入職MIT電氣工程和計(jì)算機(jī)科學(xué)系的何愷明，第一波門(mén)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(yáng)、黎天鴻。

我們熟悉的IMO、IOI雙料奧賽金牌得主鄧明揚(yáng)也在列。

事實(shí)上，在不久之前，他們就已經(jīng)合作了一篇文章：無(wú)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(duì)，奧賽雙料金牌得主鄧明揚(yáng)參與

這篇文章提出了一種新的圖像生成方法，通過(guò)擴(kuò)散過(guò)程來(lái)建模每個(gè)標(biāo)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(shí)現(xiàn)了自回歸模型的應(yīng)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(tuán)隊(duì)的其他多項(xiàng)學(xué)術(shù)研究：

何愷明副教授的主頁(yè)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(shí)驗(yàn)室成員首次公開(kāi)

博士一年級(jí)生鄧明揚(yáng)

鄧明揚(yáng)，MIT數(shù)學(xué)和計(jì)算機(jī)科學(xué)本科。

他從小學(xué)三年級(jí)就開(kāi)始競(jìng)賽，在高一獲得IMO（國(guó)際數(shù)學(xué)奧林匹克競(jìng)賽）金牌，高三獲得IOI（國(guó)際信息學(xué)奧林匹克競(jìng)賽）金牌，國(guó)內(nèi)首位在不同學(xué)科獲得國(guó)際金牌的選手，也是IOI歷史上第三位滿(mǎn)分選手，人稱(chēng)“乖神”。

此外他還曾獲得ICPC國(guó)際大學(xué)生程序設(shè)計(jì)競(jìng)賽世界總決賽的第1名。

目前鄧明揚(yáng)的研究重點(diǎn)是機(jī)器學(xué)習(xí)，特別是理解和推進(jìn)生成式基礎(chǔ)模型，包括擴(kuò)散模型和大型語(yǔ)言模型。

博士一年級(jí)生白行健

白行健高中畢業(yè)于北師大實(shí)驗(yàn)中學(xué)，在牛津大學(xué)獲得了數(shù)學(xué)和計(jì)算機(jī)科學(xué)的碩士和學(xué)士學(xué)位。

他的研究重點(diǎn)目前是是經(jīng)典算法和深度學(xué)習(xí)的交叉領(lǐng)域。

他也參與了多項(xiàng)競(jìng)賽，曾獲得2018年CCO（加拿大信息學(xué)奧林匹克競(jìng)賽）第一名，NOI（中國(guó)信息學(xué)奧林匹克競(jìng)賽）銀牌，NOIP（中國(guó)信息學(xué)聯(lián)賽）北京市提高組一等獎(jiǎng)第3名等。

高三時(shí)，他就憑借自適應(yīng)圖卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)網(wǎng)絡(luò)暴力的論文入圍了丘成桐中學(xué)科學(xué)獎(jiǎng)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(xué)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(yè)最新消息顯示，他將擔(dān)任ICLR 2025的區(qū)域主席。

他的主要研究方向是表示學(xué)習(xí)和生成模型，目標(biāo)是構(gòu)建能夠理解人類(lèi)感知之外的世界的智能視覺(jué)系統(tǒng)。

此前曾作為一作和何愷明開(kāi)發(fā)了自條件圖像生成框架RCG，團(tuán)隊(duì)最新的多項(xiàng)研究中他也都有參與。

有趣的是，他還非常喜歡做飯，主頁(yè)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(xué)人工智能研究所任職。

她的谷歌學(xué)術(shù)主頁(yè)被引數(shù)超過(guò)了500，主要成果也是集中在計(jì)算機(jī)視覺(jué)領(lǐng)域。

何愷明團(tuán)隊(duì)的最新動(dòng)態(tài)

CV相關(guān)

何愷明團(tuán)隊(duì)最新的學(xué)術(shù)研究成果還是主要集中在他擅長(zhǎng)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(guò)實(shí)證研究表明，使用連續(xù)標(biāo)記和隨機(jī)順序生成的自回歸模型在文本到圖像生成任務(wù)中表現(xiàn)出最佳的擴(kuò)展性和生成質(zhì)量，團(tuán)隊(duì)提出的Fluid模型刷新了新的零樣本FID和GenEval分?jǐn)?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(guò)跨不同機(jī)器人本體和任務(wù)的異構(gòu)預(yù)訓(xùn)練來(lái)學(xué)習(xí)通用的策略表示，并在大規(guī)模機(jī)器人仿真和真實(shí)世界環(huán)境中驗(yàn)證了其有效性。

主頁(yè)還列出了更多研究?jī)?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(lái)的工作方向。

5月他曾發(fā)表了這個(gè)方向的首個(gè)工作：使用強(qiáng)化學(xué)習(xí)的動(dòng)態(tài)異構(gòu)量子資源調(diào)度。文章使用自注意力機(jī)制處理量子比特對(duì)的序列信息，在概率性環(huán)境中訓(xùn)練強(qiáng)化學(xué)習(xí)模型，提供動(dòng)態(tài)實(shí)時(shí)調(diào)度指導(dǎo)，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(tuán)隊(duì)未來(lái)的更多成果吧！