伊藤清（Kiyoshi Ito）是当代最伟大的数学家之一。他将微积分方法扩展到随机过程，建立了伊藤微积分。该方法被广泛应用到随机微分方程、金融数学等领域。我在日本京都大学读本科生时，正值伊藤先生从京大退休。去聆听了他的最终讲义。伊藤先生报告的结束语让我至今记忆犹新。他说：“我做数学，是因为数学太有趣了。”全场响起了经久不息的掌声。
笛阿孔尼斯(Persi Diaconis)是著名的统计学家。他14岁开始当魔术师，18岁时买了一本概率书，发现根本读不懂，于是24岁时开始在夜校学习数学。后来他在哈佛大学拿到数学博士，成为斯坦福大学教授，还当上了美国科学院院士。笛阿孔尼斯的一个著名研究成果是他证明洗扑克牌七次才能洗干净，不愧是魔术师出身的数学家。听过笛阿孔尼斯的关于排序学习的讲演。印象深的是他很投入，讲演中会时不时地闭上眼睛，完全进入自己的世界。
Leo Breiman是杰出的统计学家，曾发明CART与Bagging算法。Breiman认为现在的数学教育大多是失败的。重要的是要让孩子们喜欢数学，因为数学是非常有趣的。他曾亲自去小学五年级教数学。Breiman生前回忆那段经历时说：“我们一起做了各种游戏。他们在游戏中学习了解析几何、代数以及其他各种复杂的东西。”
Peter Bartlett创立了学习泛化能力的分析手法，是机器学习理论的领军人物。Peter的机器学习讲义思路清晰、证明严谨、叙述简明，读起来让人觉得是一种享受。有一次，Peter儿子的学校请他给小学生们讲一堂课，内容是微积分！他说花了很大功夫备课，但也可见他理论功底之深。
Ross Quinlan 2011年获得了数据挖掘领域最高荣誉奖KDD创新奖。十多年前听过Quinlan先生的报告。即将结束时，一位听众冒昧地问：“什么是方差？”这位相貌酷似林肯的澳大利亚绅士耐心地解释说：“我不是统计学家。方差是…”八十年代末九十年代初，当人们还在用手工的方法构建专家系统时，Quinlan发明了著名决策树学习算法ID3、C4.5，闯出一条数据驱动、统计学习的新路，实在难能可贵。
Michael Jordan是机器学习领域最有影响的学者之一，贝叶斯学习的代表人物。Jordan培养出了许多优秀的学生，他和学生们做的许多工作都是里程碑性的。Jordan并不出身于名校，但是靠自己的聪明才智与刻苦努力，成为MIT、伯克利的教授，2011年还当选为美国科学院院士。Jordan多年来养成了一个习惯，晚上就寝前一定读一篇论文。
Rakesh Agrawal提出了许多数据挖掘的重要概念与方法，例如关联规则挖掘算法。他说：“我做研究选题时一定考虑会不会对十年以后产生影响。”有一次陪他去北京一家餐厅吃饭。刚进门，就见他放慢了脚步，像小孩一样好奇地探着头，凑到旁边的玻璃柜前。原来那里摆着许多穿着民族服装的玩偶。Rakesh在那儿端详了半天，用带着印度口音的英语说：“It is nice”，脸上露出了开心的笑容。像许多科学家一样，Rakesh也是一个精力旺盛，充满好奇心的人。
Robert Schapire因为发明了著名的机器学习算法AdaBoost与Yoav Freund一起获得了计算理论界最高奖歌德尔奖。我曾问Rob：“你们当初是怎么想到AdaBoost的？”他的回答非常简单：“因为我们之前证明了可以把弱分类器提升为强分类器，所以后来就想到了AdaBoost。”好像一切都在情理之中。他的表情也像平时一样从容淡定。一流科学家思想都达到了极高境界，很多发明发现都是他们通过自然推理，而非灵光一现，产生出来的。
有人说爱德华·威滕（Edward Witten）是有史以来最伟大的理论物理学家，还有人说他是当今的爱因斯坦。威滕建立和发展了诸多物理学理论，特别是弦理论（string theory）。他曾撰写了两百多篇论文，在物理学中论文引用H指数排名第一。他获得过多个大奖，包括数学的菲尔兹奖。威滕思维敏捷，经常会思若泉涌，想出很多idea。正因如此，他也从不吝惜自己的idea，只将最好的idea付诸于研究。他说：“我年轻的时候，每天早上起来都会有一种感觉，今天会有从来没有过的好idea。”[1]
后记
曾经有同学问我：“做一个好的科学家需要有什么样的素质？” 从以上的小故事中，我们或许可以总结出一些：
- 酷爱研究
- 勤奋好学
- 思想深刻
- 想象丰富
- 功底扎实
- 为人谦和
我接触过许多世界一流的科学家，他们几乎无一例外。 分享一点体会，愿与大家共勉。
参考文献 [1] The Puzzle of Genius, Newsweek 1993.