爆炸消息：ViT三大核心作者集体离职谷歌DeepMind。下一站：OpenAI！
他们分别是翟晓华（Xiaohua Zhai）、卢卡斯·拜尔（Lucas Beyer）、亚历山大·科列斯尼科夫（Alexander Kolesnikov）。
相关消息已被本人证实，三人均官宣了新动向。
2021年，他们三人作为共同一作的计算机视觉领域神作ViT发布即刷新ImageNet最高分。
这项研究证实了CNN在CV领域不是必需的，Transformer从NLP跨界，一样可以取得先进效果。开创了Transformer在CV领域应用的先河。
目前这篇论文被引用量已超过4.9万。
此外，他们还共同提出了SigLIP、PaliGamma等SOTA级工作。
几周后，他们将正式加入OpenAI苏黎世实验室。
值得一提的是，Wired方面消息称，三人是被OpenAI挖走的。
网友评论：能撬动这一“铁三角”黄金组合，OpenAI真的太幸运了。
ViT三大核心作者投奔OpenAI
Xiaohua Zhai（翟晓华）
此前他是Google DeepMind 的高级研究员，领导着苏黎世一个多模态研究小组。重点研究多模态数据（WebLI）、开放权重模型（SigLIP、PaliGemma）以及文化包容性。
目前他的论文在谷歌学术的引用数已经超过六万次。
2014年他毕业于北京大学，获得计算机系博士学位；本科毕业于南京大学。一毕业就前往谷歌苏黎世工作。
Lucas Beyer
这位同样也是谷歌DeepMind苏黎世小组的一位成员，共同领导着DeepMind的多模态研究团队和基础设施。
目前他已经撰写了超过50篇论文，被CVPR、NeurIPS、ICCV等顶级会议接收。
据他个人官网的介绍，他在比利时长大，曾梦想制作电子游戏以及从事AI研究。自我认定为“自学成才的黑客和研究科学家，致力于创造飞凡实物”。
他在德国亚琛工业大学学习机械工程，并在那里获得了机器人感知和计算机视觉博士学位。2018年加入谷歌。
Alexander Kolesnikov
2018年以来，他就在谷歌大脑，现为DeepMind团队工作。之前主要成就包括训练SOTA视觉模型*（从2019年到2021年都实现了ImageNet SOTA）；开放权重模型（SigLIP和PaliGemma），以及神经架构方面的工作：BiT、ViT、MLP-Mixer和FlexiViT。
除此之外，还有编写灵活、高性能的研究基础设施，尤其是Jax。
此前，他在奥地利科学技术研究所（ISTA）攻读博士学位，研究方向是弱监督学习和图像生成模型。
曾是谷歌CV的“黄金铁三角”
在谷歌任职期间，三人多次合作并带来了影响领域发展的重要工作。
其中最重要的一篇莫过于ViT。
这篇研究验证了Transformer架构在计算机视觉领域的通用性。在它的基础上衍生出了Swin Transformer、DeiT（Data-efficient Image Transformers）等。
它创新性提出将图像分割成固定大小的块（patches），并将每个块视为一个序列元素，与NLP中的单词类似。然后，这些块通过变换器进行处理。
在许多视觉任务中，ViT在性能上超过了传统的CNN模型，尤其是在大规模数据集上进行训练时表现尤为突出。例如，在ImageNet分类任务中，ViT取得了与最先进的CNN模型相当甚至更好的结果。
此外他们还合作推出了MLP-Mixer、BiT（CV界的BERT）等领域内知名工作。
参考链接：
[2]https://kolesnikov.ch/
[3]https://sites.google.com/view/xzhai
[4]https://lucasb.eyer.be/
