何恺明 MIT 求职演讲，真成 AI 圈大型追星现场了！

据量子位身处现场的听众朋友传回的消息，有同学提前 3 个小时已经蹲在门口排队了。

(资料图)

到演讲开始前半个小时，门口的队伍据说都打了好几个弯……

△后续更正，PPT 不止 129 页

来浅浅感受一下现场的氛围：

此前何恺明回归学界的消息传出，咱们就聊过，这次 Job Talk（求职演讲）代表何恺明至少已经通过了 MIT 的简历筛选，研究成果和能力得到了初步认可。

对于这次演讲，何恺明也是准备了超 129 页 PPT，回顾了他在 CV 领域所做的工作，涵盖 ResNet、Faster RCNN、Mask RCNN、MoCO 和 MAE。

在谈到未来工作方向时，何恺明还提到了 AI for Science。

除了关心大神的演讲本身，还有网友注意到了何恺明的最新变化：

目前，尚不能确定何恺明最后是否会和 MIT 成功牵手。但此次演讲，是他寻求教职传闻的靴子落地。还有网友发现，如果何恺明最终成功入职，那么他将成为 MIT 被引次数最高的人。

目前，MIT 全校被引用次数最高的，是化学与生物医学工程系的重量级教授 Robert Langer，次数为 38 万 +。

而何恺明被引用次数高达40 万 +。其中，何恺明最出圈的研究，非ResNet莫属，在 2021 年底突破 10 万大关，如今已经涨到 15 万。

ResNet 本身虽为计算机视觉领域研究，但其核心思想残差连接已经跨界成为现代深度学习模型的基本组件。

开启上一次 AI 热潮的 AlphaGo Zero 就是结合了 ResNet+ 强化学习 + 蒙特卡洛搜索共同完成。而开启最新 AI 热潮的 ChatGPT，其中的 "T" 也就是 Transformer 网络中同样使用了残差连接。

在计算机视觉上，何恺明的主要贡献还包括 Faster R-CNN 及后续的 Mask R-CNN 等一系列研究，在很多年都是目标检测的主流方法。

他的近期主要研究兴趣是无监督学习，21 年底提出的 MAE，将语言模型的掩码预训练方法用在视觉模型上，为视觉大规模无监督预训练大模型开路。最近他还将掩码方法引入众多 AI 绘画应用的基础模型 CLIP，把训练速度提升了 3.7 倍。

不过也有知乎匿名用户从现场发来看法：整个 Talk 的质量并不好，何恺明没用一个好的故事把工作串联起来。

这是不是说明就连何恺明也不知道怎么讲好 CV 故事了。

那么，这一次你在现场吗？评论区观后感走起 ~