He Kaiming's zwei neue Schüler an der MIT werden bekannt: Es ist das erste Mal, dass eine junge Frau in die Gruppe aufgenommen wird. Der andere ist der Erfinder von FNO. Beide sind Chinesen.

Die Homepage des renommierten AI-Experten He Kaiming hat die Informationen über zwei neue Schüler aktualisiert –

Beide sind Chinesen und haben beeindruckende Akademikerläufe. Doktorandin „Hu Keya“ + Postdoktorand „Li Zongyi“.

Damit sind von den sechs Schülern, die He Kaiming seit seiner Anstellung an der MIT rekrutiert hat, fünf von chinesischer Herkunft.

Und auch die beiden neuen chinesischen Mitglieder des Teams glänzen auf ihrem Weg.

Hu Keya von der Shanghai Jiao Tong Universität

Hu Keya absolvierte ihr Bachelorstudium an der Shanghai Jiao Tong Universität.

Während ihrer Gymnasialzeit besuchte sie die berühmte Elite-Schule Fujian Normal University High School.

Im Jahr 2021 begann Hu Keya ihr Studium in der renommierten ACM-Klasse der Shanghai Jiao Tong Universität und studierte Informatik.

Laut dem offiziellen WeChat-Account der Zhiyuan College der Shanghai Jiao Tong Universität war Hu Keya seit ihrem dritten Studienjahr Mitglied des Shanghai Jiao Tong University Brain-Computer Interface Laboratory (BCMI) und arbeitete unter der Leitung von Professor Zheng Weilong.

Zu dieser Zeit richtete sie ihre Forschungsrichtung auf AI for Science – sie hoffte, KI und Gehirnforschung zu verbinden und durch selbstüberwachtes Lernen rohe Gehirnströme zu verarbeiten, um Patienten mit Depressionen und anderen Menschen, die an psychischen Problemen leiden, zu helfen.

Nach einigen Monaten Arbeit absolvierte sie als Erstautorin eine Dissertation mit dem Titel „Contrastive Self-supervised EEG Representation Learning for Emotion Classification“.

Dieses Ergebnis wurde von der internationalen Spitzenkonferenz für biomedizinische Computer EMBC akzeptiert, und sie wurde eingeladen, in den USA einen mündlichen Vortrag zu halten.

Zur gleichen Zeit war sie als Mitautorin an einem Projekt beteiligt, das die Effektivität des selbstüberwachten Lernens verbessern sollte. Diese Dissertation wurde ebenfalls von der Spitzenkonferenz Cognitive Science 2025 akzeptiert.

Während der Sommerferien ihres dritten Studienjahres absolvierte Hu Keya ein Praktikum an der Cornell University. Unter der Leitung von Professor Kevin Ellis und Doktorand Hao Tang beteiligte sie sich an einem Forschungsprojekt zur Verbesserung der Effizienz der Programm-Synthese und des Code-Reparatur. Sie war für das Design und die Implementierung des Kernalgorithmus verantwortlich.

Dieses Ergebnis wurde schließlich von der weltweit führenden Konferenz für maschinelles Lernen NeurIPS 2024 akzeptiert, und Hu Keya war die Zweitautorin.

Das war für Hu Keya noch nicht genug. Sie arbeitete zusammen mit Doktorand Wen-Ding Li und richtete ihren Blick auf den damals viel beachteten öffentlichen Wettbewerb für AGI – ARC Prize 2024.

Das Konzept von ARC wurde ursprünglich von François Chollet vorgeschlagen, um die Lern- und Schlussfolgerungsfähigkeit von KI bei der Bewältigung neuer Probleme zu bewerten, anstatt sich auf das Gedächtnis oder die wiederholte Training für bestimmte Aufgaben zu verlassen.

Der ARC Prize 2024 basiert auf diesem Benchmark und fordert die Teilnehmer auf, Algorithmen einzureichen, um eine Aufgabe-Sammlung zu lösen, die sie noch nie gesehen haben.

Mit anderen Worten, um zu gewinnen, muss das Modell in der Lage sein, in einer Situation mit „wenigen Beispielen und abstrakten Schlussfolgerungen“ ein Denkvermögen aufzuzeigen, das annähernd dem menschlichen Niveau entspricht.

Die Wettbewerbsbedingungen waren streng, aber die Anreize waren ebenfalls enorm – der Gesamtpreisbetrag belief sich auf über eine Million US-Dollar, was 1.430 Teams aus der ganzen Welt anzog.

Um in diesem harten Wettkampf hervorzuheben, leitete Hu Keya die Entwicklung einer Schlüsselmethode an: Die automatische Generierung von Datensätzen durch Programm-Synthese und die Feinabstimmung von großen Sprachmodellen auf dieser Grundlage, kombiniert mit der Test-Zeit-Feinabstimmungstechnologie.

Es hat sich gezeigt, dass diese Methode die Leistung des Modells deutlich verbessern kann.

Nach einem heftigen Wettkampf erreichte das Ergebnis des Teams, in dem Hu Keya Mitglied war, auf dem Wettbewerb das damalige SOTA-Niveau und gewann den „Besten Artikelpreis“.

Anschließend ordnete sie dieses Forschungsergebnis als Mit-Erstautorin in einem Artikel zusammen, der erfolgreich in der Spitzenkonferenz für maschinelles Lernen ICLR 2025 veröffentlicht wurde.

Vergessen Sie nicht, dass Hu Keya zu diesem Zeitpunkt noch nur eine Bachelorstudentin war.

Schon während ihres Bachelorstudiums hatte sie vier hochwertige Dissertationen geschrieben, und die Hälfte davon waren sie als Erstautorin.

Mit einem solchen Akademikerlauf war sie natürlich bei der Bewerbung für einen Doktorandenplatz ein begehrter Kandidat für alle renommierten Universitäten – es wird gesagt, dass die MIT, Princeton, Carnegie Mellon, Cornell und die Universität Washington alle ein Angebot gemacht haben.

Schließlich wählte sie die MIT für ein direktes Doktorat.

Derzeit ist Hu Keya eine erste Jahr Doktorandin am Department für Elektrotechnik und Informatik der MIT und wird von He Kaiming und Jacob Andreas gemeinsam betreut.

Sie konzentriert sich an der MIT auf die interdisziplinäre Forschung zwischen Sprache und Vision und hofft, Agenten zu entwickeln, die Daten effizienter nutzen und eine stärkere Generalisierungsfähigkeit aufweisen.

Der andere ist der Erfinder des FNO: „Li Zongyi“

Der andere neue Schüler von He Kaiming, Li Zongyi, war bereits in der AI-Akademie etwas bekannt.

Im Jahr 2021 veröffentlichte Li Zongyi als Erstautor einen wichtigen Artikel –

„Fourier Neural Operator for Parametric Partial Differential Equations“.

Vielleicht kennt man den Titel nicht so gut, aber es war dieser Artikel, der den später berühmten Fourier Neural Operator (FNO) vorschlug und erstmals die skalierbare Anwendung von „Neural Operators“ in einem echten Sinne ermöglichte.

Aber bevor wir über den FNO sprechen, müssen wir zunächst eine Frage klären: Was ist ein Neural Operator?

Einfach ausgedrückt, ist ein Neural Operator ein künstliches neuronales Netzwerk, das lernen kann, „physikalische Gleichungen zu lösen“.

Während des Trainings werden ihm von Wissenschaftlern eine große Menge von Daten zugeführt, die mit der Berechnung von physikalischen Gleichungen zusammenhängen. Beispielsweise: Unterschiedliche Anfangswassertemperaturen → Die Zeit, die benötigt wird, um Instantnudeln zu kochen; Unterschiedliche Abwurfwinkel und -geschwindigkeiten → Die endgültige Flugbahn und der Aufschlagpunkt eines Basketballs …

Durch das Lernen dieser Beispiele entwickelt der Neural Operator schließlich eine „allgemeine Regel“, so als hätte er eine höhere Multiplikationstabelle beherrscht.

In Zukunft, wenn er auf ähnliche Daten stößt, muss er nicht Schritt für Schritt rechnen, sondern kann mit seiner „Intuition“ die „Schwerpunktaufgabe“ sofort lösen.

Hier ist ein Beispiel:

Sie möchten vorhersagen, wohin ein Sturm sich bewegen wird. Nach der herkömmlichen Methode müsste selbst ein Supercomputer mehrere Stunden lang rechnen;

Aber wenn Sie einen Neural Operator verwenden, braucht er nur die Luftdruck, Temperatur und Windgeschwindigkeit des Tages als Eingabe, und er kann in wenigen Millisekunden die Flugbahn des Sturms berechnen.

Das ist wie ein Schulstar, der alles auf Anhieb lernt. Er kann mit einem Blick auf die Aufgabe auf der Basis seines Wissens direkt die Lösung auf dem Antwortbogen schreiben, ohne Schritt für Schritt auf Papier zu rechnen.

(Hinweis: Wenn Sie das bei der Hochschulaufnahmeprüfung tun, werden Sie immer noch mit einer Null bewertet.)

Dank dieser „Sofortberechnungs“-Fähigkeit wirken Neural Operatoren wie Zauber in Bereichen wie Wettervorhersage, Kohlenstoffsequestrierung und Aerodynamik-Simulation.

Was noch wichtiger ist, dass sie es erstmals ermöglichen, dass KI auf der Ebene der physikalischen Gesetze generalisiert werden kann, und somit eine Schlüsselbrücke zwischen maschinellem Lernen und Grundlagenwissenschaften werden.

Li Zongyis Forschungsschwerpunkt liegt genau in diesem Bereich, und er hat einen wichtigen Schritt in diese Richtung gemacht – Der von ihm vorgeschlagene FNO verschiebt die herkömmliche räumliche Faltung in den Frequenzbereich und verwendet die Fourier-Transformation zur Datenverarbeitung, um die Laufgeschwindigkeit des Neural Operators um ein Vielfaches zu erhöhen.

Genau dieser Durchbruch hat den FNO als Meilensteinmodell im Bereich „AI for Science“ gemacht, und Li Zongyi wird daher als einer der Kernbeiträge in der Richtung der Neural Operatoren anerkannt. Seine Zitationen auf Google Scholar haben bereits über 12.000 erreicht.

Derzeit arbeitet Li Zongyi als Postdoktorand an der MIT und wird von Professor He Kaiming betreut.

Aber seine Zeit an der MIT wird möglicherweise nicht lange sein –

Es ist bekannt, dass er bereits die Stelle als Assistentprofessor an der New York University erhalten hat und im nächsten Herbst antritt.

Li Zongyis Heimat ist Peking. Er besuchte die High School Affiliated to Renmin University und reiste dann nach den USA, um zu studieren.

Während seines Bachelorstudiums absolvierte er ein Doppelstudium in Informatik und Mathematik an der Washington University in St. Louis und absolvierte auch ein Nebenfach in Jazzmusik.

Im Jahr 2019 begann er sein Doktorat an der California Institute of Technology und arbeitete unter der Leitung von Anima Anandkumar und Andrew Stuart. Beide Betreuer waren Zeugen der Entstehung des FNO.

Außerdem absolvierte Li Zongyi während seines Doktoratsstudiums drei Sommer in Folge ein Praktikum bei NVIDIA.

Was macht He Kaiming? Tief in die AI for Science eintauchen

Tatsächlich hat Professor He Kaiming in seinem Bewerbungsvortrag an der MIT im Jahr 2023 klar gemacht, dass „AI for Science“ der Schwerpunkt seiner Forschung in den nächsten Jahren sein wird.

Wenn man sich jetzt seine Teamzusammensetzung ansieht, hat es tatsächlich seine Gründe.

Die beiden neuen Mitglieder – Hu Keya und Li Zongyi – haben einer in einem Brain-Computer-Interface-Labor an der Shanghai Jiao Tong Universität geforscht, und der andere ist ein führender Charakter im Bereich der Neural Operatoren. Sie ergänzen sich perfekt in dieser Richtung.

Zusammen mit den früheren Mitgliedern Deng Mingyang, Bai Xingjian, Li Tianhong und Jake Austin hat He Kaiming jetzt sechs begnadete Schüler zusammengebracht, was ein „luxuriöses Team“ ist.

Aber es ist zu hören, dass das ursprüngliche Plan eigentlich sieben Personen war.

Der letzte Kandidat ist ein Junge mit einem ebenfalls beeindruckenden Akademikerlauf. Es gibt sogar Gerüchte, dass seine Empfehlungsschreiben von einem renommierten Professor auf dem gleichen Niveau wie He Kaiming stammen und er stark empfohlen wurde.

Derzeit fehlt er aber noch in