何恺明：高考满分进清华，MIT终身副教授，ResNet成为21世纪被引用最多的论文

何恺明：高考满分进清华，MIT终身副教授，ResNet成为21世纪被引用最多的论文

AI人物 | 感受他们为世界做出的贡献

孩子学AI、准备NOAI，迟早要学一个叫PyTorch的工具。NOAI的学术大纲里写明了，要"掌握PyTorch基础语法"。

在PyTorch里搭神经网络，最常用的是全连接层和卷积层。每建好一层，程序都会自动调用一个函数，给这一层的参数定好初始值。

这个函数叫kaiming_uniform_。

kaiming，就是何恺明。

2025年4月，《自然》（Nature）杂志综合五个论文数据库，给21世纪发表的论文按被引用次数排了座次。第一名是何恺明当第一作者的ResNet论文，按不同数据库算，被引用了10万到25万多次。

排在它后面的，有生物实验室测基因表达几乎人人都用的实验方法，有全世界精神科医生用的诊断手册。第7名是《Attention Is All You Need》，ChatGPT名字里那个T（Transformer）就出自这篇；第8名是2012年让深度学习火起来的AlexNet。

他现在除了在麻省理工学院（MIT）电气工程与计算机科学系教书，还兼任Google DeepMind的杰出科学家。2025年到2026年，计算机视觉的两大顶级会议ICCV、CVPR，加上机器学习顶级会议NeurIPS，三家颁的"时间检验奖"里，都有他参与的论文。这个奖专门回头看十年前的论文，发给十年后还被人人用着的那几篇。

▲2023年10月，何恺明回香港中文大学做讲座，题目是"深度残差学习，以及它怎样塑造了今天的AI"（图源：香港中文大学活动相册）

ResNet管的，是AI最基本的一件本事：看一张图，认出里面是什么。

电脑认图：层数越多，认得越准

手机相册里搜"猫"，这几年拍的猫一下全跳出来；拍一朵花，识花App告诉你这是月季还是蔷薇。背后干活的，多半是一个神经网络。

照片从最底下一层喂进去，每一层都在上一层算出的结果上接着算，最后一层给出答案，比如"猫，把握九成"。层叠得越多，能分辨的差别就越细，这是当时整个领域的共识。

ImageNet认图比赛的冠军，就是这样一层层往上叠的：2012年的AlexNet是8层；2014年，牛津大学的VGG做到19层，谷歌的GoogLeNet做到22层，每张图猜五次还猜不中的比例，都降到了AlexNet的一半以下。

▲ImageNet比赛历年冠军的层数（方框）和错误率（柱子越矮越准），最左边那根152层的就是ResNet（图源：何恺明ICCV 2015讲稿）

可再往上叠，就不灵了。

何恺明他们在论文里做过一组对比：同样的搭法，18层的网络，只猜一次的错误率是27.94%；叠到34层，反而错了28.54%。

34层的那个，不只是考砸了。论文写得清清楚楚：在整个训练过程中，它连练习题都比18层的做得差。

ResNet：给每两层修一条近路

这事说不通。

多出来的那16层，哪怕什么都不干，只把上一层的结果原样往下传，34层的网络也该和18层的一样好。可练出来，它偏偏做不到。何恺明他们的判断是：毛病不出在层数上。让好几层网络学会"把输入原样交出去"，这么简单的事，它反倒学不会。

那就别让它学，直接给它。

他们在每两层旁边修了一条近路：进来的东西原样抄一份，绕过这两层，到出口处和这两层算出的结果加在一起。这样，这两层要学的就不再是一个完整的答案，只是"在原来的基础上改多少"。用不着改，就把改动学成0，这比从头学会原样照抄容易得多。

▲右边那条弧线就是近路：输入x原样绕过两层（weight layer），到出口和它们算出的结果相加（图源：何恺明ICCV 2015讲稿）

打个比方，这像改作文。普通的网络，每一层都要把整篇文章从头重写一遍，重写到第34遍，早就走了样；ResNet让每一层拿着上一稿，只用红笔在上面改，写得好的地方一个字不动，原样交上去。

加上近路，34层的错误率从28.54%降到25.03%，比18层的还低。层数的天花板一下子掀掉了：他们交出的网络有152层，比VGG深8倍，计算量反而更少，113亿次运算对VGG的196亿次。他们还试过1202层，训练起来一点不费劲。

2015年12月10日，论文挂上网。也是这个月，ImageNet比赛揭晓：ResNet每张图猜五次的错误率只有3.57%，ImageNet和另一个大型视觉比赛COCO的五个主要项目，它全拿了第一。

在这之前，2015年2月，何恺明和同一拨同事已经交出过一份4.94%的成绩，论文里写着：这是第一次超过人类水平（5.1%）。这篇论文里给参数定初始值的办法，就是PyTorch里那个kaiming函数的出处。

学画的少年，和自己吵架的博士生

何恺明1984年生在广州。2003年他考出广东高考满分，《信息时报》的记者到他家采访，他父亲"老何"讲了不少儿子小时候的事：夫妻俩都在一家企业做管理，儿子5岁就被送去少年宫学画，常常一个下午都坐在写生台前。客厅里还摆着他11岁画的一幅水彩。后来奥数班和画画的时间撞了，他只好放下画笔，画画老师很是惋惜。

同一年，《南方都市报》的记者见到的他，"双手都一直规规矩矩地放在膝盖上，记者问一句，他就答一句"。问他学习有什么秘诀，他说："不知道啊，很多人都问过这个问题，但一直都不太清楚，可能是悟性好。"

满分到手，他的下一个计划是去桂林玩一趟，再抽时间学学英语。执信中学校长刘仕森说他"性格执着，对一个问题着迷了就会不断地去研究，直至找到答案"。

他进了清华的基础科学班，主修数学和物理。他后来写道："在本科阶段，我并没有系统地学习过计算机方面的相关知识。"

2007年，他到香港中文大学读博，导师是汤晓鸥（后来创办了商汤科技）。面试时，汤晓鸥就跟他说，不在意他没有相关背景，所有相关的东西都是可以学的。读博期间，他去微软亚洲研究院实习，带他的是孙剑。刚到那里，他觉得"看见的每一样东西都是新的"。头一年做了几个课题，都没成功。

转机来自一款3D电脑游戏。游戏里有很多带雾的场景，雾是程序画出来的，可人一看就知道有雾。他想，人的眼睛和大脑一定有一套很管用的办法来认出雾，而且和当时所有的去雾方法都不一样。

办法做出来了，效果很好。孙剑却一直追问：它能成功，本质原因是什么？他让何恺明去研究大量没有雾的照片，最后真找出了一条规律，就是后来的"暗通道先验"。

写论文时，他"经常陷入自己和自己吵架的角色当中"：每写一段，就质问自己事情到底是不是这样，有没有漏洞，要是自己当评委，看不看得懂。一稿往往要写好几天。孙剑起初一个字都不替他改，只在结构和思路上提意见，他就回去接着和自己吵。

2009年4月24日早上，他收到计算机视觉顶级会议CVPR主席发来的邮件，这篇论文得了最佳论文奖。他写道："我反复阅读这封邮件以确认我没有理解错误。"这是CVPR创办25年来，第一次由中国人拿到这个奖。那也是他真正意义上自己写的第一篇论文。

汤晓鸥在2023年世界人工智能大会上讲起这个学生：

我一直跟何恺明开玩笑：你的一出手就到了巅峰，从此以后你的学术生涯就只能往下走了。欣喜的是，他去了微软和Facebook工作后，成绩一路走高。

2016年，他从微软去了Facebook的AI研究院，搬到美国。谢赛宁（后来成了纽约大学教授）当时在那里实习。谢赛宁在2026年3月的一档播客里回忆：何恺明刚到时不会开车，是他开车带何恺明出去吃饭，再送回家；何恺明在微软一直用Windows写程序，不会用Linux，也是他这个实习生教的。

谢赛宁还说，何恺明的论文都在截稿前一个月就写完了，剩下的一个月，一遍遍抠表格、抠每个字、每个标点。一行字要是空着大半行，他也嫌难看，至少得占满六成。

2023年10月，何恺明回香港中文大学做讲座。有听众问他：实验出了错、要全部重做的时候，真的很崩溃，他是怎么保持好奇和热情的？他说：

研究本就充满了挫折、失败和沮丧……我的生活就是这样，我有大约95%的时间都很失望，然后我会花5%的时间完成那篇论文……享受那5%的时光，如此反复。

从ChatGPT到AlphaGo，都走着这条近路

2017年，谷歌发表Transformer的论文《Attention Is All You Need》，模型里每一个子层外面都套着这样一条近路，论文注明了出处，引的就是ResNet。今天的ChatGPT、DeepSeek，都建在Transformer上。

同一年，DeepMind在《自然》上发表AlphaGo Zero，它的"大脑"是19个或39个这样带近路的模块一个摞一个堆起来的。论文做过对比：换成这种网络，棋力提高了600多个等级分。等级分差600，强的一方平均一百盘能赢九十七盘左右。

孩子要是在准备NOAI，这也是考点：NOAI 2027学术大纲讲计算机视觉，图像分类的代表模型，点名的就是ResNet。

ResNet的四位作者是何恺明、张祥雨、任少卿、孙剑。2022年6月14日，孙剑去世。

2023年，未来科学大奖把"数学与计算机科学奖"颁给ResNet，获奖名单上写着：何恺明、孙剑（已故）、任少卿、张祥雨。2025年，NeurIPS的时间检验奖颁给Faster R-CNN，作者里也有孙剑。官方博客引了另外三位作者写给他的话：他是人工智能、尤其是计算机视觉领域的先驱和奠基人物。

2026年，ResNet拿下CVPR的时间检验奖。获奖名单上，还是那四个名字。

认得出，不等于看懂了

ResNet让电脑认图比人还准，可它认的方式，和人不一样。

2019年，德国图宾根大学的一组研究者拿一张猫的照片，把猫身上的毛换成大象皮的纹理，轮廓还是那只猫。人一看就知道是猫。ResNet-50（ResNet的50层版本）的答案是"印度象"，把握63.9%，"猫"连前三名都没进。

▲左：大象皮，模型认作印度象；中：一只猫，模型认作虎斑猫；右：猫的轮廓配上大象皮，模型还是认作印度象（图源：Geirhos等，ICLR 2019）

他们拿一批这样形状和纹理"打架"的图去测：人按形状判断的占95.9%，ResNet-50只有22.1%，剩下的全是看花纹认的。

同一年，MIT和IBM的研究者请网友在自己家里拍了5万张家用物品的照片，故意侧着放，从怪角度拍，摆在乱糟糟的房间里。最顶尖的识图模型拿这些照片一测，成绩掉了四成多。

还有一个麻烦：电脑学认图，得先有人一张张标好答案。ImageNet那上千万张图，就是全世界几万人一张张标出来的。

何恺明后来的工作，好几项就冲着这件事去。2021年11月，他和同事发表MAE：把一张图切成许多小块，随机遮住75%，让模型自己把缺掉的部分补回来。答案就在图里，用不着人标。

做完形填空的语言模型BERT，一句话只挖掉15%的词。图片敢挖掉75%，是因为相邻的小块太像了，挖少了，模型照着旁边就能猜中，学不到东西。先不看任何标签练一遍，再用标好的图微调，MAE认图的准确率做到87.8%，在当时只用ImageNet这一个图库的方法里排第一。

2024年，他到MIT任教，研究的重心转向让电脑生成图像。2026年6月，他和5个本科生一起发了一篇文生图的论文，其中的周康阳，是2024年国际信息学奥赛（IOI）的满分冠军。

2025年12月，Faster R-CNN在NeurIPS领时间检验奖，何恺明上台做报告，讲视觉目标检测这三十年。讲到1996年一篇用神经网络找人脸的论文，他在幻灯片上标了一句：这是我读的第一篇计算机视觉论文。

2009年，他自己写的第一篇论文，是教电脑把照片里的雾去掉。

那场报告的最后一页，他写的是：Into the fog. No oracle map. Is there even a destination?

驶入迷雾，没有现成的地图，连终点在不在都不知道。