从竞赛少年到生成模型研究者：邓明扬访谈笔记

邓明扬的经历很容易被贴上“天才叙事”的标签：IMO 金牌、IOI 金牌，本科就读 MIT 数学与计算机科学，曾在 DeepMind 和 Meta 实习，如今在 MIT 师从何恺明，研究生成模型。

但这篇访谈真正有意思的地方，并不是履历本身，而是他如何理解竞赛、科研、AI，以及人在 AI 时代还能保留什么独特价值。

他的很多判断都带着一种反英雄主义色彩：世界并没有那么神秘，研究也并不总是靠纯粹推理前进，很多突破来自试错、噪声和黑天鹅。重要的不是成为“少数能看见真理的人”，而是在混沌里不断观察、拼接、实验。

1. 竞赛给他的，不是路径，而是观察力

邓明扬小时候喜欢写游戏。对他来说，编程最吸引人的地方是：一个想法可以通过代码变成真实运行的系统。这种创造感，后来也成为他转向 AI 的重要原因。

他对竞赛的总结很反直觉。竞赛并不只是训练解题技巧，而是在训练一种 few-shot 的观察与归纳能力。面对一个问题，你需要从有限信息中找性质、拼线索、试结构。这种能力并不局限于某道题，而会变成更抽象的 representation learning。

他从竞赛中得到的一个重要体会是：很多问题没有想象中那么深奥。所谓难题，很多时候不是藏着某种神秘答案，而是需要你认真观察，把已有性质列出来，再尝试拼接。

这也是他后来做研究的方法论底色：不要过早神化问题，也不要过早神化人。

2. TCS、数学和 AI：三种完全不同的研究气质

访谈中，邓明扬用三个比喻区分自己做过的方向：

TCS 像谈恋爱。研究者沉浸在精妙结构里，快乐很内在，不一定需要外部世界承认它有多大 impact。

数学像发现真理。它让人感觉自己在触摸世界的某个基本维度，用新的语言重新理解现象。

AI 则像闹革命。它混乱、快速、路线众多，每个人都在押注未来哪条路会赢。

他最终转向 AI，一个重要原因是他不太满足于纯理论中“必须严格证明”的表达方式。在 AI 里，实验现象、直觉、工程系统和创造感可以共同构成理解世界的路径。很多东西未必马上能证明，但可以先被观察、被试出来、被感受到。

这也是他反复强调的科研态度：有些问题靠辩论辩不明白，真正重要的是去试。

3. 科研不是竞赛：最难的是决定什么问题重要

竞赛和研究最大的区别，不在于技术难度，而在于问题选择。

竞赛题已经被设置好，你要做的是解它。但研究中，真正困难的是判断什么问题值得做、什么现象重要、什么方向可能代表未来。

这也是为什么竞赛能力可以迁移，但不能直接等价于科研能力。竞赛训练了 observation，训练了在有限线索中找结构的能力；但科研还要求你在开放世界里定义问题。

邓明扬对学术界和工业界的比较也很清晰：工业界能看到最前沿的系统，能把很多人的 observation 拼成强大的结果；学术界则更像一个人从 infra、代码到问题本身都要承担更多责任。

工业界适合推进确定性更强的路线，学术界则适合保持更高 temperature，尝试那些看起来不那么主流、但可能撞上黑天鹅的方向。

4. 师从何恺明：从“想 idea”到“做实验”

邓明扬选择跟随何恺明，一个重要原因是想补上自己早期不具备的能力：如何真正做好实验，如何从实验里获得直觉。

这也改变了他对研究的理解。过去他喜欢讨论 idea，现在越来越相信：很多 research 问题无法靠讨论解决。一个方法会不会 work，事前常常无法判断，只能通过实验观察。

这背后有一个更大的世界观：长期来看，很多科技进展并不是线性、可预测的，而是由噪声和黑天鹅推动。AlexNet 改变深度学习方向，就是这类事件的典型例子。

因此，科研不是坐在那里争论哪条路线更优雅，而是要足够快、足够认真地试。

5. AI coding 与人的价值：别把自己的技能树交出去

邓明扬已经大量使用 Codex、Claude Code 等 AI coding 工具。他认为，现在 AI 在代码层面的自动化已经很强，很多大模块都能直接写出来，人更多是在 review plan、把控整体方向。

但他也提出一个很重要的担忧：如果什么都交给 AI，人会不会失去自己的 representation？

他用“点技能树”来理解学习。人亲手做事，不只是为了完成当前任务，也是在积累未来创新所需的直觉。如果完全放开双手，把所有实现细节都交给 AI，短期效率可能更高，但长期可能会削弱自己对系统的 sense。

未来研究者可能越来越像 PI：AI 像 PhD 一样帮你做大量具体工作。但如果 PI 太久不写代码，也可能逐渐失去判断力。

所以问题不是“用不用 AI”，而是：哪些事情可以交给 AI，哪些事情必须亲手保留，以维持自己的技能树继续生长。

6. 生成模型：瓶颈可能不是 capacity，而是 optimization

在技术部分，邓明扬多次强调一个观点：很多问题的瓶颈并不在于模型 capacity，而在于 optimization。

以 Mean Flow 为例，传统 flow matching 预测瞬时速度场，而 Mean Flow 试图预测任意两个时间步之间的平均速度场。这个工作给他的启发是：模型可能比我们想象得更聪明。只要优化目标设计得当，它可以用很少步骤，甚至一两次 forward pass，完成过去认为必须多步逼近的生成过程。

这让他对 diffusion 的长期范式保持怀疑。一两步生成是否可行，本身不是最关键的问题；更关键的是训练目标是否让模型学到了足够完整的能力。

他把 machine learning 理解成“点技能树”：每个训练目标都在点某些技能。理想的目标不是只让模型预测一小部分信息，而是让模型预测所有可预测的信息。contrastive learning、MAE、next-token prediction 都只是这个大目标的子集。

7. Drifting Models：让 loss function 也成为 scaling 轴

在 Drifting Models 中，邓明扬探索了一条不同于传统生成建模的路径：让模型输出的分布在训练过程中逐渐漂移到数据分布。

核心思路是：模型先 rollout 一些样本，然后定义一个 drifting field，让生成样本靠近真实数据样本，同时远离附近的生成样本。更有意思的是，这种约束可以在不同 feature space 上做。

这带来一个新的 scaling 维度：不只是扩大模型、增加数据或提高 inference compute，而是让 loss function 覆盖更多、更好的 feature。feature space 越强，模型效果越好。

这和他的“技能树”直觉一致：通过更多 feature 施加约束，本质上是在让模型学习更多任务，从而获得更完整的能力。

8. Vision 的困境：缺少真正好的 downstream task

谈到视觉方向，访谈里有一个很尖锐的判断：vision 领域很多研究的问题不在于模型，而在于 task definition。

classification、segmentation 等传统任务与真实应用越来越远。VLM 的很多 benchmark 又高度依赖数据收集，而不一定体现方法本身的进步。

真正重要的方向可能是 computer usage agent、robotics、egocentric video、wearable device 等更贴近应用的场景。但这些方向还没有形成足够清晰、统一、可竞争的任务定义。

如果没有好的 downstream task，很多 model design 可能从一开始就是错的。

这也是为什么他和 ZP 都关注 long context、多模态经验共享和统一生成范式。未来的模型不仅要处理文本，还要理解视频、交互、生活经验和复杂环境中的长期上下文。

9. FID、pixel-level generation 与评价问题

对于 FID，邓明扬的态度比较务实：如果不刻意 hack，它仍然是一个不错的开发指标，稳定、简单、能反映基本质量。但当 FID 已经进入 1.x 区间，它区分模型细微差异的能力会变弱。

更深的问题是，很多视觉生成的评价方式仍不够 robust。比如像素级 loss 对语义不敏感，图像平移一个像素可能 loss 很大，但语义上并没有错。

这也解释了为什么 pixel-level generation 仍有价值。latent 压缩可能丢失信息，而 pixel 可以作为统一 interface：你可以在 pixel 上生成，再在不同 representation space 上施加 loss。这样既不提前丢信息，也允许训练目标覆盖更多表征。

10. 《战争与和平》：接受伟大，也接受不伟大

快问快答中，邓明扬提到自己喜欢看小说，也喜欢在波士顿半夜骑车。他最近喜欢卡尔维诺的《看不见的城市》和陀思妥耶夫斯基的《赌徒》。

对他影响最大的是《战争与和平》。原因不是宏大叙事本身，而是书中人物曾经渴望成为英雄，却在现实中发现自己普通甚至失败。这个过程让他意识到：人可以追求伟大的研究，也要接受理想可能无法实现；即使没有成为伟大的人，人生仍然可以继续展开，并且有意义。

这可能也是整篇访谈最有余味的地方。

一个拿过 IMO、IOI 金牌，站在生成模型前沿的年轻研究者，最后谈到的不是“我一定要赢”，而是“如果没有赢，如何继续生活”。

结语：在混沌里试，在有限经验里泛化

这篇访谈里，邓明扬反复谈到几个关键词：观察、试错、黑天鹅、技能树、few-shot 泛化、optimization。

它们共同构成了一种研究观：

不要把问题神秘化。 不要相信所有进展都是线性可预测的。 不要只靠辩论判断 idea。 不要把自己的技能树完全交给 AI。 不要把模型能力只理解成 capacity。 不要忘记，人类仍然有从有限经验中做大胆泛化的能力。

AI 时代的研究者，也许不再是亲手完成每一行代码的人，但仍然需要保留判断力、直觉、经验和愿意亲自试的能力。

真正重要的不是押中某个流行方向，而是在混沌中保持足够高的探索温度。