五度妙笔
企业透视镜
API商城
数据库从微软亚研到MIT何恺明：他不预测AI的终点，却一次次改变AI前进的道路
单击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
转自i少数派，仅用于学术分享，如有侵权留言删除
导言：
从暗通道、ResNet、MAE到单步生成与视觉智能体，读懂一位科学家如何改变“智能可以怎样被建造”。
假如把一个20层的神经网络加深到56层，结果会怎样？常识说，它至少应该更容易记住训练数据。哪怕多出来的层毫无用处，理论上也可以让它们什么都不做，至少不该比20层更差。
2015年，何恺明与张祥雨、任少卿、孙剑共同面对的，恰恰是一个违反这种直觉的现象：更深的普通网络，连训练集上的错误都更高。问题不是模型太大、在考试时“背过头”了，而是它连课本都没学会。团队由此提出ResNet，让信息可以沿着一条直接路径向前传递，新加的层只需学习对原有表示的修正。
这是何恺明教授最为人熟知的一项工作。但只把他看成“残差网络的发明者”，仍然低估了他的研究价值。过去十多年，他与不同团队反复追问同一种问题：一个领域公认必须存在的中间环节，究竟是自然规律，还是过去技术条件下留下的脚手架？
在ResNet里，被质疑的是“每一层都必须从头学习完整映射”；在MAE里，是“视觉模型需要大量人工标签”；在JiT里，是“图像生成必须先借助潜空间分词器”；在MeanFlow里，是“高质量生成必须一步一步迭代”；在VISTA里，是“智能体必须先把所见世界压缩成文字或代码，才有能力长期行动”。这些工作不是同一人独自完成的，也并非都已被产业验证；然而它们提出的问题，确实构成了一种辨识度很高的研究路径。
这篇文章想回答的，不是何恺明教授得过多少奖，而是更重要的五个问题：他的思想从哪里来？背后有哪些可以说清、也可以被推翻的假设？为什么其中一些成果已经成为AI基础设施，而另一些仍只是可能的未来？他在全球AI思想谱系中处于什么位置？最后，一位企业家或科学家，究竟能从他的做法里学到什么，而不误用一个漂亮的类比？
一、学脉的真正线索：从“给世界一个先验”，到“让机器学出先验”
何恺明教授2007年本科毕业于清华大学，2011年在香港中文大学取得博士学位。香港中文大学工程学院明确记载，其博士阶段的指导教师是汤晓鸥教授。2011至2016年，他在微软亚洲研究院工作；2016至2024年在FAIR工作；2024年加入MIT，目前是电子工程与计算机科学系终身副教授，同时兼职担任Google DeepMind杰出科学家。这条履历如果只写成“名校—名师—名企”，没有解释力。真正值得注意的，是他早期和后来的研究看起来甚至有一点矛盾。
2009年，何恺明、孙剑、汤晓鸥合作的单张图像去雾论文提出“暗通道先验”：观察大量无雾户外图像后发现，在许多非天空区域，总能找到某些颜色通道数值很低的像素。结合大气成像模型，团队利用这一统计规律，从一张有雾照片中估计雾的影响。这是一项高度依赖人类观察、物理模型和领域知识的研究。何恺明的博士论文也明确讨论：图像恢复之所以困难，是因为从一张图像反推真实世界存在歧义；先验帮助排除不合理的解。
十多年后，MAE选择让机器自己遮住图像、重建像素，尽量减少人工标签与专用规则。乍看之下，一头是“人为设计先验”，另一头是“把先验交给数据”，为什么都出自同一条研究线？我的理解是：何恺明教授持续关心的，并不是“人类知识与机器学习谁更高贵”，而是怎样把一个原本无解或难学的问题，改写成机器可以利用结构、不断逼近答案的问题。2009年，数据、算力和模型能力尚不足以大规模学习视觉规律，一个准确、可计算的自然统计先验非常有力量；到MAE时代，算力与数据规模发生变化，用重建任务让模型自行形成表示更有前景。变化的不是他对科学问题的兴趣，而是解决问题时最有效的先验来源。
这也是理解“师承学脉”的更好方式。汤晓鸥教授是可核实的博士导师；孙剑是早期论文的重要合作者，也是微软亚洲研究院阶段的关键同行。不能把这两种关系统称为“师徒”，更不能把ResNet归功于某一个人。比较可靠的思想脉络是：香港中文大学阶段训练他从视觉歧义中寻找约束，微软亚洲研究院的团队把这种问题意识推进到可扩展的网络结构；FAIR时期，他与合作者转向大规模表征和自监督学习；MIT阶段的团队进一步触碰生成、推理和交互。
一个更耐人寻味的结论随之出现：何恺明教授并不是“从手工设计走向反对一切先验”，而是不断追问：先验应该放在哪里，哪些先验值得让机器自己学出来？
二、ResNet真正改写的，不是“网络可以更深”，而是“规模如何变得可训练”
很多人把ResNet理解成一个技巧：在网络中加一条捷径。但如果只看见这条线，就看不见它为什么重要。深网络最诱人的地方，是它可以把低级特征层层组合成高级表示。问题是，容量增加不等于能力增加。一个56层的模型，理论上至少有能力模拟20层模型；现实里却训练得更差。这说明障碍不是“答案不存在”，而是现有训练方法走不到那个答案。ResNet的表达式通常写成`H(x)=x+F(x)`：输入`x`先走一条直通路径，新增模块学习的不是完整输出，而是需要改变的部分`F(x)`。当改变没有必要时，接近零的残差至少提供了一个更容易接近的参照。
这里有两层经常被忽略的含义。
第一，创新不一定是让模型“知道得更多”，也可以是让模型已有的潜在能力更容易被训练出来。今天AI产业喜欢比较参数量、训练数据和算力，却常常忽略：如果优化方式没有跟上，额外资源不一定会兑现为能力。
第二，ResNet没有证明“自然界所有最优变化都很小”。它证明的是，在一类深度网络和任务中，把学习对象重新参数化，可以明显改善训练。所谓“学增量”是一个成功的工程设计，不是关于世界万物都按增量变化的哲学定律。
还要把历史说准确：ResNet并非凭空发明一切“跳跃连接”。在它之前，Highway Networks已经探索了让信息跨越多层的通路；ResNet的重要性在于用简单的恒等路径和残差学习形成了极易复用、足以支撑深层训练的结构。此后，残差连接成为Transformer等架构的常见设计。这里说的是架构思想被广泛吸收，并非每一个后来模型都完整照搬ResNet的视觉模块，更不能把ChatGPT的能力都归因于一篇2015年的论文。
从产业角度看，这是一种非常稀缺的贡献：它不是某个产品功能，而是能让后来的人在其上继续建造的通用基础构件。企业经营里最相似的东西，不是一个“爆款应用”，而是改变许多应用可行性的底层工艺。ResNet后来获得CVPR 2026年“时间检验奖”；何恺明教授参与的Faster R-CNN也获NeurIPS 2025年“时间检验奖”。奖项本身不证明所有产业收益，却至少说明相关共同成果经受了很长时间的同行使用和检验。
三、MAE提出第二个问题：没有人告诉机器答案，它能不能学会“看”？
工业企业最容易理解一种AI训练方法：给大量图像贴上“合格”“缺陷”“猫”“汽车”的标签，机器在答案监督下学习。但世界里的图像远多于人能标注的图像。倘若每增加一个场景，就要重新雇人标注，视觉智能的扩张会长期受制于人力。
MoCo和MAE是何恺明教授参与的两条重要探索。MoCo把对比学习组织成一个可以持续更新的“字典”：模型学习判断不同图像表示之间的关系；MAE则更直观，把图像切成小块，随机遮住约75%，只让编码器看剩余部分，再训练系统重建被遮住的像素。遮得太少，任务可能退化为邻近像素插值；遮得足够多，系统才不得不利用图像中更大范围的结构。MAE还把较重的编码工作放在可见部分，解码器设计得更轻，以改善训练效率。
这背后的假设不是“图像像人一样会说话”，而是更朴素的：原始数据内部有可预测的结构，预测缺失部分本身可以成为训练信号。在自然图像里，物体、边界、纹理和空间关系有统计规律；模型如果捕捉不到这些规律，就难以完成重建。
这个洞见对于AI产业的意义，不只是节省一笔标注费。它改变了“什么可以被当作训练材料”的范围，也推动视觉预训练从为单个任务量身定制，走向可迁移的底座。可是，这里必须踩住刹车：MAE的实验说明预训练不必依赖每张图的人工标签，并不说明真实业务完全不需要标注。迁移到某类缺陷检测、医学影像、工地巡检，仍然需要针对任务的校准、评测、误报漏报管理，以及来自现场的可靠反馈。预训练解决“先学到一些世界结构”；部署解决“在这个场景里犯错的代价由谁承担”。两张成绩单不能合并。
更深一层看，ResNet和MAE表面上各有一套算法，实际上同时在改变“学习的难度”：前者让深度可优化，后者让没有外部答案的数据也能产生可学习任务。科学突破有时不是寻找更聪明的模型，而是重新安排模型与问题相遇的方式。
四、2025年之后的“减法”，究竟删掉了什么？
进入生成式AI阶段，何恺明教授及其合作者不再满足于让模型识别一张图，而是追问：生成一张图要经过多少中间步骤？哪些步骤是必要的，哪些只是历史遗留？
2024年的一项研究先将扩散模型逐步拆解，考察不同组件对自监督表示学习的贡献，结论是，在被研究的设置里，真正关键的现代组件比人们想象得少。请注意它研究的是表示学习能力，不能据此推出“生成质量所需的大多数组件都可删掉”。这一差别，正是科学家做消融实验与媒体写“颠覆传统”之间的距离。
接下来的研究把问题推进到三个层面。
其一，生成是否非得一步步走？MeanFlow通过学习时间区间的平均速度，探索从噪声一步抵达图像，不依赖预训练或蒸馏；后续iMF进一步调整训练目标与条件控制。论文报告，在ImageNet 256×256的特定基准上，iMF用一次函数求值达到1.72的FID。这意味着在这一实验条件下，单步生成的质量与过去多步方法之间的差距显著缩小。它尚不能证明产业级文生图、视频生成马上会整体转向一步完成，更不能把一次函数求值等同于全部训练、存储和产品迭代成本的下降。
其二，生成是否必须先离开像素？JiT提出，现行去噪模型通常预测噪声或带噪变量，但自然图像存在较低维的结构，直接预测干净图像也许更有利于学习。团队让普通的大块图像Transformer直接在像素上工作，不使用分词器、不做预训练、不添加额外损失，并在论文所述ImageNet分辨率上得到有竞争力的结果。它挑战的是“潜空间分词器绝对必要”这一默认判断，而不是已经证明所有商业图像系统都应该抛弃压缩层。高分辨率、长视频、多条件编辑、吞吐和成本，仍需逐一比较。
其三，视觉问题为什么一出现，就必须先翻译成语言？何恺明教授参与的VARC研究把ARC抽象推理题改写成图像到图像任务。团队让视觉模型在ARC数据上从零训练，再通过测试时训练适应新题，报告在ARC-1上取得60.4%的准确率。这个实验最重要的意义，不在于宣布“语言路线输了”，而在于给出一个反例：至少某些看似需要文字解释的抽象题，可以在视觉表示空间里有效求解。ARC-1成绩不是通用推理能力证明，更不是对开放物理环境的证明。
同一研究脉络中的VISTA则补上了另一块拼图。它不重新训练底层多模态模型，而是让模型直接看到画面，保留可回看的原始视觉记忆，在交互时自己决定何时检索过去的画面。研究团队报告，在ARC-AGI-3的25个公开互动游戏中，配合VISTA的模型全部完成，动作效率指标达到该基准的满分。但它仍然使用语言进行推理；它所减少的是把环境一开始就强制压成文字、摘要或代码的损失。团队也明确承认，所用模型发布时间晚于公开游戏，不能排除训练中见过这些游戏；真正检验泛化的还包括未公开任务和更真实的环境。
这四项工作可以画出一种“思想形状”：不是一律反对复杂系统，而是追问复杂性应该放在何处。有时把复杂性从人工标签转移到可扩展的训练任务；有时从几十步推理转移到更困难的训练目标；有时不改底座模型，而把能力释放放在外部记忆和工具接口。这与“越简单越好”不是同一个意思。删除一个中间环节，可能会增加别处的负担；只有把质量、训练、推理和维护的总账算清，减法才是真减法。
五、他在全球AI思想谱系中的位置：不是宏大终局的预言者，而是“可扩展性条件”的设计者
如果把AI研究者粗略分成三类：有人回答“智能究竟是什么”，有人回答“规模扩张会出现什么能力”，还有人回答“什么结构与训练目标，才能让规模真正转化成能力”。何恺明教授主要属于第三类。
这不是说他不研究智能。2018年的公开教程以“深度学习就是表示学习”概括视觉研究：原始像素需要被转成适合任务的内部表示。但他的论文通常不试图给出一套完整的意识理论、AGI定义或人类认知模型，而是选一个能被实验检验的阻塞点：深网络为何训不动？没有标签能不能学？一步能不能生成？视觉推理是不是必须先语言化？
他与辛顿、杨立昆等人共享联结主义和表示学习的大背景，但不可把这种共同背景误写成直接师承。与杨立昆的视觉自监督路线，他有重合，也存在不同实验偏好：一个强调可预测的潜在表示，不等于所有问题都要重建像素；何恺明教授团队既研究像素重建，也研究生成、流模型和视觉—语言协作。两人并非一场公开的“谁真懂视觉”的擂台赛。
与理查德·萨顿的《苦涩教训》相比，他又提供了一条有趣的修正。萨顿强调，长远看能利用更多计算的通用方法往往胜过人为灌入的领域知识。ResNet、MAE、JiT的确都在寻找更可扩展的通用做法；但暗通道先验提醒我们，在计算资源和数据条件不同的时代，精确的人类知识可以是真实的突破。这不是对《苦涩教训》的反驳，而是对其适用时间尺度的提醒：一种先验的价值，取决于当时让机器自己学出它的成本。
因此，他更准确的位置，是“学习条件的设计者”：把无法利用的深度变成可优化的深度，把缺少标签的图像变成可自监督的数据，把需要漫长迭代的生成改写成可研究的一步目标，把短暂而丢失细节的视觉上下文变成可回看的记忆。若要用一句话概括他的独特贡献：他不替机器写好答案，而是改变机器得到答案所必须经过的道路。
当然，历史地位还要分时间层次。ResNet及视觉检测体系已经有长期复用和时间检验；MAE建立了有影响力的研究路径；单步生成、原生像素建模与VISTA仍在竞争中的新阶段。把三者都写成“已重塑产业格局”，既不尊重科学，也容易给企业投资决策制造幻觉。
六、从论文到产业：真正的影响，是成本曲线与能力边界可能在哪里改变
ResNet对产业的影响比较明确：它帮助深网络更可靠地训练，并以架构构件的形式进入更广泛的模型体系。Faster R-CNN、Mask R-CNN等共同成果又把“在图中找到物体、勾勒物体”做成后来研究与应用经常使用的基础框架。Mask R-CNN不是独立于前人方案的凭空创造，而是在Faster R-CNN上增加并行的实例掩码分支，以较小额外开销扩展目标识别能力。
而近两年工作的产业影响，更应写成若被验证，会怎样改变选择权。
假如单步生成在更复杂的条件生成和视频场景里仍能保持质量，产品团队可能从“等一段时间出一张成品”，走向“随时看见修改结果”；但这要求比较端到端延迟、显存、吞吐、训练成本和人的反复筛选时间。假如像素空间路线在高分辨率场景里也具成本优势，潜空间压缩层的必要性需要重估；但压缩依然可能是降低算力和延迟的重要资产。假如可回看的视觉记忆在工业巡检、远程操作或机器人上被验证，智能体的竞争点就不只在“买哪家模型”，还在谁能管理原始观察、上下文、工具和纠错。这些都是条件判断，不是今天已经发生的产业事实。
对于企业而言，更现实的战略不是押注某篇论文注定统治市场，而是把技术栈设计为可替换：模型、表示方式、记忆、评测与业务流程之间留出清晰接口。一项新研究一旦真正越过质量—成本—可靠性的门槛，组织能够替换相应部件；如果没有越过，也不至于为了一个漂亮的演示推翻既有系统。
这正好接上一个值得讨论的跨界概念：“残差式AI转型”。它不是何恺明教授为企业提出的管理理论，而是我从其研究方法获得启发后，对企业转型路径所做的分析性转译。
它至少有三个动作。第一，先把业务中的知识、权限、异常、决策依据和结果记录下来，让AI能够理解任务情境；如果业务知识仍藏在老师傅脑子里，采购任何模型都只是“模型先进、组织失明”。第二，把AI放到流程中能够创造增量的位置，让原有关键能力在过渡期继续可用，明确哪些情形转人工、谁有否决权、如何回滚。第三，用真实业务结果和可比较的对照组验证收益，既看任务质量与时间，也看端到端交付、风险、收入或成本，不拿试点完成率冒充转型成果。
但这个类比必须在关键处停住。数学里的`x+F(x)`不自带失败回退机制：如果`F(x)`出错，输出一样可能被污染。企业里要有能真正生效的旁路、阈值、审计和追责设计，才谈得上“保住原有能力”。而且，神经网络参数不会因为利益分配而拒绝更新，企业组织会。若管理层不愿共享数据、绩效鼓励局部最优、专业人员没有纠错权，再漂亮的残差式架构也无法自动训练出组织能力。
同样，JiT“直接预测干净图像”也不能机械翻译成“企业只看利润表”。利润是终局结果，但受到市场周期、定价、供应链等因素影响，滞后且多因；单个AI项目仍要用中间过程指标识别因果。更合理的做法，是把经营结果当北极星，把流程时间、错误率、退回率和客户反馈当仪表盘。只有两者同时存在，企业才知道是AI带来了收益，还是市场恰好变好了。
这里最值得企业家记住的，或许不是“残差”这个词，而是其背后的次序：先建立可表示的业务，再建立可控制的增量，最后建立可验证的结果。如果未来的证据证明新流程可以更稳定地端到端运行，就可以重构旧流程；“残差式”应当成为深度转型的过渡架构，而不是永远不敢触碰原流程的借口。
七、其他科学家可以学什么：不是学他的算法，而是学他提出问题的方式
何恺明教授最难被复制的，当然是个人能力、团队协作与研究资源。但他的作品里有几种研究动作，值得不同领域的科学家认真借鉴。
第一，先找到一个“理论上不应该这样”的反常。56层网络为何比20层更难拟合训练集？这不是简单的性能落后，而是对现有解释的一次压力测试。好的科学问题，常常从“按常识本该如此，却没有发生”开始。企业也一样：增加了人手和软件，为什么交付更慢？如果只把它当执行不力，就错过了结构性问题。
第二，把前提拆成能够单独拔掉的零件。MAE测试遮蔽比例和编码—解码结构；扩散模型拆解工作考察哪些组件真正贡献表示；JiT直接换掉预测对象。无论最后是不是成功，实验的设计都让后人知道：改动究竟发生在什么地方。与其推出一套集成了十种技巧的新系统，不如先证明其中哪一个条件不可或缺。
第三，设计能供别人反复使用的构件。ResNet的价值不只在2015年赢过某项竞赛，而在后续研究者可以把这一结构带入新的网络。Mask R-CNN、MAE也具有可复用的框架属性。科学成果的另一种评价，因而不是“第一次赢了谁”，而是“有没有降低下一代研究者进入问题的门槛”。
第四，事前写下判断，避免事后把结果讲成必然。何恺明教授在2024年关于机器学习研究的演讲里谈到“未来才是真正的测试集”，并用研究中的探索、惊喜和算力变化提醒同行：今天的最佳成绩容易使研究者过拟合当下。把这句话落到实验室，可以是一个朴素制度：实验前记录预期、最强反例以及判错标准，实验后保留失败原因。如此一来，科学家不是每篇论文都有“正确故事”，而是拥有不断修正解释的能力。
第五，尊重研究生产的社会条件。ResNet是四位作者的共同成果；MoCo、MAE、MeanFlow、VARC、VISTA跨越不同团队、不同一作与不同组织。把一切写成“一个天才连续十几年独自删减AI”，是好传播、坏研究。真正可学的是一个团队如何允许年轻研究者提出反常、如何给出公平的实验资源、如何让复现与消融比口号更有地位。
还有一条更难的：敢于让自己的早期成功成为后来研究的对照组，而不是信仰。暗通道先验没有因为深度学习兴起就变成“错误”；自监督也没有让所有领域知识失效。科学家的成熟，不是终身坚持同一种技术，而是始终清楚：今天这个方法有效，是因为哪些约束还在；约束一旦变化，自己是否愿意重做选择。
结语：真正的“减法”，是为未来留下空间
何恺明教授的研究很容易被浓缩为“极简主义”。但只讲极简，会漏掉它最有力量的一面。ResNet通过增加一条连接，减少了深度训练的障碍；MAE通过增加一个困难的重建任务，减少了对人工标签的依赖；VISTA通过增加可回看的记忆，减少了把复杂世界提前压成几行文字的损失。
所以他的研究不是迷信少，而是寻找应该保留什么、应该删除什么、应该把困难移到哪里。在这个意义上，他提供给AI领域的，不是一套关于智能终局的口号，而是一种有科学约束的进步方式：发现不合理的默认前提，提出一个更简洁的替代，做出足够尖锐的实验，再接受未来规模与真实世界的检验。
对科学家，这是一种研究伦理；对企业家，也是一种转型纪律：不要因为今天的流程、架构和考核方式用了十年，就把它们误认为经营的自然规律。真正值得追问的，永远是那个看似“不能不要”、其实可能只是还没人认真检验过的中间环节。
事实与归属说明：上述论文均为团队共同成果；“学习条件的设计者”“残差式AI转型”等是本文的分析概念，不是何恺明教授自命名的理论。所提供材料中“Pixio/Pixo使用20亿图像”的研究为其他作者论文，核查其作者名单后未将其归入何恺明教授的成果。学术基准结果、商业部署和产业规模效应是不同证据层级。本文不代表何恺明教授、MIT、Google DeepMind或任何其他机构的立场与背书。
文章精选：
1.刚刚，图灵奖得主Hinton发了首篇RSI论文
