Vladimir Vapnik

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

他生於前蘇聯。⁠[2]

1958年，他在蘇聯撒馬爾罕的Uzbek State University獲數學碩士學位。⁠[3]

1961年至1990年，他在莫斯科Institute of Control Sciences工作，後升任計算機科學研究部主任；1964年他在該所獲統計學博士學位。⁠[2]

該所所史記載，1960年代初他與Alexey Chervonenkis加入Lerner實驗室，1962年至1971年共同發展了用於模式識別的“generalized portrait”（廣義肖像）方法。⁠[1]

他與Chervonenkis在1966年7月以草稿形式得到相對頻率一致收斂的結果，1968年在Soviet Mathematics Doklady發表簡報，1971年在Теория вероятностей и ее применения（概率論及其應用）發表完整證明。⁠[4]

該論文給出了在事件類上頻率一致收斂於概率的充分條件，以及兼顧概率測度性質的充要條件。⁠[5]

IEEE歷史中心的傳記稱，由此形成的Vapnik-Chervonenkis（VC）學習理論確立了表示學習機器侷限的基本量，他後來又提出處理泛化問題的結構風險最小化原則。⁠[6]

1974年，他與Chervonenkis合著的Теория распознавания образов（模式識別理論）在莫斯科出版。⁠[1]

1982年，Springer在紐約出版其Estimation of Dependences Based on Empirical Data。⁠[7]

1990年移居美國後，他加入AT&T Bell Labs，並在那裡與同事發展了支持向量機理論。⁠[8]

1992年，他與Bernhard E. Boser、Isabelle Guyon在計算學習理論年會（COLT）上發表論文，提出使訓練樣本與決策邊界間隔最大化的訓練算法，其解表示為距邊界最近的“supporting patterns”（支持模式）的線性組合。⁠[9]

1995年，他與Corinna Cortes在Machine Learning期刊發表“Support-Vector Networks”，將支持向量網絡推廣到不可分的訓練數據，並在光學字符識別基準上與多種經典算法比較。⁠[10]

同年，他被任命為Royal Holloway, University of London計算機科學與統計學教授。⁠[3]

同年出版的The Nature of Statistical Learning Theory描述了計算或生物系統能夠學習一項任務的一般條件及學習速度。⁠[7]

2002年他加入普林斯頓Princeton UniversityPrinceton University（普林斯頓大學）是位於美國新澤西州普林斯頓的私立大學、常春藤盟校成員。學校於1746年10月22日獲特許狀，原名 College of New Jersey，1756年遷至普林斯頓，1896年改用現名。本科教育授予文學學士與工程理學學士，強調小班討論、獨立研究及住宿學院生活；研究生教育覆蓋人文、社會科學、自然科學和工程領域。截至2026年10月，校長為 Christopher L. Eisgruber。學校2026—2027年度運營預算為34.07億美元，本科助學預算為3.42億美元。點擊查看完整詞條NEC Laboratories，在此工作至2014年；2003年起兼任Columbia University計算機科學教授。⁠[2]

2006年，他當選美國國家工程院院士，當選理由為“insights into the fundamental complexities of learning and for inventing practical and widely applied machine-learning algorithms”（對學習基本複雜性的洞見，以及發明實用且廣泛應用的機器學習算法）。⁠[11]

2011年12月，Franklin Institute公佈2012年獲獎名單，時任NEC Laboratories研究員的他獲Benjamin FranklinBenjamin FranklinBenjamin Franklin（本傑明·富蘭克林，1706年1月17日—1790年4月17日）是北美殖民地與美國建國時期的印刷商、出版人、科學家、外交家和政治家，美國開國元勳之一。他在費城經營《Pennsylvania Gazette》並出版《Poor Richard's Almanack》，創辦北美首家借閱圖書館，倡議創辦後來的賓夕法尼亞大學；他以電學實驗和避雷針等發明聞名，曾任美國首任郵政總長，參與起草《獨立宣言》，在法國簽訂美法條約，並簽署結束獨立戰爭的《巴黎條約》。點擊查看完整詞條 Medal in Computer and Cognitive Science，表彰他對機器學習理解的基礎性貢獻及發明廣泛使用的機器學習技術。⁠[12]

2014年11月，FacebookFacebookFacebook（臉書）是 Meta 旗下的社交網絡平臺，2004年從哈佛校園上線，逐步發展出動態消息、照片與視頻分享、群組及 Marketplace 等功能。平臺保留 Facebook 名稱，母公司在2021年採用 Meta 品牌；兩者的用戶與財務數據應按各自口徑理解。點擊查看完整詞條 AI Research宣佈他已加入，稱他是統計學習理論之父和支持向量機的共同發明者。⁠[13]

他在FAIR與Jason Weston、Ronan Collobert和Yann LeCunYann LeCunYann LeCun 是計算機科學家，研究人工智能、機器學習與計算機視覺，任紐約大學教授及 AMI Labs 執行董事長。他曾在貝爾實驗室和AT&T從事手寫識別與圖像研究，創立並領導Facebook人工智能研究機構，後任Meta首席AI科學家。他與Geoffrey Hinton、Yoshua Bengio共同獲得2018年度圖靈獎，近年主要推動世界模型和開放人工智能研究。點擊查看完整詞條等長期合作者共事；1995年他曾與LeCun打賭，認為到2000年神經網絡將不再用於嚴肅用途，結果輸掉了賭約。⁠[14]

2016年12月，Columbia University宣佈他因發展統計學習理論和支持向量機獲IEEE John von Neumann Medal；他此前還獲2008年Paris Kanellakis Award等獎項。⁠[8]

2018年11月16日，他做客Lex FridmanLex FridmanLex Fridman 是生於蘇聯、在美國長大的計算機科學家和播客主持人，任 MIT 研究科學家，研究人機交互與自動駕駛。他主持的 Lex Fridman Podcast 以數小時長篇對話著稱，嘉賓包括多國領導人和科技企業領袖。點擊查看完整詞條 Podcast第5期“Statistical Learning”，節目介紹稱他是支持向量機、支持向量聚類和VC理論的共同發明者，並會談及當前人工智能方法的侷限與開放問題。⁠[15]

2019年，他與Rauf Izmailov在Machine Learning期刊提出“Learning Using Statistical Invariants”（LUSI）範式：學習機器先計算問題特有的統計不變量，再在保持這些不變量的前提下最小化期望誤差，同時利用強收斂與弱收斂機制。⁠[16]

2020年，他與Izmailov在第九屆Conformal and Probabilistic Prediction and Applications研討會論文集發表論文，把同時使用強、弱兩種收斂模式的理論稱為“complete statistical theory of learning”（完整統計學習理論），並給出LUSI-SVM與LUSI-NN等算法。⁠[17]

2020年2月14日，他再次做客Lex Fridman Podcast（第71期），題為“Predicates, Invariants, and the Essence of Intelligence”，話題包括謂詞、強收斂與弱收斂、深度學習與智能本質、符號人工智能和學習理論中的哲學。⁠[18]

2020年2月，BBVA基金會宣佈將第12屆前沿知識獎信息與通信技術類授予他與Isabelle Guyon、Bernhard Schölkopf，以表彰他們對機器學習的基礎性貢獻；評委稱支持向量機與核方法是“a major machine learning paradigm in both research and applications”（研究和應用中的一大機器學習範式）。⁠[19]

獲獎後他說：“You cannot give the machine the rule, the machine has to learn the rule.”（不能把規則交給機器，機器必須自己學會規則。）⁠[19]

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

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