何恺明：广州少年高考满分进清华，一篇AI论文奠定ChatGPT底层基础，现任职MIT副教授

AI人物 | 感受他们为世界做出的贡献

ChatGPT、Claude、Gemini、DeepSeek，今天的大模型基本都基于同一个网络结构：Transformer。

Transformer里有一个不可或缺的设计，叫"残差连接"（residual connection）。

残差连接出自2015年的一篇论文。第一作者是个广州人，何恺明。

那年他31岁，在微软亚洲研究院做研究员。

广州执信中学

何恺明1984年生在广州，中学读的是广州执信中学。

2003年5月，他凭着全国中学生物理竞赛一等奖，被保送清华大学机械工程及自动化专业。当时距离高考只剩一个月。

他还是去考了。

2003年广东高考实行标准分制，满分900分。何恺明拿了900分。当年广东省9位满分状元之一。

进了清华，他没去机械系，转去了基础科学班。

香港中文大学 + 微软亚洲研究院

2007年清华本科毕业，何恺明进香港中文大学读博士，导师是汤晓鸥（后来商汤科技的创始人）。

读博期间，他在微软亚洲研究院（MSRA）实习。

2009年，他25岁，发了一篇研究图像去雾的论文：Single Image Haze Removal Using Dark Channel Prior。

简单说，就是从一张被雾笼罩的照片里，把雾"剥"掉，还原清晰的画面。方法的核心是他观察到：自然图像里几乎所有非天空的局部小块，总有至少一个像素的某个颜色通道是极暗的。雾把这层"暗"盖住了，他用这条规律反推雾的浓度，再减掉。

这篇论文拿到了2009年CVPR最佳论文奖。CVPR是计算机视觉的最高级别会议，最佳论文奖此前从未颁给华人，何恺明是第一个。

那时他还在读博。

2011年博士毕业，他直接留在MSRA做正式研究员。

ResNet：今天所有AI模型的底层

2015年，何恺明和同事孙剑、任少卿、张祥雨在MSRA做了一项工作，叫深度残差网络（ResNet）。

要理解ResNet重要在哪，先要知道一件事：2015年之前，神经网络做不深。

"深度学习"这个词里的"深"，指的是网络层数多。理论上层数越多，AI越能学复杂任务。但实际训练时，层数一旦超过20层，网络就开始变差，准确率不升反降。整个领域卡在这里。

他们提出了一个简洁的办法：让每一层不要直接学新东西，而是学"在上一层基础上要改什么"。新一层学不到东西的时候，就把上一层原样传下去。

这个改动让神经网络第一次做到152层。当年的ImageNet图像识别比赛，ResNet拿了冠军，错误率比人眼还低。

2016年，这篇论文拿到CVPR最佳论文奖。这是何恺明人生中第二个CVPR最佳。

之后的十年，深度学习的每一次大爆发，都建立在ResNet之上。

AlphaGo Master 用ResNet看棋盘，就是战胜柯洁那个AI。

Transformer里的残差连接来自ResNet，而ChatGPT、Claude、Gemini的底层都是Transformer。

也就是说，如果没有何恺明他们的这篇论文，你可能现在还用不上这么智能的AI。

这篇论文今天的引用次数超过20万次。

Facebook：Mask R-CNN 和自监督学习

2016年8月，何恺明从微软跳槽到Facebook AI Research（FAIR）。

第二年，他和团队发表了Mask R-CNN。这个方法让AI同时识别图像里"这是什么"和"它在哪、轮廓是什么样"。论文拿到2017年ICCV最佳论文奖。ICCV和CVPR并列计算机视觉的最高级别会议。

之后几年，他陆续做了MoCo、MAE这些自监督学习的代表工作。简单说，就是让AI不需要人工标注数据，自己从海量图片里学东西。这套思路后来直接用在了大模型训练上。

2023年，ResNet的四位作者拿到未来科学大奖的"数学与计算机科学奖"，百万美元奖金。

一年四个月拿下MIT终身教职

2024年2月，何恺明加入麻省理工学院（MIT）电气工程与计算机科学系，任副教授。从入职到拿终身教职（tenure），美国顶尖大学的工科教授通常要走六到七年。

他只用了1年4个月。

同时，他兼职加入Google DeepMind，担任杰出科学家。

到2026年，何恺明在Google Scholar上的总引用次数是54万。AI学界引用量排名前三，仅次于Yoshua Bengio和Geoffrey Hinton两位图灵奖得主。

以后你打开手机用AI，会不会想起他，何恺明，这位曾经高考满分的广州少年？