Vladimir Vapnik

Vladimir Naumovich Vapnik（Владимир Наумович Вапник）生于1936年12月6日。⁠[1]

他生于前苏联。⁠[2]

1958年，他在苏联撒马尔罕的Uzbek State University获数学硕士学位。⁠[3]

1961年至1990年，他在莫斯科Institute of Control Sciences工作，后升任计算机科学研究部主任；1964年他在该所获统计学博士学位。⁠[2]

该所所史记载，1960年代初他与Alexey Chervonenkis加入Lerner实验室，1962年至1971年共同发展了用于模式识别的“generalized portrait”（广义肖像）方法。⁠[1]

他与Chervonenkis在1966年7月以草稿形式得到相对频率一致收敛的结果，1968年在Soviet Mathematics Doklady发表简报，1971年在Теория вероятностей и ее применения（概率论及其应用）发表完整证明。⁠[4]

该论文给出了在事件类上频率一致收敛于概率的充分条件，以及兼顾概率测度性质的充要条件。⁠[5]

IEEE历史中心的传记称，由此形成的Vapnik-Chervonenkis（VC）学习理论确立了表示学习机器局限的基本量，他后来又提出处理泛化问题的结构风险最小化原则。⁠[6]

1974年，他与Chervonenkis合著的Теория распознавания образов（模式识别理论）在莫斯科出版。⁠[1]

1982年，Springer在纽约出版其Estimation of Dependences Based on Empirical Data。⁠[7]

1990年移居美国后，他加入AT&T Bell Labs，并在那里与同事发展了支持向量机理论。⁠[8]

1992年，他与Bernhard E. Boser、Isabelle Guyon在计算学习理论年会（COLT）上发表论文，提出使训练样本与决策边界间隔最大化的训练算法，其解表示为距边界最近的“supporting patterns”（支持模式）的线性组合。⁠[9]

1995年，他与Corinna Cortes在Machine Learning期刊发表“Support-Vector Networks”，将支持向量网络推广到不可分的训练数据，并在光学字符识别基准上与多种经典算法比较。⁠[10]

同年，他被任命为Royal Holloway, University of London计算机科学与统计学教授。⁠[3]

同年出版的The Nature of Statistical Learning Theory描述了计算或生物系统能够学习一项任务的一般条件及学习速度。⁠[7]

2002年他加入普林斯顿Princeton UniversityPrinceton University（普林斯顿大学）是位于美国新泽西州普林斯顿的私立大学、常春藤盟校成员。学校于1746年10月22日获特许状，原名 College of New Jersey，1756年迁至普林斯顿，1896年改用现名。本科教育授予文学学士与工程理学学士，强调小班讨论、独立研究及住宿学院生活；研究生教育覆盖人文、社会科学、自然科学和工程领域。截至2026年10月，校长为 Christopher L. Eisgruber。学校2026—2027年度运营预算为34.07亿美元，本科助学预算为3.42亿美元。点击查看完整词条NEC Laboratories，在此工作至2014年；2003年起兼任Columbia University计算机科学教授。⁠[2]

2006年，他当选美国国家工程院院士，当选理由为“insights into the fundamental complexities of learning and for inventing practical and widely applied machine-learning algorithms”（对学习基本复杂性的洞见，以及发明实用且广泛应用的机器学习算法）。⁠[11]

2011年12月，Franklin Institute公布2012年获奖名单，时任NEC Laboratories研究员的他获Benjamin FranklinBenjamin FranklinBenjamin Franklin（本杰明·富兰克林，1706年1月17日—1790年4月17日）是北美殖民地与美国建国时期的印刷商、出版人、科学家、外交家和政治家，美国开国元勋之一。他在费城经营《Pennsylvania Gazette》并出版《Poor Richard's Almanack》，创办北美首家借阅图书馆，倡议创办后来的宾夕法尼亚大学；他以电学实验和避雷针等发明闻名，曾任美国首任邮政总长，参与起草《独立宣言》，在法国签订美法条约，并签署结束独立战争的《巴黎条约》。点击查看完整词条 Medal in Computer and Cognitive Science，表彰他对机器学习理解的基础性贡献及发明广泛使用的机器学习技术。⁠[12]

2014年11月，FacebookFacebookFacebook（脸书）是 Meta 旗下的社交网络平台，2004年从哈佛校园上线，逐步发展出动态消息、照片与视频分享、群组及 Marketplace 等功能。平台保留 Facebook 名称，母公司在2021年采用 Meta 品牌；两者的用户与财务数据应按各自口径理解。点击查看完整词条 AI Research宣布他已加入，称他是统计学习理论之父和支持向量机的共同发明者。⁠[13]

他在FAIR与Jason Weston、Ronan Collobert和Yann LeCunYann LeCunYann LeCun 是计算机科学家，研究人工智能、机器学习与计算机视觉，任纽约大学教授及 AMI Labs 执行董事长。他曾在贝尔实验室和AT&T从事手写识别与图像研究，创立并领导Facebook人工智能研究机构，后任Meta首席AI科学家。他与Geoffrey Hinton、Yoshua Bengio共同获得2018年度图灵奖，近年主要推动世界模型和开放人工智能研究。点击查看完整词条等长期合作者共事；1995年他曾与LeCun打赌，认为到2000年神经网络将不再用于严肃用途，结果输掉了赌约。⁠[14]

2016年12月，Columbia University宣布他因发展统计学习理论和支持向量机获IEEE John von Neumann Medal；他此前还获2008年Paris Kanellakis Award等奖项。⁠[8]

2018年11月16日，他做客Lex FridmanLex FridmanLex Fridman 是生于苏联、在美国长大的计算机科学家和播客主持人，任 MIT 研究科学家，研究人机交互与自动驾驶。他主持的 Lex Fridman Podcast 以数小时长篇对话著称，嘉宾包括多国领导人和科技企业领袖。点击查看完整词条 Podcast第5期“Statistical Learning”，节目介绍称他是支持向量机、支持向量聚类和VC理论的共同发明者，并会谈及当前人工智能方法的局限与开放问题。⁠[15]

2019年，他与Rauf Izmailov在Machine Learning期刊提出“Learning Using Statistical Invariants”（LUSI）范式：学习机器先计算问题特有的统计不变量，再在保持这些不变量的前提下最小化期望误差，同时利用强收敛与弱收敛机制。⁠[16]

2020年，他与Izmailov在第九届Conformal and Probabilistic Prediction and Applications研讨会论文集发表论文，把同时使用强、弱两种收敛模式的理论称为“complete statistical theory of learning”（完整统计学习理论），并给出LUSI-SVM与LUSI-NN等算法。⁠[17]

2020年2月14日，他再次做客Lex Fridman Podcast（第71期），题为“Predicates, Invariants, and the Essence of Intelligence”，话题包括谓词、强收敛与弱收敛、深度学习与智能本质、符号人工智能和学习理论中的哲学。⁠[18]

2020年2月，BBVA基金会宣布将第12届前沿知识奖信息与通信技术类授予他与Isabelle Guyon、Bernhard Schölkopf，以表彰他们对机器学习的基础性贡献；评委称支持向量机与核方法是“a major machine learning paradigm in both research and applications”（研究和应用中的一大机器学习范式）。⁠[19]

获奖后他说：“You cannot give the machine the rule, the machine has to learn the rule.”（不能把规则交给机器，机器必须自己学会规则。）⁠[19]

Columbia University：官网：https://www.columbia.edu/（在新窗口打开）⁠[8]

Institute of Control Sciences：官网：https://www.ipu.ru/en（在新窗口打开）⁠[3]