Ευγνώμων για τους γονείς του είναι ο Βασίλειος Συργκάνης: «Η μεγαλύτερη επίδραση στη ζωή μου ήταν σίγουρα η οικογένειά μου. Οι γονείς μου, γιατροί στο επάγγελμα, πάντα είχαν ως γνώμονα στη ζωή τους την προσφορά στον συνάνθρωπο και στην επιστήμη και μας το μετέδωσαν μέσα από τις πράξεις και το έργο τους. Αυτός, νομίζω, είναι ο πρωταρχικός λόγος που με ώθησε να ακολουθήσω το ακαδημαϊκό μονοπάτι» μας είπε, προσθέτοντας επίσης στις πρωταρχικές επιδράσεις του «τους εξαίρετους δασκάλους των παιδικών μου χρόνων στην πόλη του Βόλου».
Αλλά και οι καθηγητές του (όπως ο κ. Ε. Ζάχος) στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Μετσόβιου Πολυτεχνείου υπήρξαν καθοριστικοί για την ενασχόλησή του με τη θεωρητική πληροφορική. Η διατριβή του, στο Πανεπιστήμιο Cornell, τιμήθηκε με την υποτροφία του Simons Foundation, ενώ πριν εκλεγεί (Σεπτέμβριος 2022) επίκουρος καθηγητής στο Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας του Πανεπιστημίου Stanford εργάστηκε στη Microsoft Research στη Νέα Υόρκη και στη Βοστώνη, όπου ίδρυσε και ηγήθηκε με συνεργάτες την ομάδα Automated Learning and Intelligence for Causation and Economics (ALICE).
Στα πολλά ερευνητικά ενδιαφέροντά του συγκαταλέγεται και η βιοϊατρική, όπου «με μία μεγάλη ομάδα συνεργατών στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης καθώς και ιατρών ογκολόγων, προσπαθήσαμε να απαντήσουμε στο ερώτημα πώς μπορούμε να προβλέψουμε την αποτελεσματικότητα νέων φαρμάκων για τον καρκίνο, ως συνάρτηση πολλών μεταβλητών που μπορεί να επηρεάσουν την επιτυχία μιας θεραπείας, όπως γονιδιακές μεταλλάξεις, ή παράγοντες που σχετίζονται με το ανοσοποιητικό σύστημα» μας είπε και εξήγησε ότι «λόγω των πολλών παραγόντων που πρέπει να ληφθούν υπόψη, η δημιουργία μοντέλων πρόβλεψης είναι τεχνικά δύσκολη και αποτελεί ένα στατιστικό πρόβλημα μεγάλων διαστάσεων. Υπάρχει πιθανότητα κάποιος να βρει μοτίβα που φαίνεται να οδηγούν σε επιτυχημένη θεραπεία στους ασθενείς που είναι καταγεγραμμένοι στα δεδομένα που έχει, αλλά που δεν γενικεύονται σε άλλους ασθενείς. Οι τεχνικές μηχανικής μάθησης μπορούν να βοηθήσουν στην ανίχνευση μοτίβων που μπορούν να γενικευθούν. Η εργασία μας οδήγησε σε τέτοια μοντέλα και κατέδειξε ότι όλα τα είδη μεταβλητών είναι αναγκαία για την πρόβλεψη με μεγάλη ακρίβεια».
Ερωτώμενος τι θα συμβούλευε ένα νέο παιδί απάντησε: «Πρωτίστως να αγαπάει τη γνώση και την εργατικότητα. Η επιστημονική πορεία είναι δύσκολη, με πολλά σκαμπανεβάσματα. Η αγάπη τού να μαθαίνεις πάντα κάτι καινούργιο και να δημιουργείς νέα γνώση είναι ίσως ο μόνος τρόπος να απολαύσεις την πορεία και να μην παραιτηθείς, και όχι η προσήλωση σε απώτερους στόχους».
