就在剛剛，計算機視覺領域代表人物何愷明最新官宣，已加入谷歌DeepMind，擔任杰出科學家（Distinguished Scientist）。

他在個人主頁上表示，自己在 DeepMind 的工作是兼職，還將繼續保留 MIT 終身副教授的身份。

圖 | 何愷明更新個人主頁（來源：何愷明）

何愷明是殘差網絡（ResNet）的主要發明人，而這項技術成為了深度學習及后續人工智能進步的基礎。我們今天看到的 ChatGPT、AlphaGo、AlphaFold 都離不開它的影響。

根據《自然》雜志的統計，2016 年發表的 ResNet 論文是 21 世紀迄今為止引用量最高的論文——就連《注意力就是你所需要的一切》（Attention is all you need）這樣的 Transformer 經典之作都不是它的對手。

圖 |《自然》統計的 21 世紀論文引用量排名（來源：《自然》）

據了解，何愷明出生于 1984 年。2003 年，他獲得了保送清華大學的資格，但依舊參加了高考并以 900 分滿分成為了廣東省高考狀元。他本科就讀于清華大學物理系基礎科學班，之后前往香港中文大學攻讀博士學位，并于 2011 年取得信息工程博士學位，師從湯曉鷗。

他在學術初期就展現出非凡的研究才能。早在 2009 年，他提出的“暗通道先驗”（Dark Channel Prior）用于圖像去霧，就已在國際頂級計算機視覺會議 CVPR 上獲得最佳論文獎（第一位獲得該獎項的華人），被認為是圖像增強領域的重要突破。

圖 | 何愷明獲得的獎項（來源：何愷明）

博士畢業后，何愷明加入微軟亞洲研究院（Microsoft Research Asia），在 2011 年至 2016 年期間擔任計算機視覺研究員。也就是在微軟的這段時間，他帶領團隊完成了日后被載入人工智能發展史的重要成果——殘差網絡 ResNet。

2015 年，何愷明及其團隊提出了 ResNet 架構。這一架構通過引入“殘差連接”概念，解決了神經網絡隨著層數增加而訓練困難的問題，使得訓練上百層的深度神經網絡成為可能。

（論文鏈接：https://arxiv.org/pdf/1512.03385）

傳統神經網絡在變深之后常常會出現梯度消失，導致準確率下降，而ResNet 通過“跳躍式”連接，巧妙規避了這一瓶頸。

ResNet 橫空出世后立即在各大視覺競賽中大放異彩：152 層的 ResNet 模型在 2015 年的 ImageNet 挑戰賽中包攬了圖像分類、定位、檢測三項冠軍；同年還贏得了 COCO 圖像識別與分割挑戰的第一名。

微軟 AI 官方博客稱，這一架構成功攻克了超深網絡訓練不穩定的難題，堪稱 AI 發展的“分水嶺”。

ResNet 的影響遠遠超出計算機視覺。如今幾乎所有深度學習模型都在不同程度上借鑒了 ResNet 的殘差結構。

也正因如此，2023 年，何愷明及其團隊獲得了未來科學大獎（數學與計算機科學獎項），以表彰其在“深度殘差學習”方面的開創性貢獻。

2016 年，何愷明加入 Facebook AI Research（FAIR，現為 Meta AI），繼續在計算機視覺領域深耕細作。2017 年，他又一項標志性成果誕生：Mask R-CNN。

這是在 Faster R-CNN 目標檢測架構基礎上的一次重要升級。Mask R-CNN 不僅能準確識別圖像中的各類物體，還能為每個對象生成像素級別的精確輪廓。

（論文鏈接：https://arxiv.org/pdf/1703.06870）

這種實例分割（Instance Segmentation）能力對于自動駕駛、圖像編輯、AR 等場景至關重要。該模型一經推出就迅速在 COCO 標準測試集上刷新多個指標，成為該領域的“黃金標準”。

除了檢測與分割，何愷明在 Meta 還致力于推動“自監督學習”的研究。他與團隊相繼提出了MoCo（Momentum Contrast）和 MAE（Masked Autoencoder）等框架，顯著提升了無監督視覺表征的質量。

這類技術如今已被廣泛應用于數據稀缺場景，拓寬了 AI 模型的訓練方式。

2024 年初，何愷明受聘為麻省理工學院（MIT）電子工程與計算機科學系終身副教授。

圖 | 何愷明近年的講座和開設課程（來源：何愷明）

入職 MIT 后，他開設了關于生成式模型與視覺學習的前沿課程，同時繼續活躍于一線科研。

就在今年 2 月，何愷明帶領三位大一新生提出了擴散模型新思路：擴散模型基礎架構中的噪聲調節，被廣泛認為不可或缺的，但他們挑戰了這一假設，并證明了去除噪聲調節不僅可行，而且還能提升性。

目前他的論文總引用次數已超過 70 萬次，在全球 AI 學術圈內影響深遠。

顯而易見，在加入 DeepMind 之后，我們一定會看到這位“學術+行業”的雙料 AI 大牛帶來影響更深遠的成果。

參考資料：

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

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

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