MIT终身教授何恺明，入职谷歌了

本文由 量子位 撰写/授权提供，转载请注明原出处。

本文来源：量子位（QbitAI）

作者：一水

AI 大牛何恺明最新动向来了！

才刚拿下 MIT 终身教职没多久，这转眼又加盟谷歌 DeepMind 任杰出科学家。

目前这一消息已在个人主页同步更新：

也是在最近，MIT 官网发布公告称：

今年 MIT 工程学院一共有 11 位教职人员获得终身教职，而何恺明也在名单中。

要知道他去年 3 月才正式在 MIT 开讲，这中间几乎只隔了一年左右时间。

回到这次加盟谷歌，从介绍里可以看到，确切来说他应该算是兼职（part-time）。

虽然他本人没有透露更多信息，但某书上已经有自称谷歌员工的网友提前剧透了一波：

他即将加入的是 DeepMind 基础研究组，直属领导的 title 是 L8——离 DeepMind 老大哈萨比斯还隔着三个老板的距离。

那么问题来了，已经拥有 MIT 终身教职的何恺明，为啥又选择和谷歌联手呢？

一扒才知道，原来二者早已多次展开研究合作——

先简单回顾一下何恺明的履历。

众所周知，何恺明算是 CV 领域（计算机视觉）的传奇人物。

他本科就读于清华大学物理系，博士师从汤晓鸥，毕业于香港中文大学。

2009 年，汤晓鸥、何恺明以及孙剑凭借论文“Single Image Haze Removal Using Dark Channel Prior”，获得该年度 CVPR 的最佳论文奖，这也是第一次颁发给亚洲研究学者。

2011 年博士毕业后进入微软亚洲研究院工作，任研究员，并在 2016 年加入 Facebook AI Research（FAIR）继续研究计算机视觉。

不过在这之前，他于 2015 年提出的 ResNet（深度残差网络），不仅在 ILSVRC 2015 分类任务竞赛斩获第一名，还拿到了 2016 年 CVPR 最佳论文。

直到现在，ResNet 仍然是其最高引研究，单篇引用量已超过 28 万次。

而且这一概念如今已广泛应用于现代深度学习模型，包括 Transformer、AlphaGo Zero、AlphaFold 以及几乎所有 GenAI 模型。

在 FAIR 期间，何恺明和团队在计算机视觉领域取得不少亮眼的成绩，包括 Faster R-CNN 及后续的 Mask R-CNN 等一系列研究。

其中，Mask R-CNN 解决了图片中的实例级对象分割问题，不仅能将照片中的人、动物等对象单一检测，还可为其每个对象实例生成一个高质量分隔遮罩，该研究也获得了 ICCV 2017 最佳论文。

在 FAIR 干了相当长一段时间后，2023 年他官宣加入 MIT EECS（电子工程和计算机科学系) ，选择正式回归学术界。

这一转向在当时引起了广泛关注，甚至一众网友吐槽 Meta 痛失一员大将。

后来的故事就接上咱们的开头了~

总之，从学术界到产业界再到学术界，何恺明一路积累了丰硕研究成果。

目前其谷歌学术总引用量已经超过 71 万次，是当之无愧的学术大佬。

近来其研究主要集中在模型性能优化上，包括提出通过正则化表示（Representation Regularization）来改进图像生成技术、开发高度压缩的Tokenizer来实现在未经训练的情况下生成文本等等。

一言以蔽之，不管身份如何转变，他始终在 CV 领域持续深耕。

事实上，何恺明和谷歌其实多有合作。

就在今年 2 月，他还和谷歌 DeepMind 全华人班底（黎天鸿、Qinyi Sun、范丽杰）开辟了生成模型的全新范式——

合发论文《Fractal Generative Models（分形生成模型）》，首次使逐像素生成高分辨率图像成为可能。

具体而言，团队提出用参数化的神经网络作为分形生成器，从数据中学习这种递归法则，实现对高维非序列数据的建模，也可用于材料、蛋白质等。

结果在「逐像素图像生成」这一任务中表现出色。目前相关成果代码已开源。

此外，去年其团队还和谷歌 DeepMind 合作，提出了一个基于连续标记的随机顺序自回归模型——Fluid。

他们所要解决的问题是：视觉自回归模型的 Scaling，往往不像在语言模型里那样有效。

而通过合作，他们为自回归文生图模型的扩展指出一个方向：

基于连续 token 的模型比离散 token 模型在视觉质量上更好

随机顺序生成与光栅顺序相比在 GenEval 测试上得分明显更好

更多研究在此不再枚举，总而言之，何恺明和谷歌 DeepMind 团队实则早有接触。

因此这一次他选择和 DeepMind 合作，也可谓老熟人之间的强强联手。

参考链接：

[1]https://people.csail.mit.edu/kaiming/

[2]https://scholar.google.com/citations?user=DhtAFkwAAAAJ&hl=en

[3]https://news.mit.edu/2025/tenured-engineers-0624

扫码关注公众号

获取更多技术资讯