摘要：不论是诺奖还是图灵奖，还有美国那个麦克阿瑟天才奖，都特别喜欢“蹭流量”。

恺明大大不是目前CV领域历史第一人，但应该是同年龄端金字塔尖的人。

不论是诺奖还是图灵奖，还有美国那个麦克阿瑟天才奖，都特别喜欢“蹭流量”。

所以别说图灵奖了，就是诺贝尔物理奖，何凯明都大概率拿。

菲尔兹目前还没有明显的“蹭流量”趋势。

这主要是因为数学这个领域的壁垒太强了，所以无法蹭流量。

图灵奖与诺贝尔奖已将荣耀赋予了深度学习与强化学习领域，实则已囊括了深度学习、大型模型以及AlphaGo等成果。

尽管恺明在深度学习实践方面取得了显著突破，却依旧遵循着LeCun的科研路径，这不足以成为授予他奖项的理由。

尽管深知恺明的贡献巨大，但图灵奖与诺贝尔奖的评选委员似乎更倾向于科学方法与理论的创新，而非工程实践的成效。

将深度学习的成就归功于Hopfield便是一个例证。

否则，Pytorch与Nvidia的工程师们又该凭借什么获得认可呢？

换个视角来看，是图灵奖需要深度学习来彰显其价值，而非深度学习仰赖图灵奖的认可。

恺明无疑是一位卓越的学者，然而与LeCun相比，仍稍逊一筹。

学术界普遍认为，开创学派远比传承发扬更为关键且更具影响力。

LeCun是真正经历过AI寒冬并坚持下来的人。CNN这套框架体系就是由他搭建起来的。

如今只需简单一句“import torch”，再组合几个卷积层和池化层，添加CrossEntropyLoss，导入标签数据，直接使用SGD优化器进行训练，整个过程如同行云流水般轻松自然。

但这其中的每一个步骤都凝聚着LeCun亲自经历的挫折与解决方案。

在物理学界提及最伟大的物理学家时，人们总会怀着崇敬之情说出“牛顿爵士”的名字。

尽管后来的物理学家能够将人类送入太空、甚至制造出核武器，看似拥有无穷的力量，但所有这些成就的基础仍然是牛顿所著的《自然哲学的数学原理》。

有人可能又会提到论文引用量的问题，声称ResNet是历史上被引用最多的作品之一，其影响力无与伦比。

这种说法其实有些夸张。

严格来说，所有引用了ResNet的人也应该同时引用LeCun的工作成果，因为卷积神经网络的概念正是来源于LeCun，怎么能不加以注明就直接使用呢？

但实际上几乎没有人这样做。

这表明LeCun的贡献已经达到了“常识”级别，即无需特别指出就能被广泛认可和应用的程度。

这就好比在应用牛顿三大定律时不需要每次都引用牛顿本人的话一样自然。

在二十年内，恺明有机会获得图灵奖，但这并不是确定的。

有几个因素会影响这一结果。

保持身体健康至关重要，毕竟图灵奖不会授予已故人士。

近二十年来，图灵奖有老龄化和终身成就奖化的趋势，Alfred Aho在2020年获奖时已经79岁。

即使成果显著，也需要耐心等待。

如果恺明能成为像MIT这样的名校教授并持续产出，将大大提高获奖的可能性，加快获奖的速度。

大多数图灵奖评委都在大学里，历史上的获奖者也以大学教授为主。

避免树敌和陷入丑闻也是很重要的。

尽管历史上图灵奖更倾向于理论研究者，但这种趋势在未来可能会改变。

做自己喜欢的和擅长的事情就好，不必刻意迎合评委的口味。

各位对此有何看法？

来源：凡尔赛