根據谷歌學術的統(tǒng)計，加拿大蒙特利爾大學的計算機科學家約書亞·本吉奧（Yoshua Bengio ）成為首位在世時論文被引量超過一百萬次的學者。而之所以強調是在世時，是因為此前法國哲學家米歇爾·福柯（Michel Foucault，1926–1984）在谷歌學術上的引用量已經接近了140萬次，其中很大一部分都產生于他去世之后。

約書亞·本吉奧（Yoshua Bengio）

圖源：Joel Saget/AFP via Getty

約書亞·本吉奧（Yoshua Bengio ）1964年出生于法國，1991年在麥吉爾大學獲得計算機科學博士學位，長期從事機器學習和人工神經網絡的研究，他與2024年諾貝爾物理學獎得主、英國計算機和心理學家杰弗里·辛頓（Geoffrey Everest Hinton）、法國計算機學家楊·勒坎（Yann André Le Cun）被公認為人工智能領域的奠基者之一，共同獲得了2019年計算機學界的最高獎圖靈獎。

約書亞·本吉奧被引用次數最多的論文包括與他人合著、發(fā)表于2014年的論文：“Generative Adversarial Nets”，該論文在谷歌學術上的引用次數超過10.5萬次，以及與LeCun和Hinton合作于2015年發(fā)表在Nature的綜述論文：深度學習（Deep learning），引用量超過7.3萬次。此外，他有關“注意力機制”（attention）的論文也備受關注，該技術能夠幫助機器分析文本。注意力機制已成為推動大語言模型（LLM）革命的關鍵創(chuàng)新之一，其代表便是2022年推出的劃時代產品ChatGPT。

歷史上被引用數最多的論文是 Oliver Lowry 等人在 1951 年發(fā)表的“Protein measurement with the Folin phenol reagent”（使用 Folin 苯酚試劑測定蛋白質）一文，這篇論文描述了一種測定溶液中蛋白質含量的實驗方法，已被引用超過 35 萬次（基于Web of Science 數據庫數據）， 它長期位居全球被引論文榜首，主要是因為數十年來生物科學的迅猛發(fā)展，這類奠基性的論文成為后輩繼續(xù)前進的起點。

而最近三十多年來計算機科學成為新的科研熱點，尤其是人工智能領域的快速發(fā)展，使得相關領域基礎性的研究結果成為新的奠基性文章，根據Nature的統(tǒng)計，2000年之后被引用次數排名前十的論文中，有八篇是關于機器學習的。西班牙格拉納達大學信息科學家阿爾貝托·馬丁表示，本吉奧的“學術成就毋庸置疑”。但他補充說，原始引用次數是“粗略的指標”，其他文獻計量平臺——例如Web of Science、Scopus和OpenAlex——對研究人員的排名方式與谷歌學術不同，這些數據庫反映的總體引用次數相對較低，正如Nature的之前分析發(fā)現，除了同行評審期刊之外，谷歌學術還會追蹤互聯(lián)網上任何位置發(fā)布的圖書和預印本的引用情況。

圖源：The Canadian Press/Alamy

雖然不同的統(tǒng)計口徑可能會有所不同，但是這都不是約書亞·本吉奧所在意的事情，他在接受Nature的采訪時表示，他更關心人工智能未來可能產生的風險。作為這個領域的先行者，他對相關技術的迅速發(fā)展當然是樂見其成，但是作為資深的科學家，約書亞·本吉奧認為就像人類之前曾發(fā)明的所有技術一樣，AI技術能造福人類也可能帶來危害，如現在已經初現端倪的深度偽造技術和更廣泛的網絡攻擊，很可能未來誰能掌控高度先進的人工智能，誰就擁有巨大的權力，因此必須從現在就開始通過嚴格監(jiān)管和政策激勵來降低類似的風險，當然現在許多國家都建立了人工智能安全的研究機構，這非常有必要。

而他本人現在正在致力于一個有所不同的方向：Scientist AI ，其根本出發(fā)點在于現在的AI都在強調讓它更智能、更具自主性，而這恰恰是安全風險的來源。不受控制的、卻高度自主的人工智能會干出什么事來誰都不知道，事實上，各種場景和實驗都表明，人工智能代理有可能進行欺騙，或追求與人類利益（例如自我保護）相沖突的目標。因此，他與合作者提出開發(fā)一種從基礎設計上就值得信賴且安全的非自主性人工智能系統(tǒng)作為進一步發(fā)展的核心構建模塊，稱之為“科學家人工智能（Scientist AI ）”。該系統(tǒng)旨在通過觀察和推理來解釋世界，以及根據指令采取行動的模型，而不是為了模仿或取悅人類而采取不受控制的行動。

參考文獻息：

1.https://doi.org/10.1038/d41586-025-03681-6

2.https://proceedings.neurips.cc/paper_files/paper/2014/hash/f033ed80deb0234979a61f95710dbe25-Abstract.html

3.https://www.nature.com/articles/nature14539/metrics

4.https://www.nature.com/articles/d41586-025-03686-1

5.https://arxiv.org/abs/2502.15657