何愷明MIT開門弟子名單：奧賽雙料金牌得主、清華姚班學霸在列
3位華人學霸在列，CV、AI for Science兩手抓
奇月 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
入職MIT電氣工程和計算機科學系的何愷明，第一波門下弟子現(xiàn)在曝光——
可以看到，四位研究者中其中有三位都是3位是華人：白行建、鄧明揚、黎天鴻。
我們熟悉的IMO、IOI雙料奧賽金牌得主鄧明揚也在列。
事實上，在不久之前，他們就已經(jīng)合作了一篇文章：無需矢量量化的自回歸圖像生成?何愷明新作再戰(zhàn)AI生成：入職MIT后首次帶隊，奧賽雙料金牌得主鄧明揚參與
這篇文章提出了一種新的圖像生成方法，通過擴散過程來建模每個標記的概率分布，從而避免了使用離散值的tokenizer，并在連續(xù)值空間中實現(xiàn)了自回歸模型的應用。
這篇文章黎天鴻博士后是論文的一作，此外他還參與了何愷明團隊的其他多項學術(shù)研究：
何愷明副教授的主頁也更新了頭像、聯(lián)系方式和履歷，還有一些最新的MIT課程和演講等：
何愷明MIT實驗室成員首次公開
博士一年級生鄧明揚
鄧明揚，MIT數(shù)學和計算機科學本科。
他從小學三年級就開始競賽，在高一獲得IMO（國際數(shù)學奧林匹克競賽）金牌，高三獲得IOI（國際信息學奧林匹克競賽）金牌，國內(nèi)首位在不同學科獲得國際金牌的選手，也是IOI歷史上第三位滿分選手，人稱“乖神”。
此外他還曾獲得ICPC國際大學生程序設計競賽世界總決賽的第1名。
目前鄧明揚的研究重點是機器學習，特別是理解和推進生成式基礎(chǔ)模型，包括擴散模型和大型語言模型。
博士一年級生白行健
白行健高中畢業(yè)于北師大實驗中學，在牛津大學獲得了數(shù)學和計算機科學的碩士和學士學位。
他的研究重點目前是是經(jīng)典算法和深度學習的交叉領(lǐng)域。
他也參與了多項競賽，曾獲得2018年CCO（加拿大信息學奧林匹克競賽）第一名，NOI（中國信息學奧林匹克競賽）銀牌，NOIP（中國信息學聯(lián)賽）北京市提高組一等獎第3名等。
高三時，他就憑借自適應圖卷積神經(jīng)網(wǎng)絡檢測網(wǎng)絡暴力的論文入圍了丘成桐中學科學獎決賽。
博士后黎天鴻
黎天鴻本科畢業(yè)于清華叉院姚班，在MIT獲得了碩博學位之后，目前在何愷明組內(nèi)從事博士后研究。
根據(jù)他的主頁最新消息顯示，他將擔任ICLR 2025的區(qū)域主席。
他的主要研究方向是表示學習和生成模型，目標是構(gòu)建能夠理解人類感知之外的世界的智能視覺系統(tǒng)。
此前曾作為一作和何愷明開發(fā)了自條件圖像生成框架RCG，團隊最新的多項研究中他也都有參與。
有趣的是，他還非常喜歡做飯，主頁上放了很多自己總結(jié)的食譜。
博士生Jake Austin
還有一位博士生Jake Austin，之前在加州伯克利大學人工智能研究所任職。
她的谷歌學術(shù)主頁被引數(shù)超過了500，主要成果也是集中在計算機視覺領(lǐng)域。
何愷明團隊的最新動態(tài)
CV相關(guān)
何愷明團隊最新的學術(shù)研究成果還是主要集中在他擅長的CV領(lǐng)域。
最新一篇是發(fā)表于10月17日的一篇論文：Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens。
這篇論文通過實證研究表明，使用連續(xù)標記和隨機順序生成的自回歸模型在文本到圖像生成任務中表現(xiàn)出最佳的擴展性和生成質(zhì)量，團隊提出的Fluid模型刷新了新的零樣本FID和GenEval分數(shù)。
另一篇Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers發(fā)表于9月30日。
這篇文章提出了一種名為Heterogeneous Pre-trained Transformers (HPT) 的架構(gòu)，通過跨不同機器人本體和任務的異構(gòu)預訓練來學習通用的策略表示，并在大規(guī)模機器人仿真和真實世界環(huán)境中驗證了其有效性。
主頁還列出了更多研究內(nèi)容，包括自回歸圖像生成、單張圖像3D物理建模、使用拉格朗日體積網(wǎng)格表示高質(zhì)量幾何形狀等等，多篇文章都已被NeurlPS 2024接收。
AI for Science相關(guān)
之前，何愷明副教授在MIT的求職演講上特意提到，AI for Science也將是他未來的工作方向。
5月他曾發(fā)表了這個方向的首個工作：使用強化學習的動態(tài)異構(gòu)量子資源調(diào)度。文章使用自注意力機制處理量子比特對的序列信息，在概率性環(huán)境中訓練強化學習模型，提供動態(tài)實時調(diào)度指導，最終將量子系統(tǒng)性能提升了3倍以上。
多位大神云集，讓我們一起期待何愷明團隊未來的更多成果吧！
參考鏈接：
[1]https://people.csail.mit.edu/kaiming/
- 打臉！GPT-4o輸出長度8k都勉強，陳丹琦團隊新基準測試：所有模型輸出都低于標稱長度2025-01-15
- 好家伙，海螺直接拍了個AI版的《教父》2025-01-10
- 2025-01-08
- 用大模型吃瓜更智能了！阿里通義實驗室提出新時間線總結(jié)框架2025-01-07
相關(guān)閱讀
清華鄭緯民院士：AI for Science的出現(xiàn)，讓高性能計算與AI的融合成為剛需｜MEET2023
AI基準設計要達到四個目標：統(tǒng)一的一個分數(shù)、可變的問題規(guī)模、具有實際的人工智能意義、評測程序包含必要的多機通信
AI學高數(shù)達到MIT本科水平，學了微積分線性代數(shù)概率論等6門課，不光能做題還能出題
GPT-3小學數(shù)學不及格，Codex會做150道高數(shù)題
