专访 MIT 博士生邓明扬：从 IMO 金牌、IOI 满分的竞赛少年到生成模型研究者

📌 一句话摘要

本文是对 MIT 博士生邓明扬的深度访谈，探讨了他从数学与信息学竞赛冠军到生成模型研究者的成长路径，并分享了他对 AI 研究范式、技能树学习、生成模型未来以及人类与 AI 差异的独到见解。

📝 详细摘要

本文是一篇对 MIT 博士生邓明扬的深度人物访谈。邓明扬师从何恺明，研究方向为生成模型。访谈回顾了他从 IMO 金牌、IOI 金牌得主到理论计算机科学（TCS）研究者，最终转向 AI 研究的独特历程。他对比了 TCS、数学和 AI 研究的不同思维模式，并分享了他从竞赛中获得的“世界是草台班子”的观察方法论。文章深入探讨了多个技术议题，包括他对生成模型范式（如一步生成与多步生成）、训练目标设计（如“点满技能树”）、优化瓶颈、以及人类与 AI 在 few-shot 泛化能力上差异的思考。他还介绍了其参与的 Mean Flow 和 Drifting Models 等研究工作，并表达了对未来研究方向的看法，如通过更丰富的特征空间（feature space）来提升模型上限。整篇访谈内容丰富，既有个人成长故事的启发，也包含了对前沿 AI 研究的技术性探讨。

💡 主要观点

- 从竞赛到研究的核心收获是“观察与拼接”的方法论，认为世界是“草台班子”，不存在神秘解法。 邓明扬认为竞赛训练了他在 few-shot 场景下进行观察和归纳的能力，即从有限信息中找出关键性质并将其拼接成解法。这种‘representation learning’能力可以泛化到研究中，帮助他吸收不同观点形成自己的理解。

对比 TCS、数学与 AI 研究，认为 AI 更像“闹革命”，关键在于押注未来方向并通过实验验证，而非严格证明。 他将 TCS 比作“谈恋爱”（追求内在精妙），数学比作“发现真理”，而 AI 则是“押注未来的革命”。他更青睐 AI 通过直觉和实验快速理解世界的方式，以及其带来的“创造东西”的实感。

提出“技能树”学习观，认为模型训练的本质是点满技能树，未来应设计能覆盖更全面信息的训练目标。 他认为机器学习像文明发展，每一步都在点新技能。当前 contrastive learning、MAE 等方法都只是预测了部分信息。理想的目标是让模型“预测所有可以预测的信息”，从而学得更完整的表示，这也是他研究 Drifting Models 的动机之一。

认为许多问题的瓶颈在于优化而非模型容量，并指出人类具备 AI 尚缺的基于有限经验的 few-shot 泛化能力。 他以 Mean Flow 为例，说明只要优化目标设计得当，模型可以一步完成生成任务，证明容量不是瓶颈。同时，他认为人类能从极少个人经历中做出大胆推断，这种能力是当前依赖海量预训练数据的 AI 所不具备的，也可能是人类未来的价值所在。

💬 文章金句

- 我最大的体会是世界其实是一个草台班子。也就是说，并不存在某种特别神秘、只有少数人才能想到的解法。

• AI 给我一种创造东西的感觉......你写一些代码，然后它真的变成一个可以运行的系统，这种感觉会让我很开心。
• 在长期来看，很多结果其实是由噪声主导的，而不是你一开始看到的信号......很多重大进展，其实也是由这种黑天鹅事件推动的，而不是线性、可预测的演进。
• 相比辩论，更重要的是去试。你需要真的去做实验，然后认真观察结果，而不是靠讨论得出结论。
• 我更倾向于把 machine learning 看成是在点技能树......每一步是在点一个新的技能，最后这些技能会融合在一起，让模型变得非常强大。
• 我有一个比较暴论的看法是，很多问题的瓶颈，其实不在于模型的 capacity，而在于 optimization。

📊 文章信息

AI 初评：87

来源：Z Potentials

作者：Z Potentials

分类：商业科技

语言：中文

阅读时间：88 分钟

字数：21866

标签： 人物访谈, 生成模型, MIT, 何恺明, 竞赛经历

阅读完整文章