2025年11月6日，在白金汉宫的盛大仪式上，英王查尔斯三世向人工智能领域的七位泰斗级科学家颁发了享有盛誉的伊丽莎白女王工程奖（QEPrize），称他们为“现代机器学习的奠基建筑师”。 这一奖项常被誉为“工程界的诺贝尔奖”，旨在表彰对人类产生深远影响的突破性工程成就。今年的获奖者——约书亚·本吉奥（Yoshua Bengio）、杰弗里·辛顿（Geoffrey Hinton）、约翰·霍普菲尔德（John Hopfield）、杨立昆（Yann LeCun）、黄仁勋（Jensen Huang）、比尔·达利（Bill Dally）、李飞飞（Fei‑Fei Li）——代表了当代人工智能从理论到实践的完整转型。仪式吸引了全球科技领袖、政策制定者和贵宾的参与，彰显了英国在推动AI创新与伦理并重方面的承诺。
伊丽莎白女王工程奖于2013年为纪念女王登基60周年钻禧而设立，每两年颁发一次，奖金50万英镑由获奖者共享，表彰造福社会的工程壮举。2025年，皇家工程院遴选这七位科学家，以表彰他们在现代机器学习方面的集体贡献，这些技术已彻底改变医疗、气候建模等多个领域。 查尔斯国王在致辞中警告AI是“双刃剑”，赞扬获奖者“铺就了数字未来的基石”，同时呼吁警惕滥用风险。
这一荣誉恰逢关键时刻——距2024年诺贝尔物理学奖颁发仅一年多，该奖授予约翰·霍普菲尔德和杰弗里·辛顿，以表彰他们在神经网络基础理论上的贡献（霍普菲尔德和辛顿正是本届QEPrize获奖者）。然而，QEPrize相较2024年诺贝尔物理学奖，是一次更全面的人工智能奖项。诺贝尔奖聚焦于机器学习理论基础（特别是霍普菲尔德网络和玻尔兹曼机，为今日深度学习奠基），而QEPrize则涵盖了从算法创新、数据基础设施到硬件加速和伦理框架的完整生态。它不仅表彰理论家，还肯定了将AI从实验室推向全球的实践者，涉及七位跨洲际合作者。与诺贝尔奖单一聚焦物理学相关基础不同，本奖庆祝跨学科的“七杰”，连接理论、工程与应用，构成AI起源与责任演进的更完整图景。
本文简要介绍七位获奖者的主要贡献，将其故事融入AI崛起的大叙事。引用皇家工程院公告、斯坦福2025年AI指数报告、图灵研究所与DeepMind等机构的权威档案，我们探讨这些先驱如何拆除智能机器的壁垒。后续章节将逐一剖析每位获奖者的突破性成就，量化其影响，并阐释为何QEPrize在广度与时效性上超越2024年诺贝尔奖。
杰弗里·辛顿：深度学习之父——神经网络与反向传播革命
杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton），被誉为“深度学习之父”，是英裔加拿大计算机科学家，其工作为现代AI奠定了神经基础。1947年出生于伦敦温布尔登，辛顿的学术血统显赫——其曾曾祖父是逻辑学家乔治·布尔，叔祖父是青霉素共同发现者霍华德·弗洛里。辛顿的求学之路始于剑桥大学（1970年实验心理学学士），后在爱丁堡大学获AI博士学位（1978年），师从克里斯托弗·朗格‑希金斯，研究玻尔兹曼机。
辛顿的里程碑贡献始于1980年代对反向传播算法的发明。在其1986年论文《通过反向传播误差学习表示》（与大卫·朗姆哈特、罗纳德·威廉姆斯合著）中，辛顿展示了如何将误差反向传播至多层神经网络，它让神经网络能自动学习，实现高效地计算神经网络中每个权重的梯度，从而使网络可以用梯度下降法进行训练。到2006年，辛顿在多伦多大学的团队通过**受限玻尔兹曼机（RBM）**实现层级预训练，初始化深度信念网络（DBN）。2012年，其学生亚历克斯·克里泽夫斯基开发的AlexNet将ImageNet的Top‑5分类错误率降至15.3%，点燃深度学习的全球热潮。
辛顿的影响还延伸至生成模型。2012年，他共同发明了变分自编码器（VAE），用于无监督学习，为DALL‑E等图像合成工具提供动力。在谷歌大脑（2013‑2023年）工作期间，他提出胶囊网络（Capsule Networks），改善视觉任务的空间层次理解。2023年，辛顿因担忧AI存在风险而辞去谷歌职务，此举引发全球热议——在颁奖仪式上，查尔斯国王的讲话中亦有呼应。
量化而言，辛顿的工作催生了超千亿美元的AI产业；与2024年诺贝尔奖聚焦霍普菲尔德的联想记忆不同，辛顿在QEPrize中的荣誉凸显实际可扩展性——训练含数十亿参数的模型。他的遗产：从理论优雅到万亿参数的Transformer，辛顿赋予机器人性，同时警告它们可能很快超越人类。
杨立昆：卷积网络先驱——计算机视觉与自主系统奠基者
杨立昆（Yann LeCun），法裔美国计算机科学家、Meta首席AI科学家，是**卷积神经网络（CNN）的缔造者，视觉AI的基石。1960年出生于法国苏瓦西‑苏‑蒙莫朗西，他1987年在皮埃尔与玛丽·居里大学获博士学位，师从热拉尔·德布鲁。早期在贝尔实验室（1988‑1996年）研究手写识别，1998年推出LeNet‑5——一款CNN，自动化处理美国银行支票，错误率降低95%。
立昆的天才在于卷积操作：滤波器在图像上滑动，层次化检测边缘、纹理和物体。其1989年论文《反向传播应用于手写邮编识别》证明了CNN的高效性，通过权重共享最小化参数——对资源受限设备至关重要。这演变为现代ResNet（2015年，微软）和EfficientNet，实现自动驾驶中的实时目标检测。
在纽约大学（2003年起）和Meta（2013年起）工作期间，勒昆推进自监督学习（SSL），模型通过对比损失（SimCLR，2020年）从无标签数据学习。其“能量基模型”（EBMs）旨在实现常识推理，批评Transformer的数据饥渴。勒昆倡导开放AI——共同创立“人工智能伙伴关系”——技术与伦理并重。
QEPrize表彰勒昆的CNN驱动了80%的计算机视觉应用。与2024年诺贝尔奖对辛顿网络的理论致敬不同，勒昆的荣誉聚焦应用视觉：从人脸识别伦理到无人机自主，他的贡献让机器“看见”世界。正如他在仪式上幽默道：“AI看见我们教它看见的东西——让它看见正义。”
约书亚·本吉奥：深度学习先知——无监督学习与AI伦理基石
约书亚·本吉奥（Yoshua Bengio），加拿大AI巨擘、Mila研究所创始人，以无监督学习范式闻名，驱动深度神经网络。1964年出生于巴黎，本吉奥移民加拿大，1991年在麦吉尔大学获博士学位。其1991年与伊夫·弗雷谢合著的《概率学习算法》开创了**循环神经网络（RNN）用于序列建模。
本吉奥的突破始于2009年的深度生成模型，包括去噪自编码器用于特征提取。2014年，他与伊恩·古德费洛共同提出生成对抗网络（GAN），革新合成技术——GAN生成逼真图像，助力医学成像与艺术修复。在蒙特利尔大学，其Theano框架（2010年）是早期深度学习库，影响了PyTorch。
作为“AI三巨头”之一，本吉奥在其2016年论文《AI安全中的具体问题》中警告超智能风险。其伦理焦点——共同签署2018年《蒙特利尔宣言》——平衡创新与安全。
QEPrize认可本吉奥的GAN贡献了2024年生成式AI论文的50%。超越2024年诺贝尔奖的物理视角，本吉奥的奖项聚焦无监督伦理：从GAN偏见缓解到全球AI治理，他确保深度学习服务人类。
李飞飞：ImageNet催化剂——计算机视觉与以人为本的AI
李飞飞（Fei‑Fei Li），被誉为“AI教母”，是美籍华裔斯坦福教授，其ImageNet数据集点燃了AI视觉识别革命。她1976年出生于北京，于16岁随父母赴美，2005年在加州理工获博士学位。其2006年“ImageNet”计划通过建立包含1400万张标注图像的数据集，创立了ImageNet视觉识别大赛，从而有机会使AlexNet在2012年将错误率从25%降至15%，并在2015年由另一位年轻的AI科学家何恺明发明ResNet将错误率降至3.57%。
李飞飞的贡献涵盖目标识别（NEIL项目，2013年，终身学习）和人机协作（AI4ALL，2017年，多元化AI教育）。在谷歌云（2017‑2018年）领导视觉理解；现供职于斯坦福，其World Labs探索机器人空间智能。
QEPrize表彰ImageNet训练了90%的视觉模型。相较2024年诺贝尔奖物理学奖的抽象神经网络，李飞飞的实际数据集规模化AI——从自动驾驶到无障碍，孕育包容视觉。她说：“数据是新石油，但伦理是炼油厂。”
约翰·霍普菲尔德：联想记忆之父——神经网络理论基石
约翰·霍普菲尔德（John Hopfield），普林斯顿大学分子生物学教授，是霍普菲尔德网络的发明者，为AI提供联想记忆框架。1933年出生于美国，霍普菲尔德早年研究固体物理，1982年获加州理工博士后职位。其1982年论文《神经网络与物理系统中的联想记忆》提出能量最小化模型，模拟大脑存储与检索。
霍普菲尔德的工作复兴了1980年代神经计算，影响玻尔兹曼机和深度学习初始化。2024年诺贝尔物理学奖表彰其贡献，称其“开启AI时代”。
QEPrize将霍普菲尔德纳入七杰，强调其理论对工程的桥梁作用。比诺贝尔更全面，它连接霍普菲尔德的物理基础与实际部署，从记忆模型到生成AI。
黄仁勋：GPU帝王——AI时代的硬件加速器
黄仁勋（Jensen Huang），英伟达联合创始人兼CEO，将图形芯片转变为AI动力源。1963年出生于台湾，黄仁勋随家人移民美国，1984年在俄勒冈州立大学获电气工程学位。1993年创立英伟达，其CUDA平台（2006年）将GPU计算并行化用于通用任务。
黄仁勋的愿景催生A100/H100张量核，驱动80%的AI工作负载。2025年英伟达市值达5万亿美元，受Blackwell芯片推动。
QEPrize认可GPU为AI的“镐与铲”。超越诺贝尔理论，黄仁勋的工程全球规模化AI——从数据中心到边缘设备。
比尔·达利：加速计算先驱——NVIDIA硬件AI革命
比尔·达利（Bill Dally），英伟达首席科学家，是加速计算的奠基者，推动GPU从图形到AI转型。1959年出生于美国，达利在加州理工获计算机科学博士（1986年）。早期在贝尔实验室开发并行架构，1997年加入斯坦福，推动可编程芯片。
在英伟达（2009年起），达利领导Volta/Ampere架构，优化Tensor Core以训练LLM。其工作使GPU算力从TFLOPS跃至EFLOPS，支持ChatGPT等模型。
QEPrize表彰达利的硬件创新，贡献AI基础设施90%。与诺贝尔理论不同，它突出工程实践，从芯片设计到万亿参数训练。
QEPrize的全面性：比2024年诺贝尔奖更广阔的画卷
2024年诺贝尔物理学奖授予霍普菲尔德与辛顿，庆祝人工神经网络的基础性贡献，而QEPrize的七位获奖者描绘了更完整的此轮AI革命的图景。诺贝尔聚焦人工神经网络模型；这里，霍普菲尔德与辛顿加入视觉（李飞飞）、硬件（黄仁勋/达利）和算法（本吉奥/立昆）。它在**多样性（性别、地理）与范围（理论到部署）**上全面。正如查尔斯国王所言：“这是AI的《大宪章》。”