炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

就在刚刚，计算机视觉领域代表人物何恺明最新官宣，已加入谷歌DeepMind，担任杰出科学家（Distinguished Scientist）。

他在个人主页上表示，自己在 DeepMind 的工作是兼职，还将继续保留 MIT 终身副教授的身份。

图 | 何恺明更新个人主页（来源：何恺明）

何恺明是残差网络（ResNet）的主要发明人，而这项技术成为了深度学习及后续人工智能进步的基础。我们今天看到的 ChatGPT、AlphaGo、AlphaFold 都离不开它的影响。

根据《自然》杂志的统计，2016 年发表的 ResNet 论文是 21 世纪迄今为止引用量最高的论文——就连《注意力就是你所需要的一切》（Attention is all you need）这样的 Transformer 经典之作都不是它的对手。

图 |《自然》统计的 21 世纪论文引用量排名（来源：《自然》）

据了解，何恺明出生于 1984 年。2003 年，他获得了保送清华大学的资格，但依旧参加了高考并以 900 分满分成为了广东省高考状元。他本科就读于清华大学物理系基础科学班，之后前往香港中文大学攻读博士学位，并于 2011 年取得信息工程博士学位，师从汤晓鸥。

他在学术初期就展现出非凡的研究才能。早在 2009 年，他提出的“暗通道先验”（Dark Channel Prior）用于图像去雾，就已在国际顶级计算机视觉会议 CVPR 上获得最佳论文奖（第一位获得该奖项的华人），被认为是图像增强领域的重要突破。

图 | 何恺明获得的奖项（来源：何恺明）

博士毕业后，何恺明加入微软亚洲研究院（Microsoft Research Asia），在 2011 年至 2016 年期间担任计算机视觉研究员。也就是在微软的这段时间，他带领团队完成了日后被载入人工智能发展史的重要成果——残差网络 ResNet。

2015 年，何恺明及其团队提出了 ResNet 架构。这一架构通过引入“残差连接”概念，解决了神经网络随着层数增加而训练困难的问题，使得训练上百层的深度神经网络成为可能。

（论文链接：https://arxiv.org/pdf/1512.03385）

传统神经网络在变深之后常常会出现梯度消失，导致准确率下降，而ResNet 通过“跳跃式”连接，巧妙规避了这一瓶颈。

ResNet 横空出世后立即在各大视觉竞赛中大放异彩：152 层的 ResNet 模型在 2015 年的 ImageNet 挑战赛中包揽了图像分类、定位、检测三项冠军；同年还赢得了 COCO 图像识别与分割挑战的第一名。

微软 AI 官方博客称，这一架构成功攻克了超深网络训练不稳定的难题，堪称 AI 发展的“分水岭”。

ResNet 的影响远远超出计算机视觉。如今几乎所有深度学习模型都在不同程度上借鉴了 ResNet 的残差结构。

也正因如此，2023 年，何恺明及其团队获得了未来科学大奖（数学与计算机科学奖项），以表彰其在“深度残差学习”方面的开创性贡献。

2016 年，何恺明加入 Facebook AI Research（FAIR，现为 Meta AI），继续在计算机视觉领域深耕细作。2017 年，他又一项标志性成果诞生：Mask R-CNN。

这是在 Faster R-CNN 目标检测架构基础上的一次重要升级。Mask R-CNN 不仅能准确识别图像中的各类物体，还能为每个对象生成像素级别的精确轮廓。

（论文链接：https://arxiv.org/pdf/1703.06870）

这种实例分割（Instance Segmentation）能力对于自动驾驶、图像编辑、AR 等场景至关重要。该模型一经推出就迅速在 COCO 标准测试集上刷新多个指标，成为该领域的“黄金标准”。

除了检测与分割，何恺明在 Meta 还致力于推动“自监督学习”的研究。他与团队相继提出了MoCo（Momentum Contrast）和 MAE（Masked Autoencoder）等框架，显著提升了无监督视觉表征的质量。

这类技术如今已被广泛应用于数据稀缺场景，拓宽了 AI 模型的训练方式。

2024 年初，何恺明受聘为麻省理工学院（MIT）电子工程与计算机科学系终身副教授。

图 | 何恺明近年的讲座和开设课程（来源：何恺明）

入职 MIT 后，他开设了关于生成式模型与视觉学习的前沿课程，同时继续活跃于一线科研。

就在今年 2 月，何恺明带领三位大一新生提出了扩散模型新思路：扩散模型基础架构中的噪声调节，被广泛认为不可或缺的，但他们挑战了这一假设，并证明了去除噪声调节不仅可行，而且还能提升性。

目前他的论文总引用次数已超过 70 万次，在全球 AI 学术圈内影响深远。

显而易见，在加入 DeepMind 之后，我们一定会看到这位“学术+行业”的双料 AI 大牛带来影响更深远的成果。

参考资料：

https://people.csail.mit.edu/kaiming/

https://ieeexplore.ieee.org/author/37085360867

https://www.nature.com/articles/d41586-025-01125-9

海量资讯、精准解读，尽在新浪财经APP