本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
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。
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：
何恺明重返学界
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。
