刚刚，何恺明官宣入职谷歌DeepMind！

AI圈炸了！CV大牛何恺明正式官宣入职谷歌。

已更新的个人主页上，明确写着：兼职谷歌DeepMind杰出科学家。

与此同时，他依然保留MIT EECS终身教授的身份。

这位CV领域的传奇人物，因提出ResNet而名震江湖，彻底改变了深度学习的发展轨迹，成为现代AI模型的基石。

如今，这位「学界+业界」双轨并行的跨界大神，再次用行动证明了他的无限可能！

对于谷歌DeepMind而言，何恺明的加入更是如虎添翼。

他的技术专长，涵盖了计算机视觉、深度学习等核心领域，学术影响力在全球范围内有目共睹。

Demis Hassabis曾公开表示，AGI可能在未来5-10年内实现。

何恺明的到来，无疑将助力这一终极目标的加速实现。

ResNet之父再跨界，DeepMind迎超级大脑

何恺明曾是微软亚研院研究院、Meta「明星实验室」FAIR的研究科学家，专注的研究领域包括深度学习和计算机视觉。

通过计算机视觉问题的视角，致力于开发适用于各种领域的通用方法。

在Meta任职7年后，他于2024年正式加入了MIT。

在正式入职此之前，便早有消息传出何恺明要跨入学术界。

尤其是，他于23年3月在MIT进行的Job talks（求职演讲），更加坐实了这一消息。

他目前的研究重点聚焦在建立一个计算机模型，以便从复杂的世界中学习表征并开发智能。

长期目标是，用能力更强的人工智能来增强人类智能。

同时，他在计算机视觉和深度学习领域发表了一系列极具影响力的论文。截至目前，他的论文被引用次数超过71万次。

何恺明关于深度残差网络（ResNet）的论文是谷歌学术指标2019年、2020年和2021年，所有研究领域中被引用次数最多的论文。

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

另外，他在视觉物体检测和分割方面的研究成果，包括Faster R-CNN和Mask R-CNN，也都产生了重大影响，同样是这些领域被引用次数最多的论文之一。

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

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

2009年，何恺明成为首获计算机视觉领域三大国际会议之一CVPR「最佳论文奖」的中国学者。

作为第一作者，他还获得了CVPR 2009，CVPR 2016和ICCV 2017（Marr Prize）的最佳论文奖，并获得了ICCV 2017最佳学生论文奖。

2017年4月，何恺明曾获选香港中文大学（中大）工程学院杰出校友。

同时，他也是领域内多个著名奖项的获得者，包括2018年PAMI青年研究员奖，2018年ECCV、2021年CVPR最佳论文荣誉奖，以及2021年 ICCV Everingham奖。

从高考状元到业界大神

何恺明是广东人，在广州执信中学读书时曾获得全国物理竞赛和省化学竞赛的一等奖。

2003年5月，何恺明获得保送清华的资格，但是他依然参加了高考并且以满分900分的成绩，成为当年广东省9位满分状元之一。

进入清华大学以后，何恺明放弃保送的机械工程及其自动化专业，进入了基础科学班。

他在本科还没有毕业的时候，就进入了微软亚洲研究院实习。出于对于计算机视觉的兴趣，他选择加入了计算机视觉组。

在2007年获得了清华大学学士学位之后，4年时间就拿到了香港中文大学的博士学位。

在2016年加入FAIR之前，何恺明于2011年至2016年在微软亚洲研究院（MSRA）担任研究员。

他的第一篇CVPR获奖论文就发表于在微软亚洲研究院工作期间。

今年的成果

何恺明在研究界，每隔一段时间就会带来新的成果，更新频率非常快。

前段时间，他还联手Yann LeCun共同发现了一种没有归一化层的Transformer，仅用9行代码就实现了。

值得一提的是，这篇研究还被CVPR 2025录用。

论文地址：https://arxiv.org/abs/2503.10622

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

今年2月，他带队将大自然中的「分形」概念注入AI，提出了「分形生成模型」（fractal generative models）。

并且，在像素级图像生成上，团队验证了新方法的强大——

首次将逐像素建模的精细分辨率的计算效率，提升了4000倍。

论文地址：https://arxiv.org/abs/2502.17437

上个月，何恺明又联手CMU团队，提出了系统且高效的一步生成建模框架MeanFlow，无需预训练就能让AI生图一步到位。

论文地址：https://arxiv.org/abs/2505.13447

他的研究经验的创新能力，将为谷歌DeepMind未来大模型研发注入更多的可能和动力。