爆炸消息——

ViT三大核心作者集體離職谷歌DeepMind。下一站：OpenAI！

他們分別是翟曉華（Xiaohua Zhai）、盧卡斯·拜爾（Lucas Beyer）、亞歷山大·科列斯尼科夫（Alexander Kolesnikov）。

相關(guān)消息已被本人證實，三人均官宣了新動向。

2021年，他們?nèi)俗鳛楣餐蛔鞯挠嬎銠C視覺領(lǐng)域神作ViT發(fā)布即刷新ImageNet最高分。

這項研究證實了CNN在CV領(lǐng)域不是必需的，Transformer從NLP跨界，一樣可以取得先進效果。開創(chuàng)了Transformer在CV領(lǐng)域應(yīng)用的先河。

目前這篇論文被引用量已超過4.9萬。

此外，他們還共同提出了SigLIP、PaliGamma等SOTA級工作。

幾周后，他們將正式加入OpenAI蘇黎世實驗室。

值得一提的是，Wired方面消息稱，三人是被OpenAI挖走的。

網(wǎng)友評論：能撬動這一“鐵三角”黃金組合，OpenAI真的太幸運了。

ViT三大核心作者投奔OpenAI

Xiaohua Zhai（翟曉華）

此前他是Google DeepMind 的高級研究員，領(lǐng)導(dǎo)著蘇黎世一個多模態(tài)研究小組。重點研究多模態(tài)數(shù)據(jù)（WebLI）、開放權(quán)重模型 ( SigLIP、PaliGemma )以及文化包容性。

目前谷歌學(xué)術(shù)引用數(shù)超六萬多。

2014年他畢業(yè)于北京大學(xué)，獲得計算機系博士學(xué)位；本科畢業(yè)于南京大學(xué)。一畢業(yè)就前往谷歌蘇黎世工作。

Lucas Beyer

這位同樣也是谷歌DeepMind蘇黎世小組的一位成員，共同領(lǐng)導(dǎo)著DeepMind的多模態(tài)研究團隊和基礎(chǔ)設(shè)施。

目前已經(jīng)撰寫超50篇論文，被CVPR、NeurIPS、ICCV 等這些頂級會議接收。

據(jù)他個人官網(wǎng)中介紹，他在比利時長大，曾夢想制作電子游戲以及從事AI研究。自我認(rèn)定為「自學(xué)成才的黑客和研究科學(xué)家，致力于創(chuàng)造飛凡實物」。

他在德國亞琛工業(yè)大學(xué)學(xué)習(xí)機械工程，并在那里獲得了機器人感知和計算機視覺博士學(xué)位。2018年加入谷歌。

Alexander Kolesnikov

2018年以來，他就在谷歌大腦，現(xiàn)為DeepMind團隊工作。之前主要成就包括訓(xùn)練SOTA視覺模型*（從2019年到2021年都實現(xiàn)了ImageNet SOTA）；開放權(quán)重模型（SigLIP和PaliGemma），以及神經(jīng)架構(gòu)方面的工作：BiT、ViT、MLP-Mixer和FlexiViT。

除此之外，編寫靈活、高性能的研究基礎(chǔ)設(shè)施，尤其是Jax。

此前，他在奧地利科學(xué)技術(shù)研究所（ISTA）攻讀博士學(xué)位，研究方向是弱監(jiān)督學(xué)習(xí)和圖像生成模型。

曾是谷歌CV的“黃金鐵三角”

在谷歌任職期間，三人多次合作并帶來了影響領(lǐng)域發(fā)展的重要工作。

其中最重要的一篇莫過于ViT。

這篇研究驗證了Transformer架構(gòu)在計算機視覺領(lǐng)域的通用性。在它的基礎(chǔ)上衍生出了Swin Transformer、DeiT（Data-efficient Image Transformers）等。

它創(chuàng)新性提出將圖像分割成固定大小的塊（patches），并將每個塊視為一個序列元素，與NLP中的單詞類似。然后，這些塊通過變換器進行處理。

在許多視覺任務(wù)中，ViT在性能上超過了傳統(tǒng)的CNN模型，尤其是在大規(guī)模數(shù)據(jù)集上進行訓(xùn)練時表現(xiàn)尤為突出。例如，在ImageNet分類任務(wù)中，ViT取得了與最先進的CNN模型相當(dāng)甚至更好的結(jié)果。

此外他們還合作推出了MLP-Mixer、BiT（CV界的BERT）等領(lǐng)域內(nèi)知名工作。

參考鏈接：
[1]https://www.wired.com/story/openai-hires-deepmind-zurich/。
[2]https://kolesnikov.ch/。
[3]https://sites.google.com/view/xzhai。
[4]https://lucasb.eyer.be/。