才刚拿下MIT终身教职没多久，这转眼又加盟谷歌DeepMind任杰出科学家。
今年MIT工程学院一共有11位教职人员获得终身教职，而何恺明也在名单中。
回到这次加盟谷歌，从介绍里可以看到，确切来说他应该算是兼职（part-time）。
虽然他本人没有透露更多信息，但某书上已经有自称谷歌员工的网友提前剧透了一波：
他即将加入的是DeepMind基础研究组，直属领导的title是L8——离DeepMind老大哈萨比斯还隔着三个老板的距离。
2011年博士毕业后进入微软亚洲研究院工作，任研究员，并在2016年加入Facebook AI Research（FAIR）继续研究计算机视觉。
不过在这之前，他于2015年提出的ResNet（深度残差网络），不仅在ILSVRC 2015分类任务竞赛斩获第一名，还拿到了2016年CVPR最佳论文。
在FAIR期间，何恺明和团队在计算机视觉领域取得不少亮眼的成绩，包括Faster R-CNN及后续的Mask R-CNN等一系列研究。
其中，Mask R-CNN解决了图片中的实例级对象分割问题，不仅能将照片中的人、动物等对象单一检测，还可为其每个对象实例生成一个高质量分隔遮罩，该研究也获得了ICCV 2017最佳论文。
在FAIR干了相当长一段时间后，2023年他官宣加入MIT EECS（电子工程和计算机科学系) ，选择正式回归学术界。
近来其研究主要集中在模型性能优化上，包括提出通过正则化表示（Representation Regularization）来改进图像生成技术、开发高度压缩的Tokenizer来实现在未经训练的情况下生成文本等等。
就在今年2月，他还和谷歌DeepMind全华人班底（黎天鸿、Qinyi Sun、范丽杰）开辟了生成模型的全新范式——
合发论文《Fractal Generative Models（分形生成模型）》，首次使逐像素生成高分辨率图像成为可能。
具体而言，团队提出用参数化的神经网络作为分形生成器，从数据中学习这种递归法则，实现对高维非序列数据的建模，也可用于材料、蛋白质等。
此外，去年其团队还和谷歌DeepMind合作，提出了一个基于连续标记的随机顺序自回归模型——Fluid。
他们所要解决的问题是：视觉自回归模型的Scaling，往往不像在语言模型里那样有效。
基于连续token的模型比离散token模型在视觉质量上更好随机顺序生成与光栅顺序相比在GenEval测试上得分明显更好
更多研究在此不再枚举，总而言之，何恺明和谷歌DeepMind团队实则早有接触。