根据提供的研报内容，以下是关于量化因子和模型的详细总结： 量化因子与构建方式 **1 因子名称：日内高频偏度因子** 因子构建思路：利用股票日内高频收益的分布偏度特征来预测未来收益[11] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[11] **2 因子名称：日内下行波动占比因子** 因子构建思路：通过分析已实现波动中下行波动的占比来选股[15] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[15] **3 因子名称：开盘后买入意愿占比因子** 因子构建思路：基于开盘后的交易行为数据度量市场买入意愿[21] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[21] **4 因子名称：开盘后买入意愿强度因子** 因子构建思路：衡量开盘后买入意愿的强度水平[25] 因子具体构建过程：计算方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25] **5 因子名称：开盘后大单净买入占比因子** 因子构建思路：分析开盘后大单净买入在总成交中的占比[28] **6 因子名称：开盘后大单净买入强度因子** 因子构建思路：度量开盘后大单净买入的强度[33] **7 因子名称：改进反转因子** 因子构建思路：在传统反转因子基础上进行优化改进[38] **8 因子名称：尾盘成交占比因子** 因子构建思路：利用尾盘成交在总成交中的占比信息[41] **9 因子名称：平均单笔流出金额占比因子** 因子构建思路：分析平均单笔流出金额的占比特征[47] **10 因子名称：大单推动涨幅因子** 因子构建思路：衡量大单交易对股价上涨的推动程度[52] **11 因子名称：改进GRU(50,2)+NN(10)因子** 因子构建思路：基于门控循环单元(GRU)和神经网络(NN)的深度学习模型[56] **12 因子名称：残差注意力LSTM(48,2)+NN(10)因子** 因子构建思路：结合残差注意力机制的长短期记忆网络(LSTM)模型[59] **13 因子名称：多颗粒度模型-5日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[60] 因子具体构建过程：因子基于双向A-GRU训练得到[60] **14 因子名称：多颗粒度模型-10日标签因子** 因子构建思路：基于双向A-GRU训练的多时间颗粒度模型[61] 因子具体构建过程：因子基于双向A-GRU训练得到[61] 量化模型与构建方式 **1 模型名称：中证500 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 其中$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[66] **2 模型名称：中证500 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **3 模型名称：中证1000 AI增强宽约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较宽松的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] **4 模型名称：中证1000 AI增强严约束组合** 模型构建思路：基于深度学习因子构建指数增强组合，采用较严格的风险约束[65] 模型具体构建过程：优化目标为最大化预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$[66] 因子的回测效果 **1 日内高频偏度因子**：历史IC 0.027，2025年IC 0.043，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.329，9月多空收益4.61%，2025YTD多空收益17.00%，2025年月胜率6/9，9月多头超额2.15%，2025YTD多头超额5.55%，2025年多头月胜率5/9[8] **2 日内下行波动占比因子**：历史IC 0.025，2025年IC 0.037，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.326，9月多空收益3.44%，2025YTD多空收益14.16%，2025年月胜率7/9，9月多头超额0.72%，2025YTD多头超额1.58%，2025年多头月胜率5/9[8] **3 开盘后买入意愿占比因子**：历史IC 0.031，2025年IC 0.030，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.324，9月多空收益0.45%，2025YTD多空收益10.17%，2025年月胜率6/9，9月多头超额0.30%，2025YTD多头超额3.83%，2025年多头月胜率7/9[8] **4 开盘后买入意愿强度因子**：历史IC 0.035，2025年IC 0.030，历史e^(-rank mae) 0.326，2025年e^(-rank mae) 0.329，9月多空收益0.49%，2025YTD多空收益11.13%，2025年月胜率7/9，9月多头超额0.68%，2025YTD多头超额4.60%，2025年多头月胜率6/9[8] **5 开盘后大单净买入占比因子**：历史IC 0.041，2025年IC 0.036，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.324，9月多空收益2.09%，2025YTD多空收益16.20%，2025年月胜率8/9，9月多头超额0.58%，2025YTD多头超额8.16%，2025年多头月胜率8/9[8] **6 开盘后大单净买入强度因子**：历史IC 0.033，2025年IC 0.028，历史e^(-rank mae) 0.323，2025年e^(-rank mae) 0.322，9月多空收益1.59%，2025YTD多空收益12.01%，2025年月胜率8/9，9月多头超额1.21%，2025YTD多头超额6.55%，2025年多头月胜率8/9[8] **7 改进反转因子**：历史IC 0.032，2025年IC 0.016，历史e^(-rank mae) 0.324，2025年e^(-rank mae) 0.331，9月多空收益-0.74%，2025YTD多空收益4.14%，2025年月胜率5/9，9月多头超额-0.17%，2025YTD多头超额4.07%，2025年多头月胜率6/9[8] **8 尾盘成交占比因子**：历史IC 0.049，2025年IC 0.032，历史e^(-rank mae) 0.332，2025年e^(-rank mae) 0.323，9月多空收益3.11%，2025YTD多空收益15.09%，2025年月胜率7/9，9月多头超额1.03%，2025YTD多头超额6.55%，2025年多头月胜率6/9[8] **9 平均单笔流出金额占比因子**：历史IC 0.020，2025年IC 0.009，历史e^(-rank mae) 0.317，2025年e^(-rank mae) 0.319，9月多空收益-0.86%，2025YTD多空收益3.22%，2025年月胜率5/9，9月多头超额0.56%，2025YTD多头超额3.43%，2025年多头月胜率7/9[8] **10 大单推动涨幅因子**：历史IC 0.016，2025年IC 0.011，历史e^(-rank mae) 0.322，2025年e^(-rank mae) 0.327，9月多空收益2.62%，2025YTD多空收益7.76%，2025年月胜率7/9，9月多头超额1.48%，2025YTD多头超额3.63%，2025年多头月胜率6/9[8] 模型的回测效果 **1 中证500 AI增强宽约束组合**：上周超额收益-0.99%，9月超额收益-4.80%，2025YTD超额收益-0.06%，2025年周胜率23/40[11] **2 中证500 AI增强严约束组合**：上周超额收益-1.00%，9月超额收益-2.32%，2025YTD超额收益2.66%，2025年周胜率24/40[11] **3 中证1000 AI增强宽约束组合**：上周超额收益-1.48%，9月超额收益-1.06%，2025YTD超额收益7.53%，2025年周胜率26/40[11] **4 中证1000 AI增强严约束组合**：上周超额收益-0.79%，9月超额收益-0.12%，2025YTD超额收益13.11%，2025年周胜率25/40[11]

行业技术趋势 - 计算机视觉领域传统算法需求锐减，检测、分割等已被归类为传统算法，类似SVM、SIFT的地位 [8] - 市场需求高度集中于大模型、多模态、文生图/视频以及自动驾驶端到端大模型等前沿方向 [8] - 自动驾驶公司的感知岗位是计算机视觉领域内少数仍有需求的领域 [8] 企业招聘动态 - 2024年求职机会相比2021年显著增多，各大厂及知名中小厂均能提供较多面试机会 [8] - 面试流程密集，存在单日进行多达8场面试的情况，反映出招聘活动活跃 [4] - 企业招聘考核标准趋严，几乎所有公司都要求手写LeetCode代码题，高频题目包括实现NMS、MultiHeadSelfAttention、MLP的前向和反向、岛屿数量等 [9][11] 业务部门价值 - 公司中台部门业务价值受到质疑，缺乏自有业务，主要承接其他部门已深度优化的算法任务，难以形成系统性业务积累 [6] - 行业出现去中台化趋势，中台部门对求职者吸引力较低 [6] - 相比中台，拥有稳定业务的部门（如内容安全）更具吸引力 [6]

金驰教授学术晋升与贡献 - 华人学者金驰在普林斯顿大学晋升为终身副教授，任命于2026年1月16日正式生效[1][4] - 金驰于2019年加入普林斯顿大学电气与计算机工程系担任助理教授，在6年任期内AI学术影响力迅速提升[3] - 其晋升是对其在机器学习理论领域所做基础性贡献的高度认可，这些贡献为当前大语言模型的崛起提供了关键数学基石[4] - 金驰与杨笛一、杜少雷等华人学者于2024年获得斯隆奖[6] - 在Google Scholar上，其论文总引用次数已达13,588次[27] 核心理论贡献：非凸优化 - 金驰的研究解决了深度学习革命中的一个根本问题：为何像随机梯度下降这样简单的优化器能有效训练大规模非凸模型[8][9] - 其工作证明，只要存在少量噪声，简单的梯度方法就能有效逃离损失函数景观中的鞍点，并在多项式时间内继续向更优区域探索[12] - 代表性论文《How to Escape Saddle Points Efficiently》（ICML 2017）被引1,111次，《Accelerated Gradient Descent Escapes Saddle Points Faster than Gradient Descent》（COLT 2018）也是该领域奠基性工作[14][17] - 该理论成果解释了简单算法在复杂问题上表现出的“不合理的有效性”，让公司和研究机构敢于投入数十亿美元进行模型训练，确信底层优化过程稳健[17] 核心理论贡献：强化学习 - 金驰的研究为强化学习核心算法的样本效率建立了严谨证明，推动了理论突破[10][19] - 其工作首次证明了无模型算法在复杂设定下具备样本效率，达到了近乎最优的遗憾界限[22] - 代表性论文《Is Q-learning Provably Efficient?》（NIPS 2018）被引1,113次，《Provably Efficient Reinforcement Learning with Linear Function Approximation》（COLT 2020）被引997次[20][22][27] - 该理论保障为开发更稳健、可靠的强化学习算法提供指导，确保其能在高风险、关键应用中安全部署[23] 学术背景与影响 - 金驰拥有北京大学物理学学士学位和加州大学伯克利分校电气工程与计算机科学博士学位[25] - 其博士导师为机器学习领域泰斗Michael I Jordan教授，早期多篇关键论文均与Jordan合作完成[25] - 金驰团队近期领衔开发了最强开源数学定理证明模型“哥德尔-Prover”，其32B参数模型性能大幅超越前代SOTA DeepSeek 671B模型[31]

课程概述与更新 - 斯坦福大学CS230深度学习旗舰课程已更新至2025年秋季版，由吴恩达执教 [1] - 课程采用翻转课堂模式，学生需提前在Coursera上观看deeplearning.ai专项课程视频，再参加线下课程 [3] - 课程核心框架与往年相似，但针对最新AI发展进行了更新，最大变化是新增了GPT-5专题章节 [4] 2025秋季版核心更新 - 新增深入探讨OpenAI于2025年8月发布的GPT-5模型的专题章节，内容覆盖其特性、过度拒绝问题、安全行为机制、微调技术及创新的agentic workflows [4] - 增强了对生成模型的讲解，并整合了最新的RAG和AI Agents等热门技术，结合GPT-5进行案例分析 [6] - 更注重AI项目开发全生命周期，强调从科学、工程到决策的完整项目技能，推荐使用Workera等前沿评估工具 [6] 课程结构与师资 - 课程从9月底开始，持续约10周，包含编程作业、测验和最终的大型项目 [15][16] - 师资包括人工智能领域顶尖专家吴恩达（斯坦福大学客座教授，Coursera和DeepLearning.AI创始人）以及Kian Katanforoosh（斯坦福大学讲师，Workera创始人兼CEO） [15] 课程核心主题 - 覆盖从基础理论到前沿应用的完整知识体系，包括神经网络与深度学习基础、神经网络优化技术、机器学习项目构建策略 [18][20] - 深入讲解卷积神经网络（CNN）在图像分类等领域的应用，以及循环神经网络（RNN）在自然语言处理等序列任务中的应用 [20] - 探索前沿高级主题，如生成对抗网络（GANs）、深度强化学习、对抗性攻击，并提供行业与学术洞见及AI职业发展建议 [20]

文章核心观点 - 文章推荐了一份由Ilya Sutskever精选的30篇AI领域前沿论文合集，该合集覆盖了近15年AI发展的里程碑成果，以"技术底层-能力突破-场景落地"为主线，串联了AI从感知智能到认知智能的关键跃迁 [4] - 该论文合集旨在帮助投资者、从业者与研究者系统梳理AI技术演进脉络，深刻理解当前AI产业落地的机遇与挑战，实现专业能力的高效提升 [1][5] - 合集内容不仅清晰拆解了残差映射、动态指针网络等专业术语的技术逻辑，还通过论文中的实验数据和架构设计，为从业者提供从理论到落地的参考路径 [5] 论文合集技术框架 - 合集涵盖奠定深度学习基础的CNN、RNN，重构自然语言处理领域的Transformer与自注意力机制，以及推动RAG、多步推理等前沿方向的核心研究 [4] - 每篇论文都是对应技术领域的奠基之作，直接关联当前AI产业落地的核心能力底座，包括《GPipe》中的并行训练方案如何降低大模型算力成本，《Retrieval-Augmented Generation》如何解决AI幻觉问题以适配金融、医疗等高精度场景 [4][5] 代表性论文技术要点 深度学习基础架构 - ImageNet Classification with Deep Convolutional Neural Networks论文提出的CNN架构包含5个卷积层和3个全连接层，在ILSVRC-2010数据集上top-5错误率为17.0%，显著优于此前方法 [48][52] - Deep Residual Learning for Image Recognition提出的残差网络通过残差块简化了深层网络训练，152层ResNets在ImageNet等数据集上性能优于VGG nets [73][77] - Recurrent Neural Network Regularization提出将dropout技术应用于LSTM的新方法，在Penn Tree Bank数据集上词级困惑度显著降低 [21][24] 注意力机制与Transformer - Attention is All You Need完全依赖自注意力机制提出Transformer架构，在WMT 2014 English-to-German翻译任务中BLEU分数达到28.4，比当时最先进模型高出2个多BLEU点 [105][117] - Neural Machine Translation by Jointly Learning to Align and Translate引入注意力机制解决固定长度向量瓶颈问题，在WMT '14 English-to-French翻译任务上BLEU分数显著提升 [119][126] 模型扩展与优化技术 - GPipe通过微批量流水线并行技术实现大型神经网络高效训练，支持训练包含60亿参数、128层的Transformer模型，在ImageNet-2012数据集上top-1准确率达到84.4% [62][72] - Scaling Laws for Neural Language Models发现模型性能与参数规模遵循幂律关系，更大规模模型具有更高样本效率，在固定计算预算下训练极大型模型是最优策略 [212][218] 特定应用领域突破 - Neural Message Passing for Quantum Chemistry提出的MPNNs框架在QM9数据集上13种性质中有11种达到化学精度，为分子性质预测提供强大工具 [94][101] - Deep Speech 2端到端语音识别模型在英语和普通话上均实现高准确率，在WSJ、LibriSpeech等基准测试中性能超过人类转录员 [203][209] - Pointer Networks提出新型神经架构解决输出词典大小可变问题，在计算平面凸包、德劳内三角剖分等几何问题上性能显著优于传统序列到序列模型 [37][45] 技术演进趋势 - 从传统神经网络到残差网络、注意力机制的演进表明，通过架构创新可有效解决梯度消失、长期依赖关系等核心挑战 [73][105] - 模型规模与性能关系研究为大规模神经网络训练提供理论指导，计算效率最优策略推动行业向极大型模型方向发展 [212][224] - 多令牌预测等新型训练方法重新定义LLMs处理文本方式，通过并行预测多个未来令牌提升模型效率和速度 [259][264]

人工智能革命的性质与前景 - 人工智能革命被视为人类社会的最后一次技术革命，其发展将经历数十年乃至数百年，并可能伴随能源核聚变的突破 [1] - 该革命是技术革命的核心驱动力，旨在实现机器的自主决策能力，依赖机器学习、深度学习和大模型等核心技术 [3] - 人工智能革命将重塑产业格局，并对国防、医疗、金融等关键领域产生深远影响 [3] 技术发展中的挑战与代价 - 技术突破往往伴随着牺牲，具体表现为科研人员在推动前沿应用时承担的风险 [1] - 发展过程中需面对伦理、法律与安全挑战 [3] - 在推动人工智能技术，尤其是国防应用时，已有专家因公牺牲，例如国防科技大学38岁的冯旸赫副教授于2023年7月1日在北京执行任务期间因车祸不幸牺牲 [5] 案例分析：冯旸赫的贡献与牺牲 - 冯旸赫是中国著名指挥控制和人工智能领域专家，专注于兵棋推演、智能辅助决策等军事人工智能研究 [5] - 其贡献在于提升国防系统的智能决策能力 [5] - 官方通报将其牺牲定性为“因公牺牲”，未证实关于外部干预的猜测，强调其在人工智能军事应用领域的贡献 [7]

公司招聘流程 - 公司招聘流程包括笔试和五轮技术面试 [3] - 笔试包含三道算法题，涉及图搜索、模拟和动态规划，难度为LeetCode中等水平 [4] - 每轮面试均包含1-2道算法题，涉及链表操作、动态规划、堆排序和DFS等 [3][6][8][11][14] 技术面试内容 - 面试问题涵盖项目经验、规划控制算法和深度学习等多个技术领域 [5][8][11][12] - 规划控制相关问题包括MPC优化问题构造、Hybrid A*算法流程和运动学约束算法改进等 [5][8][12] - 深度学习相关问题涉及目标检测、关键点检测和图像处理等 [8][11] 算法与数据结构 - 笔试算法题通过率分别为90%、0%和70%，主要考察动态规划和异或操作 [4] - 面试算法题包括链表合并、棋盘路径规划和TopK问题等，要求实现多种解法和优化 [6][8][11][14] - 算法实现要求涵盖递归、迭代、记忆化搜索和STL容器应用等 [8][11][14] 职位与团队 - 公司职位划分非常细致，专注于特定技术方向如规划控制和自动泊车 [3][7][12] - 团队合作紧密，工作中会参考学术论文并开展组内组间协作 [9][13] - 招聘流程包含英文技术面试，由技术主管考察项目经验和算法基础 [14] 行业技术趋势 - 自动驾驶技术栈呈现趋同态势，技术方案向统一化方向发展 [22] - 行业出现One Model、VLM和VLA等技术趋势，技术壁垒不断提高 [22] - 技术发展方向涵盖端到端自动驾驶、大模型和多模态3D目标检测等多个领域 [27]

编辑丨骆一帆 港股又迎来一家自动驾驶公司。 近日，魔视智能科技（上海）股份有限公司（下称"魔视智能"）向港交所递交上市申请。经历8轮融资 后，这家由上海交大博士带领的智驾企业终于要开始冲刺资本市场了。 不过，虽然已交付逾330万套解决方案、用于92款车型。但激烈的市场竞争下，魔视智能过去3年累计亏 损超6.6亿元，尚未实现盈利。 图源：公司官网 记者丨邓浩 上交大博士车库创业 魔视智能成立于2015年，是一家AI创新驱动的智能驾驶解决方案提供商，主要为主机厂及一级供货商 提供具备L0-L4级智能驾驶功能的一体化软硬件解决方案。 创始人虞正华出生于1972年，有丰富的学界和产业界经验，魔视智能是其二次创业的产物。虞正华拥有 上海交通大学模式识别博士学位，并曾任博康智能副总裁、澳大利亚国家信息通信技术研究院 （NICTA）高级研究员、新南威尔士大学博士生导师等职。 | 姓名 | 职务 | 任郎日期 | 性别 | 出生年份 | | --- | --- | --- | --- | --- | | > 虞正华 | 董事会主席 | | | 1972 | 虞正华第一次创业是2008年，当时主要瞄准的是把AI应用到智能交通领 ...

公司概况与上市动态 - 魔视智能科技（上海）股份有限公司向港交所递交上市申请，冲刺资本市场 [1] - 公司是一家AI创新驱动的智能驾驶解决方案提供商，提供L0-L4级一体化软硬件解决方案 [3] - 公司由上海交通大学模式识别博士虞正华于2015年创立，是其第二次创业 [3] - 公司已交付超过330万套解决方案，应用于92款车型 [1] 创始人背景与公司发展历程 - 创始人虞正华拥有上海交通大学博士学位，曾任博康智能副总裁、澳大利亚NICTA高级研究员等职 [3] - 虞正华首次创业的公司于2015年前后登陆上交所主板 [3] - 公司于2015年在10平方米的车库中，由虞正华与五位朋友共同创立 [3] - 2016年推出第一代基于深度学习的嵌入式车规级ADAS产品 [4] - 2018年其ADAS前视产品在比亚迪率先实现前装量产 [4] 市场地位与合作伙伴 - 按2024年收入计，魔视智能在中国智能驾驶解决方案的国内第三方解决方案提供商中排名第八，市场份额约为0.4% [4] - 合作伙伴包括广汽、比亚迪、吉利、奇瑞、北汽、长城、长安、东风、上汽、一汽等主要主机厂 [4] 财务表现 - 营收从2022年的1.18亿元人民币增长至2024年的3.57亿元人民币，三年增长超两倍 [6][7] - 2025年上半年营收为1.89亿元人民币，同比增长76.4% [6][7] - 2022年至2024年累计净亏损超过6.6亿元人民币 [1][6] - 2022年净亏损2.00亿元人民币，2024年净亏损扩大至2.33亿元人民币 [6][7] - 2025年上半年净亏损1.12亿元人民币 [6][7] - 毛利率从2022年的25.6%下降至2024年的14.2%，2025年上半年回升至20.1% [6] - 研发开支占收入比例从2022年的108.4%显著下降至2024年的44.9%，2025年上半年为44.5% [6] 行业背景与市场空间 - 中国汽车产业正从电动化进入智能化阶段 [5] - 中国L0至L2+智能驾驶解决方案市场规模从2020年的216亿元人民币快速增长至2024年的912亿元人民币，复合年增长率为43.3% [5] - 预计该市场规模将于2029年达到2,281亿元人民币，2024年至2029年复合年增长率为20.1% [5] 公司面临的挑战与未来策略 - 自动驾驶产业价值链转移，主机厂转向自研，加剧了第三方解决方案提供商的竞争压力 [7] - 公司计划通过深化与现有客户关系、扩大客户群、提高研发效率、控制成本及提高运营效率等策略向可持续盈利过渡 [7]

全球顶尖科学家榜单发布 - 斯坦福大学与爱思唯尔联合发布2025全球前2%顶尖科学家榜单 基于标准化引文指标识别全球顶尖2%科学家 使用终身职业生涯和单一年度引文数据 在22个科学领域和174个子领域评估研究影响[1][20][22] - 排序基于复合指标c-score 综合考虑总引用次数 NC 引用次数的Hirsch H指数 H 引用次数的Schreiber合作作者调整后的Hm指数 Hm 科学家作为唯一作者的论文总引用次数 NCS 科学家作为唯一作者或第一作者的论文总引用次数 NCSF 科学家作为唯一作者 第一作者或最后作者的论文总引用次数 NCSFL[22] - 通过六个单调递增指标选出排名前3万名科学家 计算职业生涯整体影响力的复合指标公式通过对6个指标求和得出[22] 中国学者表现 - 中国共有1435人入选终身影响力榜单 2270人入选年度影响力榜单[2] - 清华大学以746位学者入选 全球大学排名第四 仅次于哈佛医学院 工程学院和牛津大学 超越斯坦福大学的718位[3][5] - 南京大学周志华教授全球排名526位 腾讯张正友博士全球排名969位 入选终身科学影响力排行榜前1000[5] - 周志华教授同时位列年度科学影响力排行榜第182位 张正友博士位列第588位[6][7] 顶尖科学家个人成就 - 周志华教授现任南京大学副校长 国际人工智能联合会理事会主席 ACM AAAAI IEEE Fellow 谷歌学术引用总数超过108,482次 h指数132 i10指数492 主要研究人工智能 机器学习与数据挖掘 著有《机器学习》等四部中英文著作[7][9][10] - 张正友博士现任腾讯首席科学家 腾讯Robotics X实验室主任 ACM/IEEE Fellow 谷歌学术引用总数80,397次 h指数108 i10指数346 是世界著名计算机视觉 语音处理 多媒体技术和机器人专家 发明了普遍采用的"张氏方法"摄像机标定法 2013年获IEEE Helmholtz时间考验奖 2025年获AISTATS时间考验奖[12][13][14] 全球顶尖科学家排名 - 中国科学院王中林教授以2,836篇论文位列全球第一[6] - 图灵奖得主Yoshua Bengio入选年度Top 10科学家 因深度学习开创性工作与Geoffrey Hinton和Yann LeCun共同获得2018年图灵奖 是引用次数最多 h指数最高的计算机科学家之一[17][19]