感謝IT之家網友 Sancu 的線索投遞！

何愷明 MIT 求職演講，真成 AI 圈大型追星現場了！

據量子位身處現場的聽眾朋友傳回的消息，有同學提前 3 個小時已經蹲在門口排隊了。

到演講開始前半個小時，門口的隊伍據說都打了好幾個彎……

來淺淺感受一下現場的氛圍:

此前何愷明回歸學界的消息傳出，咱們就聊過，這次 Job Talk代表何愷明至少已經通過了 MIT 的簡歷篩選，研究成果和能力得到了初步認可。

對于這次演講，何愷明也是準備了超 129 頁 PPT，回顧了他在 CV 領域所做的工作，涵蓋 ResNet、Faster RCNN、Mask RCNN、MoCO 和 MAE。

在談到未來工作方向時，何愷明還提到了 AI for Science。

除了關心大神的演講本身，還有網友注意到了何愷明的最新變化:

何愷明重返學界

目前，尚不能確定何愷明最后是否會和 MIT 成功牽手。但此次演講，是他尋求教職傳聞的靴子落地。

還有網友發現，如果何愷明最終成功入職，那么他將成為 MIT 被引次數最高的人。

目前，MIT 全校被引用次數最高的，是化學與生物醫學工程系的重量級教授 Robert Langer，次數為 38 萬 +。

而何愷明被引用次數高達 40 萬 +。

其中，何愷明最出圈的研究，非 ResNet 莫屬，在 2021 年底突破 10 萬大關，如今已經漲到 15 萬。

ResNet 本身雖為計算機視覺領域研究，但其核心思想殘差連接已經跨界成為現代深度學習模型的基本組件。

開啟上一次 AI 熱潮的 AlphaGo Zero 就是結合了 ResNet + 強化學習 + 蒙特卡洛搜索共同完成。而開啟最新 AI 熱潮的 ChatGPT，其中的“T”也就是 Transformer 網絡中同樣使用了殘差連接。

在計算機視覺上，何愷明的主要貢獻還包括 Faster R-CNN 及后續的 Mask R-CNN 等一系列研究，在很多年都是目標檢測的主流方法。

他的近期主要研究興趣是無監督學習，21 年底提出的 MAE，將語言模型的掩碼預訓練方法用在視覺模型上，為視覺大規模無監督預訓練大模型開路。最近他還將掩碼方法引入眾多 AI 繪畫應用的基礎模型 CLIP，把訓練速度提升了 3.7 倍。

不過也有知乎匿名用戶從現場發來看法:整個 Talk 的質量并不好，何愷明沒用一個好的故事把工作串聯起來。

這是不是說明就連何愷明也不知道怎么講好 CV 故事了。

那么，這一次你在現場嗎？評論區觀后感走起~

鄭重聲明：此文內容為本網站轉載企業宣傳資訊，目的在于傳播更多信息，與本站立場無關。僅供讀者參考，并請自行核實相關內容。