最近人工智能领域著名杂志 IEEE Intelligent Systems公布了 2022 年度「人工智能十大新星」（AI's 10 to Watch）名单 ，其中有九位都是华人研究者。
评选委员会由2名华人、5名非华人组成，从30多位提名竞争者中，根据科研质量、声誉、影响以及博士毕业以来的专家认可度，通过电子邮件和现场会议进行的多轮讨论后最终确定了这份几乎全华人获奖的名单。
不过获奖的过程却并非一帆风顺。
由于没有美国人和西方人获奖，此次名单也引起了IEEE计算机协会领导层的极大不满，并以政治正确为由，要求同为华人、Intelligent Systems主编、悉尼科技大学的操龙兵教授修改或重做获奖名单。
但举贤不避亲，操龙兵教授在压力下依然坚持原有的人选，不过代价却是被中止了IS的主编工作。
恭喜九位华人获奖者，这份榜单也充分显示了华人科学家在人工智能领域的实力和潜力！
人工智能十大新星
李博
李博博士是美国伊利诺伊大学厄巴纳-香槟分校计算机科学系的助理教授，曾获得IJCAI计算机和思想奖的获得者;阿尔弗雷德·斯隆研究奖学金;美国国家科学基金会（NSF）职业生涯奖;马萨诸塞州理工学院技术评论TR-35奖院长卓越研究奖; C.W. Gear杰出青年教师奖等，并在多个顶级机器学习和安全会议上获得最佳论文奖。
她的研究主要集中在可信机器学习（ML）、安全性、ML和博弈论的理论和实践，将领域知识和逻辑推理能力集成到数据驱动的统计ML模型中，以提高学习的鲁棒性，并为高维数据设计了可扩展的隐私保护数据发布框架。
她的研究成果为学习系统的可信度提供了严格的保证，并已被部署在工业应用中。
刘同亮
刘同亮博士是澳大利亚悉尼大学高级讲师，同时也是阿联酋人工智能大学机器学习系客座副教授，于悉尼科技大学获得博士学位。
他的主要研究方向为理解和设计机器学习算法，以解决可信机器学习领域的问题。
在需要大规模有标签数据的领域，往往存在严重的错误标签问题，如计算机视觉、自然语言处理和数据挖据领域，他在有噪声标签的机器学习理论和算法方面的工作成果对这些领域有重大贡献。
聂礼强
聂礼强博士是哈尔滨工业大学（深圳）计算机科学与技术学院院长及教授，主要致力于多媒体内容分析和搜索，特别强调数据驱动的多模态学习和知识引导的多模态推理，开创了多模态之间建模一致（modeling of consistent）、互补（complementary）和部分对齐（partial alignment）的关系。
他在顶级会议、期刊上发表过100多篇论文以及出版了五本书，曾获得2021年SIGIR最佳学生论文奖，2022年ACM MM最佳论文奖等，目前谷歌被引次数超过1.7万。
Soujanya Poria
Soujanya Poria是新加坡科技与设计大学（SUTD）的助理教授，于英国斯特灵大学的计算机科学专业获得博士学位，曾在ACL，EMNLP，AAAI等顶级会议和期刊上发表了100多篇论文，并获得IEEE CIM杰出论文奖和ACM ICMI最佳论文奖荣誉奖。
他对融合来自文本、音频和视觉模态的信息进行了开创性的研究，可用于各种行为和情感任务，显著改善了依赖多模态数据的系统，为各种新的研究途径铺平了道路。
他的最新研究方向是关于信息抽取、视觉语言推理，以及基于常识、基于上下文的因果解释来理解人类对话。
Deqing Sun
Deqing Sun博士是Google的研究科学家，其研究成果对计算机视觉做出了重大贡献，特别是在运动估计方面。
他在光流（Classic+NL和PWC-Net）方面的工作非常有影响力，并一直在为NVIDIA RTX平台中的Super SloMo，Face Unblur和Google Pixel手机上的Fusion Zoom等商业应用提供支持。
他曾担任CVPR/ICCV/ECCV的区域主席，并在CVPR/ECCV/SIGGRAPH共同组织了几次研讨会/教程。他是2018年CVPR最佳论文荣誉奖获得者，2022年CVPR最佳论文决赛选手，2020年PAMI青年研究员奖以及2020年CVPR Longuet-Higgins奖。
孙怡舟
孙怡舟博士是加州大学洛杉矶分校计算机科学系的副教授，于2012年在伊利诺伊大学厄巴纳-香槟分校的计算机科学专业获得博士学位。
她的主要研究方向是挖掘图/网络，更一般地说，数据挖掘、机器学习和网络科学，重点是建模新问题，并提出可扩展的算法，用于大规模的现实世界的应用。
她是异构信息网络（HIN）挖掘的先驱，最近的研究专注于深度图学习、神经符号推理，并为多智能体动力系统提供神经解决方案。她的工作具有广泛的应用范围，从电子商务，医疗保健，材料科学到硬件设计。
汤继良
汤继良博士是密歇根州立大学的校级教授，致力于图ML和可信AI及其在教育和生物学中的应用，他的贡献包括提出了行业内高引用的算法、开发了多个业内流行的系统。
他的研究兴趣包括图形机器学习及其在社交媒体和生物学中的应用，曾与剑桥大学出版社合作撰写了第一本综合性的书《图深度学习》（Learning on Graphs），并开发了各种开源工具，包括用于特征选择的scikit-feature，用于可信AI的DeepRobust，以及用于单细胞分析的DANCE。
他曾获得多个奖项，包括2022年IAPR J.K.Aggarwal奖、2022年SIAM/IBM早期职业研究奖、2021年IEEE ICDM Tao Li奖、2021年IEEE大数据安全少年研究奖、2020年ACM SIGKDD星星奖、2019年NSF CAREER奖，以及八项最佳论文奖（或亚军）。
汪张扬
汪张扬博士是美国得克萨斯大学奥斯汀分校电子和计算机工程助理教授，2012年本科毕业于中国科学技术大学，2016年博士毕业于伊利诺伊大学厄巴纳-香槟分校，致力于高效可靠的机器学习，研究方向涵盖机器学习理论到应用的各个方面。
他近期的研究方向是在经典优化到现代神经网络中，利用、理解和扩展稀疏性的作用，研究成果涵盖多个重要课题，如大型基础模型的有效训练/推理/迁移，鲁棒性和可信度，学习优化，生成式人工智能和图学习等。
他获得过许多奖项和荣誉，包括NSF职业奖，ARO青年研究者奖，INNS Aharon Katzir青年研究者奖，首届LoG会议2022最佳论文奖，以及多个行业教师研究奖以及研究竞赛奖，同时也是ACM杰出演讲者和IEEE高级会员。
阴红志
阴红志博士是昆士大学信息技术与电气工程学院的副教授，于北京大学获得博士学位，致力于可信的数据智能，将数据转化为各种行业和场景中的隐私保护，以及可解释和公平的智能服务。
他也是研究和开发下一代智能系统和算法的领先专家，可以用于轻量级设备上的预测分析以及对海量和异构数据的推荐和分散式（decentralized）机器学习。
他的研究成果曾获得第35届IEEE国际数据工程会议（ICDE 2019）最佳论文奖，第25届国际数据库系统高级应用会议（DASFAA 2020）最佳学生论文奖，第20届国际数据挖掘会议（ICDM 2018）最佳论文提名，以及北京大学杰出博士学位。
Liang Zheng
Liang Zheng博士是澳洲国立大学的高级讲师，2015年博士毕业于清华大学，致力于以数据为中心的计算机视觉，提高训练和验证数据的质量，预测没有标签的测试数据难度（test data difficulty），为以模型为中心的开发提供了一个补充的视角。
他最著名的成果是在物体重识别方面的贡献，与合作者共同设计了广泛使用的数据集和算法，如Market-1501（ICCV 2015），基于部分的卷积基线（ECCV 2018），随机擦除（AAAI 2020）以及联合检测和嵌入（ECCV 2020）。
他最近的研究方向是以数据为中心的计算机视觉，其中主要关注的是提高利用率，分析和改进数据而非算法。
