界。正如佢喺儀式上幽默講：「AI見到嘅，係我哋教佢見到嘅——要教佢見到正義。」
約書亞·本吉奧：深度學習先知——無監督學習與AI倫理基石
約書亞·本吉奧（Yoshua Bengio），加拿大AI大師、Mila研究所創辦人，以無監督學習範式見稱，推動深度神經網絡發展。1964年出生於巴黎，本吉奧移居加拿大，1991年喺麥吉爾大學取得博士學位。佢喺1991年與伊夫·弗雷謝合著嘅《概率學習算法》為循環神經網絡（RNN）用於序列建模打開咗一條路。
本吉奧嘅突破始於2009年有關深度生成模型嘅工作，包括用去噪自編碼器做特徵提取。2014年，佢與伊恩·古德費洛共同提出生成對抗網絡（GAN），革新咗合成技術——GAN能生成逼真圖像，應用於醫學影像同藝術修復。喺蒙特利爾大學，佢領導開發嘅Theano框架（2010年）係早期深度學習庫，對後來嘅PyTorch有重要影響。
作為「AI三巨頭」之一，本吉奧喺2016年嘅論文《AI安全中的具體問題》中警告超級智能風險。佢亦積極參與倫理討論，係2018年《蒙特利爾宣言》嘅共同簽署者，致力於平衡創新同安全。
QEPrize肯定本吉奧喺生成式AI領域嘅貢獻——佢嘅工作對2024年生成式AI論文影響顯著。超越2024年諾貝爾獎嘅物理視角，本吉奧嘅獎項同時強調無監督學習與倫理：由GAN偏差緩解到全球AI治理，佢努力確保深度學習造福人類。
李飛飛：ImageNet催化劑——計算機視覺與以人為本嘅AI
李飛飛（Fei‑Fei Li），被譽為「AI教母」，係美籍華裔斯坦福教授，佢所建立嘅ImageNet數據集點燃咗AI視覺識別嘅革命。李飛飛1976年生於北京，16歲隨父母赴美，2005年喺加州理工獲博士學位。佢於2006年發起嘅ImageNet計劃建立咗超過一千四百萬張標註圖像嘅資料庫，並創立ImageNet視覺識別挑戰賽，為AlexNet喺2012年取得突破提供咗關鍵條件，將錯誤率由約25%降至15%，並促成2015年ResNet將錯誤率降至更低水平。
李飛飛嘅貢獻涵蓋目標識別（NEIL項目，2013年，終身學習）同人機協作（AI4ALL，2017年，促進AI教育多元化）。佢曾任谷歌雲視覺理解項目負責人（2017‑2018年）；現任教於斯坦福，並於World Labs探索機器人嘅空間智能。
QEPrize肯定ImageNet為90%嘅視覺模型提供咗訓練數據。相比2024年諾貝爾物理學獎偏重抽象嘅神經網絡理論，李飛飛嘅工作突出咗數據驅動嘅規模化AI：從自動駕駛到無障礙應用，佢嘅貢獻促成咗更包容嘅視覺技術。佢曾言：「數據係新石油，但倫理係煉油廠。」
約翰·霍普菲爾德：聯想記憶之父——神經網絡理論基石
約翰·霍普菲爾德（John Hopfield），普林斯頓大學分子生物學教授，係霍普菲爾德網絡嘅發明者，為AI提供咗聯想記憶嘅理論框架。1933年生於美國，霍普菲爾德早年研究固體物理，並喺1982年發表論文《神經網絡與物理系統中的聯想記憶》，提出咗能量最小化模型，用以模擬大腦嘅存儲與檢索機制。
霍普菲爾德嘅工作令1980年代神經計算獲得新生，影響咗玻爾茲曼機同深度學習嘅初始化方法。2024年諾貝爾物理學獎亦表彰咗佢嘅貢獻，稱其「開啟AI時代」。
QEPrize將霍普菲爾德納入七傑之中，強調佢嘅理論對工程實踐所起嘅橋樑作用。相比諾貝爾獎較偏理論，QEPrize連接咗霍普菲爾德嘅物理基礎同實際部署，從記憶模型延伸到生成式AI。
黃仁勳：GPU之王——AI時代嘅硬件加速器
黃仁勳（Jensen Huang），英偉達（NVIDIA）聯合創辦人兼CEO，將圖形處理器轉化為AI嘅計算引擎。1963年生於台灣，隨家人移居美國，1984年喺俄勒岡州立大學獲電機工程學位。1993年創立英偉達，其CUDA平台（2006年）令GPU嘅並行計算能夠應用於通用運算任務。
黃仁勳嘅願景促成咗A100/H100等張量核嘅發展，推動咗大約80%嘅AI工作負載。2025年英偉達市值受Blackwell晶片等因素推動表現強勁。
QEPrize肯定GPU係AI發展嘅「鋤頭同鏟子」。與偏理論嘅諾貝爾不同，黃仁勳嘅工程貢獻強調咗全球化規模部署AI——由資料中心延伸到邊緣設備。
比爾·達利：加速計算先驅——推動NVIDIA硬件革命
比爾·達利（Bill Dally），英偉達首席科學家，係加速計算領域嘅重要推手，推動GPU由圖形運算轉型為AI計算平台。1959年生於美國，達利喺加州理工取得計算機科學博士（1986年）。早年喺貝爾實驗室開發並行計算架構，1997年加入史丹福後推動可編程晶片研究。
2009年加入英偉達後，達利領導咗Volta同Ampere等架構嘅發展，優化Tensor Core以支援大型語言模型訓練。佢嘅工作令GPU算力由TFLOPS級別躍升至支援更大規模訓練嘅級別，支援咗ChatGPT等模型嘅運行。
QEPrize表彰達利嘅硬件創新，佢對AI基礎設施嘅貢獻極為重要。相比諾貝爾獎嘅理論取向，達利嘅榮譽突顯咗由晶片設計到萬億參數訓練嘅工程實踐。
QEPrize嘅全面性：比2024年諾貝爾更廣闊嘅畫卷
2024年諾貝爾物理學獎授予霍普菲爾德與辛頓，以慶祝人工神經網絡嘅基礎性貢獻；而QEPrize嘅七位得獎者則勾勒出今次AI革命更完整嘅圖景。諾貝爾聚焦於人工神經網絡模型；喺QEPrize入面，霍普菲爾德與辛頓連同視覺（李飛飛）、硬件（黃仁勳／達利）及算法（本吉奧／LeCun）嘅貢獻一齊被肯定。佢喺多樣性（性別、地域）同範圍（從理論到部署）上呈現出更全面嘅面向。正如查爾斯國王所言：「呢個係AI嘅《大憲章》。」