<mark id="oztn4"></mark>
0
| 本文作者： 鄭佳美 | 2026-08-06 21:40 |
作者丨高允毅 鄭佳美
編輯丨岑 峰
聚是一團火，散是滿天星，這句話用在谷歌當年的核心實驗室 Google Brain最合適不過。
今早，谷歌傳奇人物，首席科學家兼 Google Brain 創始人之一 Jeff Dean官宣離職創業，作為谷歌老人，他已經加入谷歌工作 27 年。
據 Jeff 深情回憶，當初谷歌才 25 人，如今已經發展到 19 萬多人，不僅成為全球技術創新的中心，還是全球 AI 人才的“黃埔軍?！薄?/span>
其中，Jeff 與吳恩達、Greg Corrado 當年著手創辦 Google Brain，迅速擴張到 1001 人，走出的頂級人才在如今的 AI 創業大潮中已自成一派，不少人成為了AI領域不同公司創始人。
在 Jeff 的創業路演PPT中，這份名單得以曝光。不得不說，含金量高的驚人，比如Anthropic創始人Dario Amodei，SSI創始人Ilya Sutskever。
能孕育如此驚人的創造力，得益于 Jeff 在 2016 年親自開創的 Brain Residency（谷歌大腦駐留計劃）。他打破了科技界“非頂級名校 AI 博士不可”的隱形門檻，破格錄取了大量毫無計算機、甚至毫無學術背景的“跨界異類”。雷峰網(公眾號：雷峰網)
因為隨著 AI 爆發，Jeff Dean 意識到傳統的學術培養速度太慢，于是，他重新劃定了人才篩選標準：
1.極強的“量化思維與編程潛力”（Quantitative Aptitude）
你不一定學過 AI，但你必須在某個需要高度邏輯、數學或編程的領域證明過自己。
考核的不是你的 AI 論文數量，而是你解決復雜邏輯問題的底層思維。
2.對人工智能的“狂熱與自驅力”（Passion for AI）
團隊非?？粗睾蜻x人是否在業余時間自己折騰過開源項目、寫過小算法，或者在 GitHub 上有過活躍的貢獻。
3.非凡的“跨界視角”（Diverse Perspectives）
Google Brain 認為，當所有研究員都是清一色的計算機博士時，思維容易陷入死胡同。引入完全不同學科的頂級大腦，往往能用全新的視角解決 AI 算法的瓶頸。
正是在這樣的篩選背景下，不少物理學、理論數學家，有生物學與醫學背景的人，傳統硬件或非計算機工程師，優秀的本科生與輟學者紛紛加入該計劃。
他們加入后會獲得谷歌全職員工的薪資和無限的算力支持，每個人都會被分配給 Jeff Dean、Geoffrey Hinton 或 Quoc Le 這樣的泰斗級人物直接指導，還可以自由選擇任何前沿的 AI 課題進行攻堅。
Jeff 這種不拘一格的包容心與對人才的極度信任，不僅為后來的 Google DeepMind 聯合軍團打造 Gemini 系列大模型奠定了底座，更在過去十幾年間，為整個現代 AI 行業播下了最重要的火種。
順著這份名單，我們做了一個整理。
01
▎Jeffrey Adgate Dean
如今作為 Discovery Loop 聯合創始人的 Jeff Dean，當初曾是 Google Brain 的精神圖騰與領航者。
Jeff Dean 是當代計算機科學界與人工智能領域的殿堂級科學家與工程師。他被譽為谷歌的 “基礎設施之神” 和 “AI 教父”，和一眾搭檔搭建起支撐現代互聯網大數據以及大模型 AI 時代的底層架構。
Jeff Dean 本科就讀于明尼蘇達大學計算機科學與工程專業，后于華盛頓大學取得計算機科學博士學位，師從 Craig Chambers，博士階段的研究方向聚焦編譯器優化，長期深耕計算機底層技術理論，為后續大規模工程系統研發打下了扎實的學術根基。
1999 年， Jeff Dean 加入谷歌，是公司第 30 號員工。在谷歌，以 2010 年為界，他的職業生涯完美地分為了兩大半場：大數據與分布式系統之神（1999?2010）與現代深度學習與大模型奠基人。
在 AI 爆發前，Jeff Dean 主要深耕大數據與分布式系統領域，與他的 “黃金搭檔” Sanjay Ghemawat，在 2003 年至 2006 年間發表的三篇劃時代的技術論文，俗稱“谷歌三駕馬車”。這三項技術不僅拯救了當時處于數據崩潰邊緣的谷歌，更直接開創了全球大數據與云計算時代。
其中，GFS 作為分布式文件系統，把成千上萬臺普通的計算機連接起來共同存儲海量數據，解決了單臺機器裝不下、硬件易損壞的問題；
MapReduce 作為大規模分布式計算系統，確立了現代大數據的通用計算范式，也成為開源 Hadoop 生態的重要技術啟發；BigTable 作為面向海量數據的分布式結構化存儲系統，支撐了谷歌海量網頁索引業務，也是現代 NoSQL 數據庫的技術源頭。
他還設計并重構了谷歌前五代搜索索引系統及廣告系統（AdSense）的底層邏輯，夯實了 Google Ads & Search 的核心技術架構。并且，他主導研發了全球級分布式數據庫 Spanner，依托自研的 TrueTime API 與原子鐘技術，首次在全球范圍內完美解決了分布式系統的強一致性難題。
2011 年開始，Jeff Dean 將目光全面轉向人工智能。他與吳恩達、Greg Corrado 共同創立 Google Brain，搭建起谷歌核心的人工智能研發團隊。
2012 年，他帶領團隊調用上萬個 CPU 核心搭建神經網絡，基于 YouTube 視頻未經標注的畫面幀，讓計算機在沒有人工干預的情況下自主學會了識別 “貓”。這一里程碑式的無監督學習實驗轟動了科技界，成功證明了大規模算力堆砌神經網絡的巨大潛力，拉開了深度學習工業化浪潮的序幕
后續他陸續產出多項關鍵成果，主導并推出了當下全球影響力頂尖的開源深度學習框架 TensorFlow，為全球機器學習研發提供了通用工具底座。
為了解決 AI 算力不足，他又打造了谷歌自己的芯片 TPU，成為了谷歌對抗英偉達 GPU 的核心算力底牌。
2023 年 4 月，谷歌完成 Google Brain 與 DeepMind 的整合，成立統一的 Google DeepMind 團隊。Jeff Dean 則出任谷歌首席科學家（Chief Scientist），全力投入并統籌 Gemini 大模型的架構迭代與預訓練攻堅工作，Gemini 系列也隨之成為全球頂尖大模型之一。
直至 2026 年 8 月 5 日，Jeff Dean 結束了他的谷歌生涯；此番高層人事震蕩，連帶引發了谷歌母公司 Alphabet 的股價大幅波動。
下一站，Jeff Dean 盯上了 AI for Science 賽道。他與 Sanjay Ghemawat、Oriol Vinyals、Quoc Le 等谷歌核心成員，共同創立 AI 初創公司 Discovery Loop，希望能實現機器學習、科學發現和工程開發的全面自動化。
這也切合了當下的核心賽道—— “遞歸自我改進”，將這種 “自動化 AI 科學家” 封裝為工具。未來，一個只有幾個人的科學家團隊，可以通過租用他們的服務，在研發效率上超越全球最龐大的科研機構。
▎Sanjay Ghemawat
Discovery Loop 另一名聯創 Sanjay Ghemawat，曾是谷歌分布式系統之神與幕后基建泰斗。
Sanjay Ghemawat 與 Jeff Dean 是黃金搭檔，他倆是首批加入谷歌的前 75 名核心員工中的兩位。他與 Jeff Dean 聯手搭建起撐起全球大數據、云計算時代的整套底層軟件架構。
Sanjay Ghemawat 本科就讀于康奈爾大學，之后于麻省理工學院（MIT）取得計算機科學博士學位，師從圖靈獎得主、傳奇計算機科學家 Barbara Liskov。博士階段他主攻數據庫存儲管理，長年深耕操作系統、分布式存儲底層理論，為后續超大規模集群系統研發筑牢了深厚的學術根基。
1999 年年末，Sanjay Ghemawat 緊隨 Jeff Dean 加入谷歌。
在硅谷，他與 Jeff Dean 的“結對編程”是一段流傳了二十年的極客神話。在兩人的合作中，Sanjay 往往是那個坐在鍵盤前、將天才構想轉化為一行行絕無 Bug 的工業級 C++ 代碼的操盤手。
他堅信“硬件必會損壞”的基建哲學，硬是用軟件算法將成千上萬臺最廉價的普通服務器，組裝成了堅不可摧的超級集群，在早期為谷歌省下了數十億美元的機房預算。
在深度學習浪潮到來以前，他一心扎根分布式系統與海量數據基建。他深度參與了谷歌前幾代搜索索引底層架構迭代、集群資源調度系統 Borg 的研發，并完善了 AdSense 廣告后端基礎設施。
同時，作為核心設計者，他打造了全球級分布式數據庫 Spanner，配合 TrueTime API 與原子鐘授時方案，攻克了“跨洲際節點下分布式數據庫強一致性”的行業難題。
2011 年之后，伴隨谷歌 AI 板塊崛起，他開始為 Google Brain 團隊搭建深度學習分布式算力底層。
他深度參與了 TensorFlow 的底層架構開發，負責框架內部存儲、內存調度與跨機器集群通信模塊；后續又參與了 TPU 集群調度與大模型 Pathways 異步分布式數據流架構的研發，為 Gemini 系列大模型的大規模預訓練提供了決定性的集群基礎設施支撐。
不僅如此，他隨手開源的 LevelDB 與高速內存分配器 TCMalloc，至今仍是全球互聯網高并發架構的通用底座。
盡管斬獲了美國國家工程院院士、ACM 計算獎等行業最高榮譽，但在性格上，Sanjay 卻走向了與 Jeff Dean 截然相反的極致。
他一生極度抗拒行政管理，幾十年來拒絕所有帶團隊的晉升機會，只愿以最高級研究員（Senior Fellow）的身份死守在代碼一線。這位低調至極的“掃地僧”，正是硅谷純粹極客精神的終極化身。
▎Quoc V. Le
Discovery Loop 另一名聯創 Quoc V. Le，曾是 Google Brain 早期功臣與機器學習泰斗。雷峰網
他是當代自動化 AI 研究領域的殿堂級科學家。博士期間他便師從吳恩達（Andrew Ng），并于 2011 年作為初代核心成員加入剛剛組建的 Google Brain，開啟了長達 15 年的傳奇生涯。
在全球深度學習爆發之初，Quoc V. Le 便是谷歌大腦標志性“貓識別實驗”的第一作者與主要負責人。他調用上萬顆 CPU 核心，讓機器在沒有人工干預的情況下自主學會了識別 YouTube 視頻中的貓咪，向工業界證實了大算力深度學習的巨大潛力。
往后，他相繼參與發明了 Seq2Seq、Doc2Vec 等劃時代基礎框架。由于該技術徹底重塑了全球語言模型的研發范式，在 2024 年底的 NeurIPS 頂會上，他十年前發明的 Seq2Seq 論文毫無懸念地斬獲了象征行業最高跨度認可的“時間檢驗獎”。
他當初還是月之暗面創始人楊植麟在 Google Brain 期間的直屬導師。
此外，他還是谷歌 AutoML（自動機器學習）全系列項目的牽頭人，最早落地神經架構搜索技術，真正實現了“讓機器自主設計神經網絡”；后續更主導了思維鏈提示技術、AlphaGeometry 幾何解題系統等多項重磅成果。
在 Google Brain 與 DeepMind 合并后，他全面負責大模型預訓練后的算法優化與數學推理攻堅。
就在 2026 年 8 月官宣出走前夕，谷歌最新發布的 Gemini 3 "Deep Think" 推理模型在評測榜上大殺四方，而這背后的算法優化和多步推理功臣，正是 Quoc V. Le 帶領的團隊。他是帶著在老東家的最高技術榮耀，選擇在最高光時刻轉身離開。
▎Oriol Vinyals
Discovery?Loop 聯合創始人之一 Oriol Vinyals，曾是 Google Brain 頂尖的深度學習、多模態方向核心研究者。他是當代多模態、強化學習領域殿堂級科研人員。
2013 年，他完成加州大學伯克利分校博士學業，經由 Jeff Dean 的郵件邀約加入 Google?Brain，自此開啟了長達 13 年的谷歌系科研生涯，并于 2026 年 8 月正式離職，與 Jeff Dean 等人共同創立了 Discovery Loop。
前期在谷歌大腦，他和 Ilya Sutskever、Quoc V.Le 共同推出 Seq2Seq 序列?序列架構，徹底重塑了機器翻譯的技術范式。除此之外，他研發出經典的 Show?and?Tell 看圖說話框架，較早打通視覺與語言的跨模態任務，成為現代圖文多模態研究里程碑。
2016 年，他前往 DeepMind 任職，出任 Google DeepMind 研究副總裁（Research Vice President）兼深度學習負責人。他牽頭研發星際爭霸 2 智能體 AlphaStar，AI 達到游戲宗師水準、戰勝頂尖職業選手，成果登上《自然》封面；同時作為核心成員參與 AlphaFold 蛋白質結構預測、AlphaCode 競賽級代碼生成等前沿 AI 科研項目。
2023 年 Google?Brain 與 DeepMind 完成機構合并之后，Oriol Vinyals 出任谷歌旗艦大模型 Gemini 聯合負責人（Co-lead）。他堅持原生多模態架構路線，主導跨模態對齊、復雜推理方向的技術攻堅，是 Gemini 項目最核心的搭建者。
02
四人背后，是一整代 AI 創始人
▎Dario Amodei
Dario Amodei，Anthropic 創始人，如今已成為谷歌與 OpenAI 的頭號競爭對手。
這位普林斯頓生物物理學博士，曾先后任職于百度與 Google Brain，是現代 Scaling Law（規模法則） 的最早洞察與布道者。
Dario Amodei 于 2014 年 11 月至 2015 年 7 月在百度硅谷人工智能實驗室（SVAIL）任職，參與研發了著名的 Deep Speech 2 模型，這也是他最早察覺到“模型性能隨數據和算力增加而提升”這一規模規律的時期。
隨后，他于 2015 年 7 月至 2016 年 7 月在 Google Brain 擔任資深研究科學家（Senior Research Scientist），期間，他深入參與神經網絡表征學習，積累了在數萬顆處理器上維持大規模神經網絡穩定訓練的工程經驗，進一步驗證并洞察了規模法則。
2016 年 7 月，Dario Amodei 正式加入 OpenAI，出任研發副總裁。他親手主導了 GPT-2 與 GPT-3 兩代里程碑模型的研發，并帶領團隊將 RLHF（人類反饋強化學習） 技術成功應用于大語言模型，確立了后世所有大模型對齊訓練的標準范式。
2021 年，因與 OpenAI 在 AI 發展安全理念上產生根本分歧，他帶領包括其妹妹 Daniela 在內的 7 位核心成員集體出走，創辦了主打安全與可控的 Anthropic。
在他的掌舵下，旗艦大模型 Claude 3.5 系列憑借在代碼、復雜推理上的卓越表現，在全行業開發者圈中逆襲封神。同時，他在“機械可解釋性”領域斬獲了里程碑突破，首次給 AI 大腦做“核磁共振”，揪出了控制偏見與欺騙的特定神經元。
▎Ilya Sutskever
Ilya Sutskever，SSI（Safe Superintelligence Inc.）創始人。作為當代深度學習與神經網絡架構領域的殿堂級科學家、深度學習三巨頭之一，他深刻奠定了現代生成式大模型的技術根基。
Ilya Sutskever 師從深度學習泰斗 Geoffrey Hinton，長年專注循環神經網絡與無監督表征學習，執著于鉆研神經網絡的底層運行原理。
2012 年，他與 Alex Krizhevsky 等人共同完成 AlexNet，在 ImageNet 競賽中碾壓傳統算法，正式引爆了卷積神經網絡浪潮。
加入 Google Brain 后，他與 Oriol Vinyals、Quoc V. Le 共同推出了 Seq2Seq（序列到序列）框架，不僅成為機器翻譯與序列生成技術的基石，也為后來 Transformer 架構的誕生埋下了伏筆。
隨后，他參與創立了 OpenAI 并擔任首任首席科學家，主導了 GPT-1 到 GPT-4 的整體技術路線。然而，隨著 GPT-4 的發布，他越來越擔憂 AI 的可控性問題。最終在 2024 年 5 月，因在 AI 發展方向與安全理念上與 OpenAI 管理層產生根本分歧，他選擇決然出走，開啟了全新的創業項目。
2024 年，他創立了 SSI 實驗室。與傳統 AI 公司不同，SSI 拒絕商業化干擾，不做 API 或聊天機器人，其唯一的目標和產品就是研發“安全的超級智能（Safe Superintelligence）”，專注于模型對齊與通用推理的底層技術。
隨著行業規模法則逐漸觸及天花板，Ilya 敏銳地指出，僅靠擴大現有規模難以實現真正突破，行業必須尋找“新的山峰”，回歸真正的研究時代。SSI 正是他探索這一新范式的核心陣地。
目前，SSI 團隊規模僅維持在 50 人左右，但憑借對“超級智能”的技術直覺，已獲得了頂級風投及芯片巨頭的極限支持。
據悉，就在 2026 年 8 月本月，在隱密處閉關兩年的 SSI 被爆出將首次面向全球揭曉其初代顛覆性研究大模型。
▎Chris Olah
Chris Olah，當代大模型機制解析領域的絕對教父、Anthropic 創始團隊成員。
這位沒有完成常規大學教育的天才，在 18 歲時因覺得“留在教室會阻礙研究速度”而果斷從多倫多大學數學系輟學。他憑借將冰冷數學公式化為絕美視覺彩繪的個人博客 colah.github.io 轟動硅谷，成為無數巨頭的入行教案，并因此被 Jeff Dean 破格招入 Google Brain，拓荒神經網絡可視化。
2018 年加入 OpenAI 后，他組建并執掌 Clarity 研究團隊，領導了開創性的“Transformer Circuits”系列研究，成為了整個 AI 領域機制可解釋性（Mechanistic Interpretability）的開山始祖。
2021 年，為了堅守 AI 安全的底線，他跟隨 Dario Amodei 共同出走，作為創始團隊成員聯合創立了 Anthropic。
在 Anthropic，他帶領團隊利用稀疏自編碼器（SAEs），首次實現了對大模型內部機制的“可視化解析”，精準解析出 Claude 內部數千萬個控制喜悅、內省乃至欺騙的概念特征。
▎Tom Brown
Tom Brown，Anthropic 首席算力官、七位創始成員之一，全權執掌 Claude 全系列的算力集群與訓練底層架構建設。
這位 MIT 計算機系畢業生有著極具反差的傳奇色彩，他早年的線性代數成績僅有 B-，在經歷創業失敗的低谷后，全靠買顯卡自學機器學習殺入 AI 賽道。
2012年，他開創了社交等領域創業公司 Grouper，擔任聯合創始人兼 CTO。
他后來成為 OpenAI 的前 20 名員工，發表了論文 《Deep reinforcement learning from human preferences》，成為RLHF 技術的奠基者之一。
隨后，他短暫加入 Google DeepMind 擔任 Technical Staff，專注于對抗性機器學習方向的研究工作。
2016 年他再次回歸 OpenAI 后，并展現出了驚人的硬件直覺。 2018 年，他出任 GPT-3 項目工程主管，親手搭建起 1750 億參數模型的專屬算力集群，攻克了超大規模分布式調度的工程死穴。作為第一作者，他發布了劃時代的 GPT-3 開山論文，正式掀開了千億參數大模型的全球巨浪。
2021 年，為了堅守安全優先的理念，他與 Dario Amodei 等人選擇決裂出走，聯合創立了 Anthropic。在 Anthropic，他構筑起對標國家級工程規模的訓練集群，全面推進 AWS 定制算力項目，為 Claude 的多輪進化鎖死了算力底牌。
▎Wojciech Zaremba
Wojciech Zaremba，OpenAI 早期核心聯合創始人。
2014 年，他在 Google Brain 擔任研究員期間，與 Ilya Sutskever 等人共同發表了轟動行業的《神經網絡的對抗特性》論文。作為 AI 魯棒性與安全防御研究領域的開創性奠基人之一，他率先揭示了神經網絡在面對對抗樣本時的脆弱性。
2015 年底，他選擇加入 OpenAI 初創團隊。Zaremba 全面負責大型模型的工程落地與穩定性調試，并作為主要負責人主導了初代代碼大模型 Codex 的整體研發工作。該成果直接催生了如今風靡全球的 GitHub Copilot，以一己之力開辟出了 AI 代碼助手這條繁榮的萬億賽道。
2026 年 3 月，他正式出任 OpenAI Foundation 的“AI 韌性負責人”。全力驅使 AI 深入兒童安全、生物防御以及黑盒安全獨立評估等前沿領域。
▎Sergey Levine
Sergey Levine，Physical Intelligence（π）聯合創始人。作為當代深度強化學習與具身智能領域的絕對教父，他只手打通了強化學習算法、視覺動作模型與實體機械體之間的通用技術鏈路。
在谷歌兼職期間，他主導了大規模機器人協同與端到端深度學習的研究，推動了手眼協調抓取技術的落地。
作為離線強化學習的開山學者，他在硅谷還留下了一段關于“失敗數據”的著名趣事。當所有人都在炫耀機器人成功的完美視頻時，他通過提出 CQL 等離線強化學習算法，硬是證明了利用歷史數據（包括失敗案例）進行訓練，才是具身智能跨越物理鴻溝的最佳養分。
在學術界，他憑借 SAC、CQL 等奠基性算法在全球斬獲了超過 18 萬次的學術引用量，主導的 Open-X-Embodiment 跨國數據集及 Pi-Zero 系列視覺-語言-動作（VLA）模型更是成為了全球通用機器人模型的思想源頭。
2026 年，Sergey Levine 掌舵的機器人 AI 創業公司 Physical Intelligence（π）迎來了大規模的資本爆發。截至 2026 年年中，π 公司在一輪大基金搶奪中累計融資金額破 11 億美元，將估值推至 56 億美元，并在 2026 年以約 110 億美元的估值洽談新一輪融資。
▎Chelsea Finn
Chelsea Finn，和 Sergey Levine 攜手創辦了機器人 AI 初創公司 Physical Intelligence（π）。作為當代元學習與具身智能領域的殿堂級女科學家，她一手打造了讓機器“學會去學習”的元學習底層范式。
在 Google Brain 擔任研究科學家期間，她將元學習理論與實體硬件結合，深度參與了早期端到端視覺控制機器人的算法演進，打通了“視覺感知-機器手操作-自主數據采集”的整套閉環。
作為元學習領域的拓荒者，她與多年的科研搭檔 Sergey Levine 共同推動了大規模真實世界機器人數據集的建設（如 RT-X 項目）。
在學術界，她于加州大學伯克利分校博士畢業后執掌斯坦福 IRIS 實驗室，其共同發明的 MAML（模型無關元學習）算法，打破了神經網絡需要海量數據訓練的死穴，讓機器依靠極少樣本就能自適應新任務。
▎Anna Goldie
Anna Goldie，Ricursive Intelligence 聯合創始人兼 CEO。作為當代強化學習芯片布局與硬件自適應領域的頂尖女科學家，她一手開啟了“用 AI 自動設計專用半導體芯片”的萬億新賽道。
在 Google Brain 期間，她與終身黃金搭檔 Azalia Mirhoseini 組成了名震硅谷的“A&A 組合”。她們將強化學習與芯片布局設計巧妙結合，研發出了后來大名鼎鼎的 AlphaChip 系統。該成果成功落地于多代谷歌 TPU 芯片并登上了《Nature》正刊。
在短暫就職 Anthropic 期間，她作為早期核心科研人員，在 LLM 對齊與工具使用（Tool Use）方向做出了重要貢獻。重回 DeepMind 后，她看透了大廠內部的業務桎梏，與搭檔離職，創立了 Ricursive Intelligence。
2026 年 1 月，公司高調官宣由 Lightspeed 領投、紅杉資本等跟投的 3 億美元 Series A 融資，將估值強行推至 40 億美元的天價。
▎Azalia Mirhoseini
Azalia Mirhoseini，Anna Goldie 的黃金搭檔，同時也是 Ricursive Intelligence 聯合創始人兼 CTO。她在軟硬件協同優化與強化學習硬件設計領域做出了開創性貢獻，致力于打通軟硬件遞歸進化的完整技術鏈路。
在 Google Brain 期間，她與黃金搭檔 Anna Goldie 組成了名震硅谷的“A&A 組合”。兩人將強化學習與芯片布局設計巧妙結合，研發出了后來大名鼎鼎的 AlphaChip 系統。
不僅如此，她關于模型效率與計算優化的前沿研究，也為后世大模型的架構演進提供了重要啟發。
后來，她受聘為斯坦福大學計算機科學助理教授，同時與 Anna Goldie 共同創立了 Ricursive Intelligence，致力于通過“遞歸自我改進循環”徹底革新半導體行業的設計流程。
▎David Silver：
David Silver，Ineffable Intelligence 創始人。作為當代深度強化學習領域的大佬與 AlphaGo 項目總負責人，他是現代自我博弈智能體（Self-Play）的開山鼻祖。
這位劍橋本科、師從強化學習先驅 Richard Sutton 的阿爾伯塔大學博士，有著純粹的工程理智。
在研發 AlphaGo Zero 時，他曾斷然拒絕給 AI 喂任何人類棋譜，硬是讓機器從“完全隨機亂下”開始，在服務器里閉關自我對弈了 2100 萬局。
在谷歌 DeepMind 深耕 13 年、斬獲 30 萬次引用量后，他與其導師 Richard Sutton 等人共同提出了名震天下的《獎勵即足夠》（Reward is Enough）假說，被奉為強化學習學派的精神圖騰。
看透了當前大模型野蠻堆砌人類網頁數據的天花板，David Silver 毅然選擇換道破局。
2026 年 1 月，他高調告別谷歌 DeepMind；短短 3 個月后，其新創辦的倫敦實驗室 Ineffable Intelligence 于 2026 年 4 月 27 日宣布完成 11 億美元超級融資，一舉斬獲歐洲歷史最高種子輪紀錄，將估值強行鎖死在 51 億美元的天價獨角獸之巔。
▎Igor Babuschkin
Igor Babuschkin，xAI 聯合創始人。也是一名橫跨粒子物理、強化學習與大規模 AI 基礎設施的研究者和創業者。
他早年參與 CERN 的 LHCb 實驗，隨后加入 DeepMind，參與 WaveNet 和 AlphaStar 項目；之后在 OpenAI 從事大模型訓練與系統研究，并參與 GPT-4 相關工作。
2023 年，他聯合創辦 xAI，負責模型訓練基礎設施與工程體系建設，是 Colossus 超算集群的重要推動者之一。2025 年離開 xAI 后，他成立 Babuschkin Ventures，轉向 AI 安全與前沿技術投資。
▎Zihang Dai
戴子航（Zihang Dai），xAI 初代聯合創始人。
作為當代長文本建模與 Transformer 架構優化領域的頂級華人科學家，他深刻打通了超長上下文理解與大規模模型穩定訓練的技術鏈路。
這位清華大學計算機系高材生、卡內基梅隆大學（CMU）博士有著極其硬核的技術直覺。在 Google Brain 擔任研究科學家期間，他作為核心成員參與了轟動全行業的長文本開山之作 Transformer-XL 的研發，徹底解決了長序列上下文的碎片化難題。
隨后，他作為并列第一作者推出了里程碑大模型 XLNet，一度在數十項 NLP 權威評測榜單上全面碾壓 BERT，確立了其在全球預訓練大模型演進史上的殿堂級地位。
2023 年他接受馬斯克的組隊召喚。作為僅有的 12 位初代聯創中核心的華人骨干，他主導了 Grok 1 到 Grok-3 全系列大模型的位置編碼優化與上下文能力升級。
2026 年 3 月中旬，戴子航正式官宣離開 xAI。他的出走讓馬斯克在社交媒體上直言“xAI 必須迎來重建”，足見其在核心架構設計上不可替代的分量。
告別馬斯克后，戴子航將目光投向了 AI for Science 的前沿風口。他致力于將畢生深耕的長上下文與雙向預訓練技術注入自動化科研工具中，探索打造能夠自主吞噬海量文獻并遞歸迭代的“全知 AI 科學家”。
▎Guodong Zhang：
張國棟（Guodong Zhang）是機器學習研究者，也是 xAI 的初始創始團隊成員之一。
他本科畢業于浙江大學信息工程專業，隨后在多倫多大學取得計算機科學碩士和博士學位，師從 Roger Grosse 與 David Duvenaud，研究重點包括深度學習訓練動力學、隨機梯度優化、極小極大博弈、貝葉斯深度學習和高效機器學習。
他曾在微軟亞洲研究院、Google Brain 和 DeepMind 從事研究，參與過可變形卷積、自然梯度、權重衰減機理及大批量訓練優化等工作。
2023 年，張國棟加入 xAI 創始團隊，參與 Grok 系列模型及相關訓練、調優和對齊工作。公開報道顯示，他后期直接向 Elon Musk 匯報，并負責 Grok Code 與圖像視頻生成項目 Grok Imagine。
2026 年 3 月，他宣布離開 xAI，并表示將開啟職業生涯的下一階段
▎Arthur Mensch
Arthur Mensch，Mistral AI 聯合創始人兼 CEO。
在 DeepMind 巴黎研究院任職期間，他作為主要作者之一發表了轟動行業的 Chinchilla 算力最優縮放定律論文，完整論證了“小模型配海量數據可碾壓大參數模型”的理論，改寫了全球大模型的超參設計思路，成為后世輕量化基座模型的理論源頭。
2023 年，他因看透了大廠的桎梏，攜手昔日同窗決然回國，在巴黎創辦了 Mistral AI。團隊憑借高效的稀疏混合專家（MoE）架構，陸續推出 Mistral-7B、Mixtral-8x7B 以及最新的旗艦級 Mistral-Large，以極低的算力成本公然對標美國頂尖閉源模型。
▎Ioannis Antonoglou
Ioannis Antonoglou，Reflection AI 聯合創始人兼 CTO。
作為當代深度強化學習與大模型人類對齊領域的殿堂級元老，他一手打通了游戲博弈智能體、規劃算法與長鏈反思對齊的完整技術鏈路。
他是 DeepMind 第 25 號員工。在 DRL 尚未興起的冷門早期，他作為核心成員參與了轟動世界的 DQN（深度 Q 網絡） 及優先經驗回放等開創性研究，首次向工業界證明了神經網絡僅憑像素畫面就能精通數十款雅達利游戲。
在 2016 年 AlphaGo 決戰李世石的世紀大戰中，他主導了強化學習與訓練后系統的核心攻堅，為這臺戰勝人類冠軍的機器重器奠定了底層技術基礎，更直接開啟了后世 AlphaZero 與 MuZero 自我博弈算法登上《自然》《科學》正刊的基建演進。
在 Google Brain 與 DeepMind 大合并之后，他將這種高維博弈規劃能力全面帶入大模型賽道，全權負責 Gemini 旗艦模型的訓練后系統與強化學習偏好對齊，徹底打通了谷歌核心AI的多模態對齊框架。
2024 年底他離開谷歌體系，攜手老搭檔 Misha Laskin 成立了硅谷前沿實驗室 Reflection AI。
▎David Ha
David Ha 是人工智能研究者、Sakana AI 聯合創始人兼 CEO，研究方向集中于生成模型、強化學習、世界模型、神經進化和自組織系統。
他本科畢業于多倫多大學工程科學專業，后在東京大學取得博士學位；轉入人工智能研究前，他曾在高盛日本從事衍生品交易，并擔任利率交易負責人。
加入 Google Brain 后，他在東京領導日本研究團隊，參與提出 HyperNetworks，并與 Jürgen Schmidhuber 合作完成 World Models，探索讓智能體在學習到的內部環境模型中訓練策略；他還參與提出 Weight Agnostic Neural Networks，研究神經網絡架構在缺少常規權重訓練時能否具備基本能力。
2023 年，David Ha 與 Transformer 論文作者 Llion Jones、Ren Ito 在東京共同創辦 Sakana AI，嘗試借鑒生物進化、魚群協作和集體智能，以模型合并、多智能體協作及自動算法搜索探索傳統參數擴張之外的 AI 研發路線。
截至最新一輪官方披露，Sakana AI 的 Series B 融資額為 2 億美元，投后估值約 27 億美元，累計融資約 4.12 億美元，并與 Google 建立了戰略合作及投資關系。
▎Andrew Dai
Andrew?Dai，Elorian?AI 聯合創始人兼 CEO，是早期大模型預訓練方向十分關鍵的研究者之一。
早在 2015 年，行業對語言模型預訓練路線尚處在探索階段，他便在 Google Brain 和 Quoc V. Le 共同完成《半監督序列學習》，該成果登上 NeurIPS。論文驗證了語言模型預訓練?微調的技術思路，為后續 OpenAI?GPT 系列的研發提供了重要的思路參考。
Google?Brain 與 DeepMind 完成整合之后，他出任 Gemini 數據集以及合成數據項目的聯合負責人。
在文本數據紅利逐步見頂的階段，他牽頭搭建千億級原生多模態數據集、搭建整套數據清洗算法體系，是谷歌多模態模型數據鏈路的核心負責人。
2026 年，Andrew?Dai 離開自己深耕 14 年的谷歌體系；聯合前蘋果資深多模態科研科學家 Yinfei?Yang、哈佛前助理教授 Seth Neel，共同創立主打原生視覺推理方向的初創公司 Elorian AI。
▎Liam Fedus
Liam Fedus，Periodic Labs 聯合創始人兼 CEO。
作為當代稀疏混合專家（MoE）架構與大模型后訓練（Post-Training）對齊領域的頂尖科學家，他親手打通了從虛擬萬億參數大模型到物理世界材料科學自動化的完整技術鏈路。
在 Google Brain 期間，他作為第一作者推出了轟動全球的里程碑成果 Switch Transformer，設計出極簡的單專家路由機制，首次將稀疏模型的算力開銷拉到平民級別，一舉搭建起萬億參數稀疏模型的標準方案。
作為核心成員，他深度參與了 ChatGPT 的 RLHF 對齊工作，為這一現象級產品的誕生奠定了關鍵基礎。
此后，他一路飆升至 OpenAI 后訓練研究副總裁，主導了包括 GPT-4o、o1-mini、o1-preview 等重要模型的后訓練研發工作，是 OpenAI 最核心的后訓練技術流水線掌門人。
2025 年 5 月，Liam Fedus 正式跨界創辦了實體科研自動化巨頭 Periodic Labs。由于其在現象級產品 ChatGPT 沉淀下的高維對齊威望，公司很快便砍下高達 3 億美元（約合 21 億元人民幣）的史詩級種子輪融資。
▎Ekin Dogus Cubuk
Ekin Dogus Cubuk，Periodic Labs 聯合創始人兼首席科學家。 他是全球真正打通“計算機視覺、晶體預測、實體機械臂合攏”整套閉環鏈路的第一人。
2017 年加入 Google Brain 早期，由于整個計算機視覺（CV）界深陷數據匱乏的泥潭，這位跨界的物理學家偏偏不信邪。他是用“玩魔方”的邏輯拯救全球計算機視覺的奇才。
在研發 AutoAugment 期間，面對動輒需要訓練幾個月的巨型視覺網絡，他直接拋棄了傳統的微調思路，轉而用固體物理里的“晶格空間對稱性”去類比魔方轉動。他通過強化學習讓算法自己去探索圖片裁剪、旋轉、變色的最佳概率組合。
隨后，他全面執掌 DeepMind 材料科學小組，主導了轟動全球的里程碑項目 GNoME，一口氣為人類預測出 220 萬種穩定晶體。
隨后，他親手打造了登上《Nature》正刊的 A-Lab 自主機器人實驗室。通過讓大模型在后臺設計配方、控制機械臂在實體空間內抓取并合成，僅用 17 天就憑空制備出 41 種人類未知的新型無機化合物。
2025 年 3 月，他與前 OpenAI 后訓練研究副總裁 Liam Fedus跨界創辦了全自動機器人實驗室巨頭 Periodic Labs。
▎Noam Shazeer：
Noam Shazeer，Character.AI創始人，OpenAI 下一代模型架構研究負責人。他是 Transformer 架構的核心締造者與稀疏混合專家（MoE）技術的開山鼻祖。
在杜克大學期間，他曾在全美最負盛名的本科數學競賽普特南（Putnam）考試中排名全國第六，并帶領數學隊奪得冠軍。
2000 年作為第 200 號早期員工入職谷歌后，他開啟了長達二十多年的架構統治。
在全硅谷還在殘存的循環神經網絡（RNN）里打轉的 2017 年，他偏要反其道而行，率先發表論文提出了稀疏門控混合專家（MoE）神經網絡架構，首次通過專家路由機制解決了算力成本的死穴，直接成了如今 GPT-4、Gemini 和 Claude 穩定運行的底層架構。
一年后，作為劃時代論文《Attention Is All You Need》的核心作者之一，他深度參與了多頭注意力、縮放點積注意力與殘差連接的底層原創設計，并親手敲下了人類歷史上第一個真正跑通、超越當時所有指標的 Transformer 工程版本。
2026 年 6 月，Noam Shazeer 正式官宣脫離谷歌體系，高調空降 OpenAI 出任模型架構研究負責人。
▎Daniel De Freitas：
Daniel De Freitas 是巴西人工智能研究者，也是 Character.AI 聯合創始人。
他在 Google Brain 工作期間主導開放域對話模型 Meena 的研發，隨后作為核心作者參與 LaMDA，將大語言模型進一步用于開放式、多輪對話和安全可控的聊天場景。
2021 年，他與 Noam Shazeer 離開 Google，共同創辦 Character.AI，探索具有人格設定、長期互動和個性化體驗的對話智能體，并將大模型對話技術推向大規模消費級應用。
2024 年 8 月，兩人通過 Google 與 Character.AI 的技術授權及人才合作重新加入 Google DeepMind，而 Character.AI 繼續保持獨立運營。
▎Barret Zoph
Barret Zoph，前 Thinking Machines Lab 聯合創始人、還是Open AI 基座模型落地研究副總裁，是神經架構搜索方向里程碑式研究者。
早在 2016 年，業界研究者還依靠人工經驗反復調試神經網絡結構時，年紀尚輕的 Barret Zoph 以第一作者發表神經架構搜索（NAS）相關論文。
他借助強化學習搭建控制器 AI，自動完成海量神經網絡架構的搜索、組裝與測試；由系統自主搜索得到的 NASNet 圖像模型，性能超越人工專家長年調試出的網絡結構。
在長達六年的 Google?Brain 任職期間，他作為合著者參與稀疏混合專家開山之作 Switch Transformer、超大基座模型 GLaM 的研發，為大規模稀疏大模型分布式訓練打下工程基礎。
2022 年 9 月他跳槽入職 OpenAI，與 John Schulman 從零搭建后訓練科研團隊；出任后訓練方向研究副總裁，全權負責 ChatGPT、GPT?4、GPT?4o 整套 RLHF 人類反饋對齊、工具調用、模型安全管線，是讓模型聽懂人類指令、抑制幻覺、調用外部工具的核心負責人。
2024 年 9 月 25 日 Barret Zoph 從 OpenAI 離職，與前 OpenAI?CTO Mira Murati，以及多名前 OpenAI 骨干正式成立明星實驗室 Thinking Machines?Lab，他擔任聯合創始人兼 CTO。
2026 年 1 月 Barret Zoph 重新回到 OpenAI 任職。
▎Luke Metz
Luke Metz，OpenAI 后訓練與推理研發方向的核心科研骨干。
任職 Google?Brain 期間，他深耕神經網絡底層優化算法；彼時大規模模型需要研究者手動調試學習率、各類超參數，Luke?Metz 以第一作者完成里程碑項目 VeLO。
該方案借助元訓練小型神經網絡作為自適應優化器，能夠為海量任務自動調試超參，大幅降低大模型人工調參門檻，推動 AI 自主完成梯度優化方向的研究。
除此之外，他與 Alec Radford、Soumith Chintala 共同發表里程碑成果 DCGAN，該論文后續斬獲 ICLR 時間檢驗獎。
2022 年 Luke?Metz 加入 OpenAI，成為初代 ChatGPT 強化學習團隊核心成員，在后訓練負責人 Barret?Zoph 麾下，參與搭建 RLHF 人類反饋對齊技術鏈路，深度參與 ChatGPT、GPT?4、GPT?4o 以及 o1 推理模型的后訓練研發工作。
2024 年 9 月他從 OpenAI 離職，隨后加入明星實驗室 Thinking?Machines?Lab。 2026 年 1 月，Luke Metz重新回到 OpenAI 任職。
▎Aravind Srinivas：
Aravind Srinivas，Perplexity?AI 聯合創始人兼 CEO。作為強化學習與自監督學習領域的資深研究者，他是實時檢索增強 AI 搜索賽道的頭部創業者。
他畢業于印度理工學院馬德拉斯分校，后續取得加州大學伯克利分校計算機博士學位。在讀博和職業生涯早期，他先后以實習生身份在 DeepMind、Google Brain 開展科研，之后全職加入 OpenAI 擔任科研人員，擁有三家頂尖人工智能實驗室的從業經歷。
2022 年 8 月，他聯合另外三名創始人創立 Perplexity?AI，發布產品 Perplexity。該產品憑借實時聯網回答、可溯源引文的特性快速收獲海量用戶，成為谷歌搜索最主要的競爭對手之一。
2026 年，AI 行業競爭進入軟硬件協同、實時信息推理的階段，Perplexity?AI 順利完成新一輪融資。投資方包含杰夫·貝索斯個人投資、英偉達、Menlo Ventures、軟銀、Accel 等多家知名機構，最新投后估值約 200 億美元。
▎Gabriel Pereyra
Gabriel Pereyra，法律垂直大模型初創企業 Harvey AI 聯合創始人兼總裁。
他深耕神經網絡正則化、大規模模型訓練穩定性方向，是大型模型優化領域的資深科研從業者。
他本科就讀于南加州大學計算機專業，之后進入由 DeepMind 全額資助的牛津大學神經科學博士項目。在攻讀博士期間，他便深度參與工業界 AI 研發，并在之后正式投入該領域。
職業生涯早期，他先后任職于 DeepMind、Google Brain 研究科學家以及 Meta FAIR 機器學習工程師，在多家頭部 AI 實驗室積累了豐富的關于大規模神經網絡與模型穩定性的工程經驗。
2022 年 11 月，他正式離開 Meta，與前證券和反壟斷訴訟律師 Winston Weinberg 共同創立了面向法律行業的 AI 公司 Harvey AI。
▎Sara Hooker
Sara Hooker，AI 初創企業 Adaptation Labs 的聯合創始人兼 CEO。作為模型輕量化壓縮、算力約束研究方向的知名研究者，她長期深耕高效率大模型與自適應迭代 AI 賽道。
在行業集體迷信縮放定律、瘋狂堆砌超大參數量基座模型的時候，Sara Hooker 長期提倡輕量化、高效率的 AI 研究路線。
早期任職 Google Brain 期間，她專注稀疏神經網絡、模型量化、網絡剪枝等模型壓縮方向的科研工作。
后續她入職 Cohere，出任科研副總裁，管理非營利科研實驗室 Cohere for AI，并牽頭發起了知名的 Aya 百語種開源大模型項目，聯合全球三千余名研究者打造多語種開源基座，大力推進低資源語種與普惠開源 AI 生態的建設。
察覺到傳統預訓練模型權重固化、無法在部署之后動態學習的短板，她離開大廠開啟創業。2025 年，Sara Hooker 搭檔前 Cohere 推理計算負責人 Sudip Roy，共同創立了 Adaptation Labs。
▎Sudip Roy
Sudip Roy，Adaptation Labs 聯合創始人兼 CTO。作為大規模機器學習分布式基建與模型推理部署架構方向的資深工程師，他深耕無梯度自適應 AI 全棧技術。
在加入 Cohere 之前，他曾長期在 Google Brain 擔任高級科研工程師，積累了深厚的工業級機器學習流水線與分布式基建經驗。
他不僅為谷歌工業級機器學習流水線 TFX 的數據校驗模塊提供了核心技術貢獻，還參與了 Gemini 底層分布式訓練框架 Pathways 的基建研發，在稀疏混合專家模型集群調度與算力負載均衡等工程工作上有著極深的造詣。
離開谷歌之后，他于 2021 年底加入加拿大 AI 企業 Cohere，一路升任推理計算高級總監，全權搭建整套商業化線上推理基礎設施，成功支撐了 Command-R 系列企業級大模型的落地商用。
察覺到傳統基座模型預訓練完成后權重固化、更新成本高昂的行業短板，他和前 Cohere 科研負責人 Sara Hooker 達成創業共識。二人正式聯合創立 Adaptation Labs，主攻在不修改核心權重的前提下，通過推理階段動態調整行為的無梯度自適應架構。
▎Alex Wiltschko
Alex Wiltschko 是美國神經科學家、人工智能研究者與創業者，也是數字嗅覺公司 Osmo 的創始人兼 CEO。
進入 Google 后，他將嗅覺神經科學、分子化學與深度學習結合，組建并領導機器嗅覺研究團隊，探索僅依據分子結構預測人類氣味感知的方法。
2022 年，他將 Google Brain 的嗅覺研究項目獨立出來創辦 Osmo，致力于構建能夠讀取、描述、搜索和設計氣味的“嗅覺智能”技術體系，目前重點應用于香水與日化產品設計、新型氣味分子發現、驅蚊材料篩選及數字氣味重建。 截至 2026 年，Osmo 已累計融資 1.3 億美元。
Wiltschko 最重要的貢獻，是推動機器學習從視覺和語言進一步進入嗅覺領域，使分子結構與人類氣味感知之間長期依賴人工經驗的關系，開始成為可以用數據和模型研究的問題。
▎Aidan Gomez
Aidan Gomez 是加拿大計算機科學家、企業級人工智能公司 Cohere 的聯合創始人兼首席執行官，也是 Transformer 架構的共同提出者之一。
他本科就讀于多倫多大學，學習計算機科學與數學，并在 Roger Grosse 指導下開展機器學習研究；此后多次進入 Google Brain，從事學生研究和實習工作，先后與 ?ukasz Kaiser、Geoffrey Hinton、Jakob Uszkoreit、Jeff Dean 等研究者合作。
2017 年，Gomez 作為八位作者之一參與發表《Attention Is All You Need》，共同提出完全基于注意力機制、擺脫循環與卷積結構的 Transformer。
2019 年，Gomez 與 Nick Frosst、Ivan Zhang 共同創辦 Cohere，并擔任首席執行官，將事業重心轉向企業級基礎模型和人工智能平臺。
Cohere 主要開發 Command 生成模型、Embed 嵌入模型、Rerank 重排模型及 North 企業智能平臺，強調數據安全、檢索增強生成、多語言能力，以及公有云、私有云和本地環境中的靈活部署。
▎Nick Frosst
Nick Frosst 是加拿大深度學習研究者、人工智能創業者，也是企業級 AI 公司 Cohere 的聯合創始人。
他畢業于多倫多大學計算機科學與認知科學專業，本科期間進入 Geoffrey Hinton 的研究團隊，隨后成為 Hinton 在 Google Brain 多倫多實驗室招聘的首位研究人員。
在 Google Brain 工作期間，他主要研究膠囊網絡、對抗樣本和神經網絡可解釋性，參與提出膠囊網絡的動態路由機制，探索如何讓神經網絡更好地表示物體的空間結構與局部關系；他還研究過將神經網絡知識蒸餾到軟決策樹中，使模型的判斷過程更容易被人理解。
2019 年，他與 Aidan Gomez、Ivan Zhang 共同創辦 Cohere，將研究重心轉向企業級語言模型和 AI 產品，推動大模型在企業知識檢索、文本生成、語義搜索、重排和智能代理等場景中的應用。
▎Ian Goodfellow
Ian Goodfellow 是生成對抗網絡（GAN）的核心提出者，也是對抗樣本與模型魯棒性研究的重要奠基者。
2014 年，他提出 GAN，通過生成器與判別器的對抗訓練推動了圖像生成和生成式建模的發展；同年參與提出快速梯度符號法（FGSM），開辟了對抗攻擊與對抗訓練的重要研究路線。他還與 Yoshua Bengio、Aaron Courville 合著經典教材《深度學習》。
曾任職于 Google Brain、OpenAI、Apple 和 Google DeepMind。其最重要的學術貢獻，集中在生成模型、對抗機器學習和神經網絡安全三個方向。
03
在名單中，我們還看到了一個熟悉的中國名字：楊植麟。
他與 Google 的聯系主要來自博士階段的研究經歷，曾在 Google Brain 與 Quoc V. Le 團隊合作，從事語言模型與自然語言處理研究，并共同完成 Transformer-XL、XLNet 和 Mixtape 等工作。
楊植麟本科畢業于清華大學，隨后進入卡內基梅隆大學計算機學院攻讀博士，師從 Ruslan Salakhutdinov 和 William W. Cohen，研究方向涵蓋語言模型、知識表示、遷移學習、少樣本學習和自然語言理解。
除 Google Brain 外，他還曾在 Meta AI 與 Jason Weston 團隊開展研究，并參與 HotpotQA、GLoMo、GLM 和 P-Tuning v2 等項目，在長文本建模、預訓練方法、多跳問答和參數高效適配方面積累了較為系統的研究經驗。
2023 年，楊植麟創辦月之暗面并擔任首席執行官，將研究重點轉向通用大模型及其實際應用。
參考鏈接：
https://x.com/JeffDean/status/2085036253263921218
上車，帶你看遍全球 AI 頂會精華
可獨家暢覽：
專家演講PPT
大會報告全文
熱門論文解讀
學術新星訪談
掃描上方二維碼
或點擊「閱讀原文」關注專區。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
