174
0本期「涌现Lab」的对话嘉宾，是普林斯顿大学助理教授刘壮。
用简洁的想法，让复杂系统更容易被搭建和理解，是贯穿普林斯顿大学刘壮研究经历的核心思路。
早期的学术关键起点，追溯到十年前的代表作DenseNet。完成这一工作时，刘壮还是一名在康奈尔大学访学的大三学生。第二年，这项研究便斩获CVPR最佳论文奖，并逐渐成为计算机视觉架构领域的经典之作。
此后的ConvNeXt、无归一化Transformer、Network Pruning等系列研究里，他持续沿着DenseNet的线索探寻着那些看似已成定论的基础问题。如今，他的研究聚焦在多模态推理与生成、智能体，以及基础模型的科学原理。
这次对话，我们沿着清华、康奈尔、UC Berkeley、FAIR，再到普林斯顿的路径回溯，聊起嘉宾研究兴趣的形成、职业发展的选择，也谈到AI加速发展下做科研的trade-off与思考。
一路上的同行者，在回忆的节点中不断涌现：康奈尔访学期间的导师Kilian Weinberger，伯克利给予充分探索空间的博导Trevor Darrell、一起研究剪枝机制的姚班师弟孙明杰，还有在 FAIR 共事、亦师亦友的何恺明和谢赛宁......
对话临近结束时，我们聊起一个关于科学发现的比喻：去野外攀登，和坐直升机快速抵达，看到的或许是同一片风景，经历却截然不同。求索途中的试错、迂回与相互启发，恰恰是研究者形成理解、也逐渐成为自己的过程。
以下是对话时间线：
02:50 从安徽高考第一名到清华姚班
04:46 康奈尔访学：DenseNet的诞生
12:26 DenseNet十年回望：研究心流
17:45 博士研究：重新理解剪枝的价值
21:40 ConvNeXt：探索卷积网络的可能性
31:12 走进 FAIR 计算机视觉明星团队
35:49 与恺明合作：研究大数据集偏差
41:05 归一化用了这么久，到底在做什么？
47:12 到普林斯顿任教：更自由的研究空间
49:57 好研究，为什么往往看上去很“简单”
56:36 模型越来越强，研究者如何继续成长？
01:14:01 AI 做科研，如何评价才是关键？
01:18:45 团队多模态理解与生成工作
01:22:42 如何在当下找到自己的研究空间？
01:28:02 科研的意义，也在过程与体验
对话全文实录在“涌现Lab”公众号，欢迎关注～
