Kaiming He (chino: 何恺明; pinyin: Hé Kǎimíng) es un científico informático chino especializado en visión por computadora y aprendizaje profundo. Es mejor conocido como uno de los creadores de la arquitectura de red neuronal residual (ResNet), que revolucionó el entrenamiento de redes neuronales profundas. Es profesor asociado en el Instituto de Tecnología de Massachusetts y trabaja a tiempo parcial como Científico Distinguido en Google DeepMind.
Su investigación ha tenido un impacto profundo en el campo de la inteligencia artificial, particularmente en el reconocimiento de imágenes y la detección de objetos. Ha recibido múltiples premios al mejor artículo en conferencias de primer nivel y es reconocido por sus contribuciones a los modelos fundamentales de IA.
Vida Temprana y Educación
Asistió a la Escuela Secundaria Guangzhou Zhixin en Guangzhou, Guangdong, China. En 2003, logró la puntuación total más alta en el examen de admisión de pregrado provincial de Guangdong. Luego estudió en la Universidad de Tsinghua, obteniendo una licenciatura en ciencias en 2007. De 2007 a 2011, realizó estudios de doctorado en ingeniería de la información en la Universidad China de Hong Kong, trabajando en su Laboratorio Multimedia. Recibió su doctorado en 2011, con una disertación titulada Single image haze removal using dark channel prior, asesorado por Tang Xiao'ou.
Carrera e Investigación
Trabajó en Microsoft Research Asia de 2011 a 2016, donde contribuyó a los primeros avances en visión por computadora. En 2016, se unió a Facebook Artificial Intelligence Research (FAIR), ahora parte de Meta, y permaneció allí hasta 2024. Durante su tiempo en FAIR, coescribió varios artículos influyentes, incluido el artículo de 2016 Deep Residual Learning for Image Recognition, que introdujo la arquitectura ResNet. Este artículo se convirtió en el trabajo de investigación más citado en un período de cinco años, según informes de Google Scholar en 2020 y 2021. En 2024, se convirtió en profesor asociado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del Instituto de Tecnología de Massachusetts.
Su trabajo en ResNet abordó el problema de degradación en redes neuronales profundas al introducir conexiones de salto, permitiendo el entrenamiento de redes con cientos o miles de capas. Esta innovación sustenta muchos sistemas modernos de IA, incluidos aquellos utilizados en aprendizaje automático y inteligencia artificial. También contribuyó al desarrollo de Mask R-CNN, un marco para la segmentación de instancias, que extiende los enfoques de red neuronal a la detección de objetos a nivel de píxel.
Premios y Reconocimientos
Ha recibido varios premios prestigiosos. Ganó el Premio Marr por el mejor artículo en la Conferencia Internacional sobre Visión por Computadora (ICCV) en 2017. También ganó el premio al mejor artículo en la conferencia de Visión por Computadora y Reconocimiento de Patrones (CVPR) en 2009 y 2016. En 2023, fue galardonado con el Premio de Ciencias Futuras, junto con tres colaboradores, por sus contribuciones fundamentales a la inteligencia artificial mediante la introducción del aprendizaje residual profundo. Su trabajo es ampliamente citado en los campos de aprendizaje profundo y visión por computadora.
Impacto y Legado
Su investigación ha influido en el desarrollo de diversas aplicaciones de IA, desde la clasificación de imágenes hasta la conducción autónoma. La arquitectura ResNet es un componente estándar en muchos sistemas modernos, incluidos aquellos utilizados en Google DeepMind y otros laboratorios líderes de IA. Sus contribuciones también han moldeado el trabajo de investigadores en instituciones como Stanford AI Lab y Berkeley AI Research. Su enfoque en el diseño de modelos ha sido adoptado en arquitecturas de transformador y otros modelos avanzados, destacando la polinización cruzada de ideas en la comunidad de IA.
Trabajo Actual
A partir de 2024, está radicado en el MIT, donde continúa investigando visión por computadora y aprendizaje profundo. Su rol a tiempo parcial en Google DeepMind implica colaborar en proyectos que empujan los límites de la IA. Su trabajo en curso se centra en mejorar la eficiencia y capacidad de las redes neuronales, con implicaciones para IA generativa y otras tecnologías emergentes.