5月23日，柯洁对阵AlphaGo三番棋首局人机大战在乌镇告一段落。最终，经过289手激战，由DeepMind团队研发的围棋人工智能AlphaGo执白1/4子战胜目前等级分排名世界第一的中国棋手柯洁九段，拔得头筹。
柯洁开局就采用了“以其人之道还治其人之身”的策略，连走了两个三-三，但效果不佳。之后柯洁处处主动挑战，但AlphaGo处理得当，全盘没给柯洁机会。双方的第二局比赛将于5月25日10点半继续进行。
正如DeepMind创始人哈萨比斯在赛前的发布会上表态所说：“这场比赛不会是人和电脑系统的对战，而是人使用电脑发现新的知识，我们探索的新的知识，围棋的知识，就像发现天文望远镜探索新的宇宙。把不断学习的人工智能运用到更广阔的领域。这场对决，无论是人类获胜还是阿法狗赢，最终的胜利者都是人类。”
对于AI智能的暴热，不得不回到其背后团队运作中来。近期，福布斯盘点了全球21位AI领域杰出女性，其中李飞飞名列榜首，吴华也名列其中。这21位女性虽背景各异，却一同推动着AI事业的发展。下面让我们就一起来认识这21位杰出女性AI科学家！
作为计算机视觉领域的著名学者，李飞飞最近加盟谷歌云担任首席AI和机器学习科学家，负责推动她的“人工智能民主化”使命。她仍将继续担任斯坦福大学副教授，她在那里负责斯坦福AI实验室和视觉实验室。自从获得普林斯顿大学物理学学士和加州理工学院电子工程博士后，李飞飞已经在顶尖期刊和会议上发表了150多篇科研论文。她还开发了ImageNet，这是一个拥有1500万张图片的数据集，对AI和深度学习最近的发展做出了贡献。
正如在最近Google I/O 2017 开发者大会上，李飞飞以时间轴形式阐述AI学科。她讲到60年前，以计算机科学之父图灵为代表的思想家，已开始提出挑战人类社会的问题：“机器是否能思考？机器是否能拥有智能？”随后，AI经历了几波技术发展：从一阶逻辑（first-order logic）到专家系统（expert systems）然后是早期机器学习，再到如今的深度学习革命。2010年左右是一个分水岭，统计机器学习领域工具的成熟、互联网和传感器带来的大数据、摩尔定律预测的硬件计算性能提升等三方面合力，将过去60年的“AI in vitro”阶段推向“in vivo”（注：可理解为胚胎阶段的AI）的全新阶段。
在担任斯坦福大学计算机科学教授的18年间，Daphne Koller在顶尖学术刊物上发表了200多篇论文，还因为学术突破和出色的教育获奖无数。她参与创办了全球最大在线教育平台Coursera，目前担任Calico Labs首席计算官。后者是Alphabet的一家研发公司，专门研究生物老化问题，并开发延长寿命的相关技术。
Koller的跨学科成就中最令她自豪的是让学生们自己做出了不起的贡献，包括数百万通过Coursera参与人工智能、机器学习和数据科学课程的学员。在完成课程的学员中，有29%表示受益匪浅，有的开启了新的职业，还有的创办了公司。最重要的是，来自发展中国家或社会经济发展落后地区的学员人数增加了48%。
作为社交机器人领域的知名先驱，Cynthia Breazeal兼任麻省理工学院副教授（她还在那里获得了博士学位，并创办了个人机器人集团）和Jibo创始人兼首席科学家（这是一家获得8500多万美元融资的个人机器人公司）。
虽然Breazel的工作已经获得无数学术奖项、行业殊荣和媒体关注，但她在1990年代却遭到其他机器人和人工智能专家的怀疑。当时，机器人被视作一种实体和工业工具，无法作为社交和情感伴侣。她的第一款社交机器人Kismet被当时的流行媒体认为“毫无用处”。
Breazel怀着截然不同的愿景反潮流而动：“我希望创造一种具备社交和情感智能的机器人，可以与人类展开协作。在2至5年内，我认为社交机器人可以在真正重要的问题上为家庭提供帮助，包括教育、健康、老人看护、娱乐和陪伴。”她希望自己的工作和影响力可以启发他人创造“不光聪明，而且走心”的机器人。
作为哈佛大学政府和科技教授兼哈佛大学数据隐私实验室主任，Latanya Sweeney面对着安全、隐私以及个人数据和机器学习算法偏见等领域的挑战。
Sweeney的研究暴露了网络广告的歧视问题：在网上搜索黑人的名字时，无论事实如何，相应的赞助广告认为此人有犯罪记录的概率高出25%。她在担任《Technology Science》主编时也写过一篇报道：SAT备考服务针对亚裔较为集中的地区收取的费用达到平均费用的两倍，但并不考虑实际收入。针对种族、宗教、国籍和性别的价格歧视在美国是违法的，但在电子商务领域展开执法并非易事，因为它们所使用的定价算法并不透明。在担任现在的职位前，Sweeney还是美国联邦贸易委员会CTO。她在哈佛大学完成了本科计算机专业的学习，并成为第一个获得麻省理工学院计算机系博士学位的黑人女性。
Andrea Frome职业生涯初期并没有想要成为顶尖的人工智能研究人员。她最初是一名环境科学家，但后来爱上了数据和建模工作，这也促使他考入加州大学伯克利分校攻读计算机视觉和机器学习博士学位。她后来加盟谷歌，在那里发表了多模式视觉归类系统的学术论文，并发布了谷歌街景服务。
“我经常因为解决那些影响力超越学术圈的问题而感到巨大的满足。”她解释道，“在街景项目中，我们需要模糊人脸和车牌，以此保护隐私。要把这种任务的执行精度提升到足够的高度是个很困难的任务，但除非我们解决这个问题，否则无法发布街景。”Frome目前担任Clarifai研究总监，这是一家领先的计算机视觉公司。她的最终目标是让计算机能够像人类一样理解视觉输入，并对周围的世界作出准确的预测。
“AI领域中人们习惯上会将目光聚集于计算智能，而不是社交或情感智能，”Rana el Kaliouby说，“然而，缺乏情商可能是社会的一大劣势。”
El Kaliouby出生于埃及首都开罗，在中东地区长大。最初在剑桥大学读计算机科学博士时，El Kaliouby基本没有涉及人工情感方面的研究。但她对这一领域有极大的兴趣，最终El Kaliouby定义了“情感AI”领域，创立了情绪识别公司Affectiva并且担任CEO。Affectiva的技术已经被证实可以为汽车制造业、市场调查、机器人业、教育业、赌博业等行业带来技术性变革，还适用于教自闭症孩子识别情感和非语言社交提示。当一个孩子首次用带Affectiva的谷歌眼镜与母亲进行眼神交流时，这位母亲泪目了。El Kaliouby预测，三至五年后，她们的设备将会具备情绪感知功能。你的负面情绪设备都会第一时间感知到。
Carol Reiley是直到大学学习工程专业时才开始接触编程的。与那些可能从十岁就开始编程的同学们竞争时，她感到了前所未有的巨大威胁，几次差点就放弃了。幸运的是她坚持了下来，在约翰霍普金斯大学继续攻读了计算机科学博士。
“回看十九世纪中期的第二次工业革命，所有公司都应该雇佣一个电力副总裁。在那时电是一个所有人都感兴趣的崭新概念，但没人知道它将对世界产生多大的影响。就像我们看在对AI的感觉一样。”Carol Reiley说。她从小就希望可以通过工程学来影响世界。
现在，她已是Drive.ai的联合创始人兼总裁了。Drive.ai是由斯坦福大学人工智能实验室建造的，专门为自动驾驶汽车建造深度学习软件的公司。尽管要与财力雄厚的科技巨头和无人驾驶怀疑论者做斗争，但Reiley和她的团队仍然筹集到120万美元的A轮融资，并且已经投放了几辆无人车上路了。
在她在百度的七年里，吴华领导团队在自然语言处理（NLP）、对话系统和神经网络机器翻译（NMT）等方面做出了很大突破。她提出的NMT多任务学习框架被誉为“开创性”的进展，并通过百度翻译成功向亿万用户部署了这项突破。
她还创建了百度的AI对话程序Duer,为智能家庭助手和智能物联网设备提供帮助。吴华是中国科学院的博士，领导着ACL和IJCAI两个学术会议。吴华第一次做研究时，深度学习和计算机视觉取得了突破性进展，但自然语言处理方面还没什么突破。很多知名专家怀疑深度学习能否提高机器翻译的水平，但是吴华和她的团队不仅证实了这个观点可行，还和她的团队在不到六个月的时间里做出了每天能处理上亿次翻译请求的产品。
“我为我团队的远见、坚韧和速度骄傲。我们打破了机器翻译的瓶颈，打破了人们之间的交流障碍，帮助她们学习新东西。”吴华自豪地说。
NO.9 Angelica Lim：软件开发经理，软银机器人研究与开发部
十年前，Lim曾用Yann LeCun的卷积神经网络破解Hotmail的CAPTCHA系统，她甚至用递归编程语言LISP完成了这项工作，但并没有发表过她的研究成果，因为在当时这项研究并不盛行。在日本京都大学读硕士和博士期间，Lim将计算机科学、神经科学和文化发展心理学结合起来，想要制造一个懂人类情绪的机器人。作为发展机器人（机器人模拟人类风格）的先驱，Lim解释到，幼儿会把情绪状态延续到生理、心理以及肢体动作上，而她对机器人的研究也基于这个原理。
目前，Lim是一名软银机器人研究开发部的软件开发经理，也是人形机器人Pepper的创造者。此外啊，她还是一名TED活跃者，曾在TED上进行了关于设计有情感的机器人的一系列演讲。
Daniela Rus是麻省理工学院电子工程和计算机科学系教授、CSAIL主任，以及CSAIL分布式机器人实验室负责人。她此前曾创立达特茅斯机器人实验室，是自重配机器人技术的先驱。这种机器人能通过改变内部结构自动适应不同环境。她表示：“相对于通过传统制造方式生产的硬体机器人，我们近期的3D打印软性机器人更安全、更廉价、更有弹性。”软性机器人灵活的结构使其可以方便地改变方向，挤进狭窄的空间。而3D打印也使机器人的制造更方便。“利用简单的日常材料，例如纸张和塑料，我们就可以用打印机制造出可使用的机器人。”
Ayse Naz Erkan来自土耳其伊斯坦布尔，于2014年前往美国，攻读纽约大学柯朗特研究所计算机科学博士。在Yann LeCun的实验室，她的研究方向是自动化机器人导航中深度学习的应用。此外，她还曾在马克斯普朗克生物控制研究所从事半监督学习的研究。随后，她加入了一家科技创业公司。
Erkan表示，创业公司工作的日子“给她的人生带来了令人难以置信的改变”，将其变为了更出色的问题解决者和实用技术专家。Twitter在5年半之前收购了她所在的创业公司。目前，她负责Twitter的内容理解和深度学习应用团队，希望将Twitter变成更安全的平台。“解决Twitter数据中的仇恨言论和滥用问题非常有趣。”Erkan表示，“尤其是你可以亲眼目睹，机器学习如何影响公众传播的设计。”
Jane Wang最初是一名应用物理学家，专注于大脑记忆系统中复杂动态网络拓扑的建模。随后，她前往西北大学从事实验认知神经科学的博士后研究。自两年前加入DeepMind以来，由于没有机器学习技术的背景，她可以通过另一套工具和视角来解决最困难的人工智能问题。她表示：“研究人类大脑功能的理论，并将其应用于能解决类似复杂任务的深度增强学习模型，这令人非常高兴。”
Jane Wang没有正式的人工智能背景，但同样取得了成功。她担心，人工智能研究领域激烈的竞争氛围和所需的漫长学习过程可能不利于普遍的参与。她警告称：“尽管竞争推动了行业进步，但对于那些希望在更包容、更有合作氛围的环境下工作的人才，这是不利的。”目前，她是DeepMind研究方向委员会的成员，希望推动人工智能领域的多元化发展。她也希望鼓励人工智能社区的开放，推动研究者分享成果，取得共同的进步。
Caroline Galleguillos出生于智利圣地亚哥。在获得智利大学工程和计算机科学学位之后，她拿到了政府奖学金，前往硅谷实习。最终，她获得了加州大学圣迭戈分校的计算机科学博士学位。在学术生涯中，她曾在主流计算机视觉会议上发表研究论文，并于2007年和2008年被评为IGERT NSF Fellow。
Galleguillos曾为谷歌、惠普、本田和Thumbtack开发计算机视觉和机器学习算法。不过，她对自己在SET Media建设并培训的人工智能团队尤为感到自豪。尽管资源有限，但她的团队成功推出了机器学习系统，为该公司2014年被Conversant收购立下了汗马功劳。
Devi Parikh是佐治亚理工学院互动计算学院助理教授，也是Facebook人工智能研究团队（FAIR）的访问研究员。在获得卡耐基梅隆大学的电子和计算机工程硕士和博士学位后，她曾在多家顶级研究实验室担任访问职位，并获得了多项荣誉，例如2016IJCAI计算机和思想奖。这被认为是“35岁以下人工智能研究员的第一奖项”。
Parikh最重要的研究关于可视问答（VQA），这是计算机视觉和自然语言处理的交叉学科。她表示：“通过公开我们的大数据集和系统，我们赋能全球研究组织，帮助他们开发能自动回答关于可视化内容问题的机器。”这样的技术能帮助存在视觉障碍的人士，以及通过不支持图片的低带宽网络传送更多信息。VQA领域的技术进步也优化了当前的产品体验。“我们将看到越来越多的会话agent，无论是个人助手还是聊天机器人。这些agent能以智能可视化的方式看到，或增强我们的现实体验。”
Marie desJardins关注人工智能领域更宏观的问题，而不是某个特定的技术应用。在加州大学伯克利分校攻读博士学位期间，她的课题是“目标驱动的机器学习”。当时，她设计的方法帮助智能agent去了解学习什么，如何学习。作为马里兰大学巴尔的摩郡分校的副校长和教授，desJardins发表了超过120篇科研论文，并获得过各种教学荣誉。此外，她也和自己的研究生一同，对多agent系统的自组织和信赖关系进行了有力的研究。
在desJardins的职业生涯之初，AI和计算技术行业吸引了多样化的人才。不过随时间推移，她注意到，许多行业会议“越来越多地被专注于某个子问题（受监督分类学习）的论文所主导，同时不太欢迎在其他子领域（主动学习、目标主导学习、应用学习和认知学习等）的研究成果”。她担心，这样的趋势将不利于人工智能多样性的发展。她表示：“我们正看到，对更基于标志性、代表性的方法的重新思考。最终我认为，我们将在数值方法和标志性方法之间建设越来越多的桥梁，制定分层的架构，从而同时利用两者的力量。”
获得杜克大学数学专业博士学位以来，Rachel Thomas曾在Uber担任数量分析专家、数据科学家和后端工程师，以及旧金山大学“数据分析大师”项目的教授。她目前是旧金山大学数据研究所的入驻研究员，也是Fast.ai的联合创始人。后者在全球范围内提供实用的深度学习教育服务。Thomas的学生已经利用学到的知识降低了印度农民的自杀率，协助有视力障碍的人群，以及在巴基斯坦治疗疾病。
当Thomas几年前刚刚开始研究深度神经网络时，网络上还没有任何教育资源。她表示：“似乎这一领域的所有人都是在同样4名顾问的指导下完成了博士学位课题，没有人分享实用、有用的信息。”因此，她与其他人共同制作了免费的“面向程序员的实用深度学习”课程，希望帮助程序员提高应用神经网络方法的编程技巧。Thomas的项目成功帮助了更多女性、有色人种、国际学生，以及经济困难人群参与人工智能的研究和工程开发。
目前我们已经收集了大量的数字化健康信息，但这些信息并没有得到充分利用，以改善人类健康状况。作为约翰霍普金斯大学的助理教授，Suchi Saria认为，对传感器平台和电子医疗记录中数据的计算建模“将给高度影响力的工作创造巨大的机会”。
在加入约翰霍普金斯大学之前，Saria在斯坦福大学完成了博士学位，她同时也是哈佛大学NSF Computing Innovation Fellow。她最初认为，自己并不喜欢生物学或医学，但在利用持续收集的数据研究新生儿疾病预防问题之后，她开始对这个领域感兴趣。凭借跨专业能力，Saria在疾病轨迹建模、医疗瞄准的预测方法、临床决策支持（CDS）系统，以及个性化治疗方法等领域发表了多篇高水平论文。Saria鼓励更多研究者选择重要问题去研究，钻研其中的复杂难题和限制因素。
很少有人能获得IBM“杰出工程师和主要创新者”的头衔，而Rama Akkiraju的贡献帮她赢得了这一荣誉。她在IBM沃森负责“People Insights”项目，开发的技术能通过社交媒体数据，利用语言和机器学习方法去推断人物的个性、情绪、态度和意图。Akkiraju带领的团队负责了Tone Analyzer等沃森认知服务产品的开发。
为了解决这个领域的挑战，Akkiraju的团队利用了跨学科知识，包括人工智能、心理学、社会学、决策理论和消费者行为学等。她指出：“能真正理解人类的机器人能弥补客服人员、咨询顾问和健康教练的短板。在这些领域，我们的工作可以给人们的日常生活带来重要不同。”
Jackie Hunter一直对大数据变革生物科技的潜力很感兴趣。在供职于葛兰素史克担任研发高管期间，她对于挖掘数据以指导药物开发过程中的欠缺有着亲身经历。目前，作为BenevolentBioAI旗下BenevolentBio的CEO，Hunter结合了学术和业界背景，用人工智能去加速新药的发现和开发。
她预计：“在新药发现和医疗方面，我认为未来5年将会出现比过去50年更大的转型。”不过她也警告，制药公司不应当将人工智能视为一时的流行趋势。“未来5到10年中，在整个价值链中制定并实施整体化数字和人工智能战略的公司将获得成功。”
从斯坦福大学获得计算机科学博士学位后，Shubha Nabar在微软、LinkedIn和目前正在供职的Salesforce，都建立数据产品和科学团队。作为Einstein的数据科学高级总监，她和她的团队负责为Salesforce全线产品注入人工智能。
为不同领域成千上万的企业构建AI解决方案，无疑是一项技术挑战。Nabar的新方法是建立一个“元（meta）”机器学习框架，然后自动化的构建整个机器学习流程。她表示：“我们正在建设一个前所未有的事物”。当机器学习逐渐普及之时，Nabar警告说：“在这个过程中，我们应该重视人工智能的伦理问题，并建立公平负责的算法，拒绝传播现实世界数据中常常存在的偏见”。
Timnit Gebru少年时期，从埃塞俄比亚去了美国，进入斯坦福大学，并在那里完成了电子工程专业的本科、硕士学业，目前正在读博。在此期间，她在苹果获得了一份颇有声望的工程师工作，还成了一家创业公司的联合发起人。
Gebru师从李飞飞，在从大规模数据集中发现社会学问题方面，发表了多篇优秀的论文，最近，她用机器学习方法通过谷歌街景图像数据推断人口普查结果的论文，获得了《经济学人》杂志的称赞。她积极推动着AI领域的多元化和包容性。当Gebru在某次重要的AI会议上，发现自己是在场唯一黑人女性之后，她联合创立了社会团体Black In AI，来驱动黑人群体对AI研究的参与。Gebru说，AI研究人员不能对自己工作的影响保持沉默。只有当这项技术的创造者们保持包容的态度，AI带来的指数型增长才能使所有人受益。