（向下滑动查看更多）
“我们当时都不知道它叫预训练和后训练”
刘子纬的求学研究路径跨越两个半球，本科就读于华中科技大学电子信息专业；之后到香港中文大学MMLab攻读博士；随后在UC Berkeley做博士后；目前在新加坡南洋理工大学担任副教授。
谈及研究为什么选视觉方向，刘子纬说，“视觉是人最直观的一种交互方式。做计算机视觉和生成时，可以很直观地看到自己模型输出的效果，并且能够广泛地分享给整个社会，让很多人用起来。这件事让我觉得很有成就感。”
刘子纬说读博之后，受到导师影响比较多，汤晓鸥老师教导我们，更多是从领域的角度出发，思考如何为整个领域做好基建。
他引以为傲的一项工作，是博士初期做的一个人脸表征学习项目。那是在2013、2014年，整个AI领域正从人工设计特征转向深度学习。“汤老师看到了这个机会，我们全组立刻转向了深度学习。他给了我们很多支持，包括整个GPU资源——当时国内国外有GPU的组并不多。”
“这是一套非常完整的工作：从数据集的整理、标注到训练。我们收集了非常大的一批人脸数据，在当时的模型上做了预训练，还做了一些现在看起来是各种迁移性的测试。用今天的话说，他们走完了从大规模数据、到预训练、再到后训练的整个过程，只是我们当时都不知道它叫后训练。”
它的意义有两点：“第一，为整个领域搭建了基础设施。那个数据集，支撑了全球第一个超越人类水平的人脸识别算法。第二，开创了预训练的一个早期范式，特别是在以人为中心的表征上。”
10年后，这个工作拿到了计算机视觉领域公认的最高奖项之一“马尔奖（Marr Prize）”。“这个奖更多是一个时间检验奖，它需要一个工作经历10年的检验，所以10年后拿到这个奖，意味着整个领域都认可了我们团队研究的价值。”
“数字世界的很多问题都会被解决掉”
“现在AI发展太快，未来5年我觉得是比较清晰的。2026、2027年，数字世界里的很多问题都会被解决掉：理解类、生成类，甚至生产方式类的问题。这些随着大模型的迭代会慢慢闭环，因为它们的反馈很直接：用户喜不喜欢用、点击量多少。所以它的研究价值会慢慢降低，但商业价值会越来越高。”
刘子纬认为研究价值更高的地方在物理世界。"物理世界的反馈很慢，试错成本高，可能会花很多钱，修起来也很麻烦。往后最大的一个问题，是如何让一个机器 agent 从现实世界里拿到足够多的反馈。"
他提出两条路径：一是向人类学习，有点像带小孩，小婴儿成长起来也是看大人怎么做，当然自己也会摔跤，但更多是模仿；二是自进化。比如学会开一扇门，那能不能开另一扇门？人有举一反三的能力，机器在数字世界里已经有了，在物理世界里还完全没有。
此外，他还关心的是老龄化问题：整个能够参与生产的人数会降低，这部分可能需要机器人去帮忙；另外，如何赡养老人照顾小孩，也需要机器人。
他还预估：“看护类的机器人，三年左右就会出现相对普及的方案；代替人类去外太空探索，大概5到6年。我个人是乐观派。”
至于行业热潮，他直言“肯定是有泡沫的，整个还是一个过热的过程，但如果从经济周期的角度去看，也不是坏事。很多行业最开始也都是需要泡沫去催生它整个的大发展，很多时候开头是大水漫灌，才能够最终筛选出那些有价值的东西。”
至于真正值得长期投入的方向，他说：“最终留下来的，第一是基建，所有基建都值得踏踏实实地做。第二，是尝试做一个更通用的方案。过去十年，大家各自造一些过于精细的方案，但最终走向普罗大众、能够一统整个领域的方案，都是相对简洁且通用的。”
生活里，他一直保持着规律的运动：每周打一次篮球，游一两次泳。“游泳相对放松，甚至可以在过程中进行一些思考，是一个进入心流的过程”。此外他还喜欢看闲书，从村上春树到各种小说，“甚至也会看日剧”。
刘子纬说，高中文理未分科时他文学素养不错，参加过新概念作文大赛还拿过奖，但最后还是选了理科，“因为自己的那些好奇可能在理科里面能得到很好的解答”。
获得蚂蚁InTech科技奖后，这笔奖金打算怎么用？刘子纬回答，“我应该会尝试更多最新的、所谓AI native的产品，尽管我已经是这个领域的人了，但相比很多更年轻的05后、10后，他们有很多特别新的产品我没有用过。比如现在各种AI耳机、AI陪伴类、AI生产工具类，我都想试一试。”
（向下滑动查看更多）
“做科研，就是不断走出舒适圈”
王文冠的求学绕了整整半个地球 —— 北京理工大学读博，期间去加州大学洛杉矶分校访学两年；毕业后到阿联酋起源人工智能研究院待了一年多，又去瑞士苏黎世联邦理工学院做博士后；2022 年在澳大利亚悉尼科技大学拿了教职，但在2023年初他选择回国，就职于浙江大学。
为什么绕了这么大一圈，还是回来了？王文冠说，“出国和回国，其实是同一件事的两半。就像那句话说的那样，离开是为了更好的回来。”
“我们处在人工智能这样的时代，大国之间科技竞争非常激烈，作为科研人员，不会不去考虑整个时代和国家的召唤。学有所成，报效祖国，这是我们很多海外求学学子的想法。”在国外那些年，他认识了很多优秀的科研人员、看到了更多有趣的方向、，在经历了这些之后，越来越想回来。
王文冠补充道，“国内有更多的机会、浙大有自由、开放、包容、鼓励创新的科研环境，这几层原因比较匹配。”
作为成果颇丰的学者，那为什么认为其最引以为傲的成果偏偏是“下一篇”呢？在王文冠看来，做科研就是要走出舒适圈，去探索全新的东西，“每一次都是一个突破自我、去探寻人类知识边界的过程，这个过程非常让人激动。”
“而每一篇值得做的研究，过程都类似：先找到一个值得投入的方向，要么是领域最前沿、大家还不知道答案的，要么是在重要场景里应用价值很大的；再梳理出最根本的问题，用各种方式找到解决方案。做研究，就是不断重复这个有趣的过程。”
“一个眼神就懂你，现在的 AI 还做不到”
王文冠的研究方向，是认知科学与智能体的结合。为什么偏偏做这个？
他的理由很朴素：“人类本身的智能，是我们研究人工智能时唯一的参照物。人类具备很多强大的认知能力，是目前的人工智能还做不到的，况且人工智能终究要服务人类社会，它需要与人类的许多能力进行对齐。”
照着人这个参照物看，那么现在的AI 到底还差在哪里？
王文冠拿最普通的生活场景来举例：“比如叠衣服或者收拾屋子，我们人类觉得很简单，但对机器人和智能体来说非常有难度。”
“这些看着简单的事，难点就难在‘泛化’上。人每天要面对的新世界、新事物，可掌握的知识技能是有限的，为什么我们能以有限的技能，去应对无限的新的可能呢？这是人类非常强大的能力，现在的智能体还达不到。”
“再比如，有些人跟你心意相通，你给他一个眼神，他就知道你的想法，现在的AI也很难做到。”
“AI也很难理解物理世界、发现物理规律。苹果砸到牛顿头上有了万有引力，而现在的AI也很难做到”
“还有与人的价值对齐，当你情绪不好的时候，你不希望AI不断催促你去做某件事，可能更需要AI跟我们聊聊天，安抚我们的情绪；如果AI只从完成任务、提高效率的角度出发，就难以与人共情。”
于是，他给团队定下一个奋斗目标：让AI理解社会常识并掌握物理规律，和人类的认知、价值观对齐。
那离AI真正走进我们人类生活的那一天，又要等多久呢？
王文冠说，“很多技术已经在应用，他的研究也得到了蚂蚁等多家科技企业的资助，但这种改变可能是潜移默化的。如果能跟像蚂蚁这样的企业多多合作，落地会来得更快。”
他还相对乐观地预估说，“至于未来的理想状态，一定是硅基智能和碳基智能在人类社会相伴共生，这可能是一个非常长远的目标，但我觉得这个愿景一定会实现。而且人工智能技术取得突破的速度在很多时候超过大家的期待，可能原来也许觉得需要一百年、两百年，现在看趋势，也许会大大短于这个时间。”
（向下滑动查看更多）
Kimi的推理平台，出自他和月之暗面联合发布的开源项目
章明星最引以为傲的，是其团队做出几个还比较知名的开源软件。其中最知名的一个，是团队和月之暗面（Kimi）一起做的Mooncake——Kimi底下的分布式推理平台，“目前应该也是大家在做分布式大模型推理时首选的平台之一”。
“它的影响力，更多的是在大公司这边。绝大多数的大公司都会依赖这套系统来支持他们现在的Token服务。大家日常用到的Token服务，其实间接地会依赖这套系统。”
这个系统落到普通人身上，可能最直观的体现就是Token的价格。章明星说：“现在买Token，一般会有三种定价：输出Token最贵，输入Token居中，缓存Token最便宜。这个缓存Token，有很多人就是用我们这套系统做的。我们不是唯一做出来的，但的确是第一个大规模实践、同时公开技术报告并开源，帮助大家更快地用上这个能力的。”
他做出了B站热搜第一的开源项目
几个项目里，章明星个人更喜欢的是和趋境科技合作的KTransformers。有意思的地方在于：“我们是前瞻性地判断了模型会往稀疏模型这个方向去发展，并且边缘侧对于模型的需求也会同步起来。”
大约两年前，他们开发了这套系统，通过GPU和CPU的异构协同，让本地一台比较小的消费级设备，而不是昂贵的高端GPU服务器，就能运行非常大的模型。“最开始做这个东西的时候，业界至少在开源能看到的模型里面还没有很大的稀疏模型，所以我们选的案例是DeepSeek V2。现在大家都很熟悉DeepSeek，但这是在其V3版本时才彻底火的。”
“后来DeepSeek火了，我们的项目突然就爆火，达到了一个非常热的程度。甚至社区同学发布的一个实践视频上了哔哩哔哩当天的热搜榜榜首，因为当时大家发现模型很大本地跑不起来。找来找去，发现只有我们这种方案，可以让大家在本地至少能跑起来。那个时候我们的社区就急速地扩张和扩展。”
“这是两个不同圈层的影响力。Mooncake的影响在大公司这边，对公众来说可能是一个间接的影响；而KTransformers则让他接触到非常多真实的个人，他们不是什么大企业的雇佣者，而是各种各样的社区爱好者，甚至是全世界的各种各样的人。所以从个人来讲，最引以为傲的作品硬要我二选一的话，第二个的故事会更传奇一点。”
从北邮到清华，一篇论文曾被拒6次
章明星的求学经历都是在国内完成的。其本科就读于北京邮电大学，博士在清华大学，方向是分布式系统，博士毕业后，他在一家科技公司工作了五年，之后回到清华，研究转向机器学习系统。
“说白了这都是一个围城。论文写多了，就想去企业界做一些产品。在企业待了一段时间之后，虽然干得还挺好，但感觉在那个体量和位置下，能做到的也差不多到瓶颈了，于是又回到清华这边来做更前沿一些的东西，正好又赶上了AI这波浪潮。”
提起往事，章明星讲的很轻松，但其实他的博士之路并不那么顺利。他的第一篇FSE论文，一度被清华老师当作“不抛弃不放弃”的经典段子来讲，成为内部激励博士们的一个传说。
“那篇论文我被拒了六次，从大四做到博二，最后中了拿到杰出论文奖。幸亏它发生在早期，如果是在博三到博五这么熬，我可能也不一定熬得住。也因为先有了这个好结果，我才有底气去换到自己更感兴趣的方向。”
对于获奖，章明星笑得很平淡 “最大可能就是买点token。”在生活里章明星是个妥妥的“二次元”，看动画比较多。“不是为了放松看的，就是不放松的时候本来就在看。这是我的爱好，从大学开始，这一爱好一直延续到现在。”