AI圈炸了！CV大牛何愷明正式官宣入職谷歌。

已更新的個人主頁上，明確寫著：兼職谷歌DeepMind杰出科學家。

與此同時，他依然保留MIT EECS終身教授的身份。

圖片

這位CV領域的傳奇人物，因提出ResNet而名震江湖，徹底改變了深度學習的發展軌跡，成為現代AI模型的基石。

如今，這位「學界+業界」雙軌并行的跨界大神，再次用行動證明了他的無限可能！

對于谷歌DeepMind而言，何愷明的加入更是如虎添翼。

他的技術專長，涵蓋了計算機視覺、深度學習等核心領域，學術影響力在全球范圍內有目共睹。

Demis Hassabis曾公開表示，AGI可能在未來5-10年內實現。

何愷明的到來，無疑將助力這一終極目標的加速實現。

ResNet之父再跨界，DeepMind迎超級大腦

何愷明曾是微軟亞研院研究院、Meta「明星實驗室」FAIR的研究科學家，專注的研究領域包括深度學習和計算機視覺。

通過計算機視覺問題的視角，致力于開發適用于各種領域的通用方法。

在Meta任職7年后，他于2024年正式加入了MIT。

在正式入職此之前，便早有消息傳出何愷明要跨入學術界。

尤其是，他于23年3月在MIT進行的Job talks（求職演講），更加坐實了這一消息。

圖片

他目前的研究重點聚焦在建立一個計算機模型，以便從復雜的世界中學習表征并開發智能。

長期目標是，用能力更強的人工智能來增強人類智能。

同時，他在計算機視覺和深度學習領域發表了一系列極具影響力的論文。截至目前，他的論文被引用次數超過71萬次。

圖片

何愷明關于深度殘差網絡（ResNet）的論文是谷歌學術指標2019年、2020年和2021年，所有研究領域中被引用次數最多的論文。

圖片

論文地址：https://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf

另外，他在視覺物體檢測和分割方面的研究成果，包括Faster R-CNN和Mask R-CNN，也都產生了重大影響，同樣是這些領域被引用次數最多的論文之一。

圖片

論文地址：https://proceedings.neurips.cc/paper_files/paper/2015/file/14bfa6bb14875e45bba028a21ed38046-Paper.pdf

圖片

論文地址：https://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf

2009年，何愷明成為首獲計算機視覺領域三大國際會議之一CVPR「最佳論文獎」的中國學者。

作為第一作者，他還獲得了CVPR 2009，CVPR 2016和ICCV 2017（Marr Prize）的最佳論文獎，并獲得了ICCV 2017最佳學生論文獎。

2017年4月，何愷明曾獲選香港中文大學（中大）工程學院杰出校友。

圖片

同時，他也是領域內多個著名獎項的獲得者，包括2018年PAMI青年研究員獎，2018年ECCV、2021年CVPR最佳論文榮譽獎，以及2021年 ICCV Everingham獎。

從高考狀元到業界大神

何愷明是廣東人，在廣州執信中學讀書時曾獲得全國物理競賽和省化學競賽的一等獎。

2003年5月，何愷明獲得保送清華的資格，但是他依然參加了高考并且以滿分900分的成績，成為當年廣東省9位滿分狀元之一。

進入清華大學以后，何愷明放棄保送的機械工程及其自動化專業，進入了基礎科學班。

他在本科還沒有畢業的時候，就進入了微軟亞洲研究院實習。出于對于計算機視覺的興趣，他選擇加入了計算機視覺組。

在2007年獲得了清華大學學士學位之后，4年時間就拿到了香港中文大學的博士學位。

在2016年加入FAIR之前，何愷明于2011年至2016年在微軟亞洲研究院（MSRA）擔任研究員。

他的第一篇CVPR獲獎論文就發表于在微軟亞洲研究院工作期間。

今年的成果

何愷明在研究界，每隔一段時間就會帶來新的成果，更新頻率非常快。

前段時間，他還聯手Yann LeCun共同發現了一種沒有歸一化層的Transformer，僅用9行代碼就實現了。

值得一提的是，這篇研究還被CVPR 2025錄用。

圖片

論文地址：https://arxiv.org/abs/2503.10622

項目地址：https://github.com/jiachenzhu/DyT

今年2月，他帶隊將大自然中的「分形」概念注入AI，提出了「分形生成模型」（fractal generative models）。

并且，在像素級圖像生成上，團隊驗證了新方法的強大——

首次將逐像素建模的精細分辨率的計算效率，提升了4000倍。

圖片

論文地址：https://arxiv.org/abs/2502.17437

上個月，何愷明又聯手CMU團隊，提出了系統且高效的一步生成建模框架MeanFlow，無需預訓練就能讓AI生圖一步到位。

圖片

論文地址：https://arxiv.org/abs/2505.13447

他的研究經驗的創新能力，將為谷歌DeepMind未來大模型研發注入更多的可能和動力。

參考資料：https://people.csail.mit.edu/kaiming/