【量子位 2026年1月15日讯】全球AI学术界再迎人才回流重磅消息。清华大学人工智能学院官网近日正式公示，曾提出革命性神经网络架构KAN（Kolmogorov-Arnold Networks）的麻省理工学院（MIT）博士刘子鸣，拟于2026年9月以助理教授身份加入该院。这位年仅28岁的华人学者，凭借KAN架构打破传统MLP（多层感知机）的“黑盒困境”，相关论文引用量超3000次，如今选择回国深耕AI与科学交叉领域，被业内视为“中国在可解释AI赛道增强科研实力”的重要信号。
一、从物理竞赛生到AI架构革新者：刘子鸣的学术进阶之路
刘子鸣的学术轨迹，始终围绕“用物理学思维破解AI难题”展开，从北大物理本科到MIT博士，再到即将入职清华，每一步都精准踩中“AI+科学”的交叉风口。
1. 竞赛起步：物理天赋奠定跨学科基础
出生于武汉的刘子鸣，早年间便是学界瞩目的“竞赛新星”。高中就读于武钢三中时，他投身物理竞赛，2015年以全国第8名的成绩入选物理国家集训队，凭借这一成绩被保送至北京大学物理学院。这段竞赛经历不仅培养了他严谨的逻辑思维，更让他早早领悟“用数学工具解决复杂系统问题”的方法论——这一能力后来成为他设计KAN架构的核心优势。
本科期间，刘子鸣已展现出跨学科研究潜力，在European Physical Journal C、Physical Review C等物理领域顶刊，以及NeurIPS 2020等AI顶会发表多篇一作论文，内容涵盖粒子物理与机器学习的交叉研究，为后续深耕“AI+科学”埋下伏笔。
2. MIT突破：复活60年数学定理，颠覆MLP架构
2021年，刘子鸣赴MIT物理系攻读博士，师从知名物理学家Max Tegmark（宇宙学专家，后转向AI研究）。彼时，AI领域正面临“模型性能与可解释性难以兼顾”的困境——以MLP为核心的深度学习模型虽精度高，却因“黑盒特性”无法解释决策逻辑，尤其在科学研究中难以辅助发现物理规律或数学定理。
刘子鸣将目光投向了1957年由数学家Andrey Kolmogorov和Vladimir Arnold提出的柯尔莫戈洛夫-阿诺德定理（Kolmogorov-Arnold Representation Theorem）：该定理指出，“任何多元连续函数都可分解为有限个单变量函数的两层嵌套”。这一沉睡60余年的数学理论，被他视为破解“黑盒”的关键：
-
重构神经网络逻辑：传统MLP在“节点”使用固定激活函数，“边”仅承载线性权重；而KAN将“可学习激活函数”转移到“边”上，用单变量样条函数替代线性权重，使每个变量的作用路径都能被直观观察；
-
兼顾精度与可解释性：2024年4月，刘子鸣以一作身份发表KAN首篇论文，实验显示，在小尺度AI+科学任务中，更小参数量的KAN能实现优于MLP的精度，且可通过可视化交互辅助科学家发现规律——例如在凝聚态物理中，KAN成功推导出Anderson局域化的相变公式，而MLP仅能完成预测，无法输出物理规律。
这一突破迅速引发学界震动：论文发布3天内，GitHub仓库星标破1.1万，Google Scholar引用量如今已超3000次，约翰霍普金斯大学教授Alan Yuille评价其“为科学领域的AI应用打开了新大门”。2024年8月，刘子鸣团队又推出KAN 2.0，进一步优化模型效率，使其更适配工业场景。
二、清华新使命：三大研究方向锚定“AI+科学”前沿
根据清华官网公示及刘子鸣此前公开信息，他入职后将聚焦三大研究方向，延续“用科学思维重塑AI”的学术理念，同时推动技术落地。
1. Science for AI：用科学原理设计更高效的AI模型
这一方向旨在从数学、物理等基础学科中汲取灵感，突破现有AI架构的局限。刘子鸣团队此前提出的KAN，正是“Science for AI”的典型成果——基于柯尔莫戈洛夫-阿诺德定理设计网络结构，而非依赖经验性的参数调优。未来，他计划探索更多方向：
-
可形变神经网络：让模型能根据任务需求动态调整结构，例如在处理图像分割时自动增加局部细节感知模块，处理物理模拟时强化全局规律捕捉能力；
-
物理启发生成模型：借鉴热力学、流体力学等原理，解决现有生成模型（如GAN、Diffusion）在物理一致性上的缺陷，例如生成符合能量守恒定律的流体运动模拟结果。
2. Science of AI：用科学方法拆解AI“黑盒”
面对大模型“能力涌现却无法解释”的行业痛点，刘子鸣将带领团队用物理学、数学的严谨方法，解析AI模型的内在机制。他此前在“神经网络缩放律（Neural Scaling Law）”“Grokking现象（模型突然掌握规律的过程）”等领域的研究已取得突破，未来将进一步：
-
建立大模型科学理论：量化分析模型参数量、数据量与能力之间的数学关系，为大模型训练提供理论指导，避免盲目堆参；
-
探索机制可解释性：通过“玩具模型（Toy Models）”简化复杂网络，例如他近期在博客中持续更新的“稀疏注意力机制研究”，用小模型揭示大模型中注意力模块的工作原理，目前已发表多篇分析报告。
3. AI for Science：让AI成为科学发现的“协作伙伴”
这是刘子鸣最受关注的研究方向，核心是将KAN等可解释AI工具应用于基础科学研究，加速定理发现、实验设计等过程。此前，他的团队已通过KAN实现两大突破：
-
数学领域：在纽结理论中，KAN不仅能预测纽结的拓扑属性（DeepMind的MLP也曾做到），还能输出属性间的关联公式，帮助数学家发现新规律；
-
物理领域：在凝聚态物理中，KAN精准定位Anderson局域化的相变边界，并推导出描述该过程的解析表达式。
入职清华后，他计划与化学、生物、工程等领域的学者合作，针对“蛋白质结构预测”“新型材料设计”“天体物理模拟”等难题开发专用AI工具，让AI从“数据拟合工具”升级为“科学研究协作者”。
三、行业意义：顶尖人才回流，加速中国可解释AI发展
刘子鸣选择回国任教，不仅是个人学术生涯的新起点，更对中国AI科研格局产生多重影响，尤其在“可解释AI”这一关键赛道。
1. 填补国内研究空白，对标国际前沿
目前，全球可解释AI领域的核心成果多来自MIT、斯坦福等海外机构，国内虽有布局，但缺乏具有突破性的原创架构。刘子鸣带来的KAN技术及相关研究方法论，将直接填补这一空白——例如，KAN在科学发现中的应用经验，可帮助国内团队快速切入“AI+基础科学”领域，避免重复造轮子。
清华大学人工智能学院相关负责人表示，刘子鸣的加入“将强化学院在AI基础理论与交叉应用领域的优势，推动科研成果与国内产业需求结合”，例如与航天、材料等领域的企业合作，开发定制化的AI科研工具。
2. 培养跨学科人才，构建学术梯队
刘子鸣在2025年5月已启动博士生招生，首批学生将随他一同入职清华。他的培养理念强调“理论与实验结合”：既要求学生具备物理、数学的严谨思维，又需掌握工程化能力，例如用代码实现模型、设计实验验证理论。这种培养模式有望为国内输送更多“既懂科学又懂AI”的复合型人才，缓解跨学科领域的人才短缺问题。
他在招生中提到的“研究风格”也颇具特色：“好奇心驱动与影响力驱动并重，不盲目刷SOTA（当前最优结果），而是追求能同时带来科学启发和实际价值的成果”，这种理念或将影响更多年轻研究者跳出“指标竞赛”，聚焦更本质的科学问题。
3. 推动产学研融合，加速技术落地
尽管KAN目前仍以学术研究为主，但刘子鸣已开始探索商业化可能性。据了解，他与团队正与国内科研机构合作，将KAN应用于工业仿真、药物研发等场景——例如在汽车工程中，用KAN优化碰撞模拟算法，减少物理实验成本；在生物医药领域，辅助分析基因序列与疾病的关联，加速新药研发。
随着他入职清华，这类合作将进一步深化，依托高校的产学研平台，推动可解释AI从实验室走向产业界，为国内AI产业从“应用驱动”向“技术驱动”转型提供支撑。
四、个人治学：每天2小时“玩具模型”研究，坚持“物理视角看AI”
除了学术成果，刘子鸣的治学态度也备受关注。自2025年12月31日起，他每天在个人博客“Physics of AI”（用物理学研究AI）更新内容，聚焦“通过简单模型揭示复杂AI现象”：
-
研究方式：每天投入2小时，用参数规模极小的“玩具模型”测试某个AI机制，例如“学习率如何影响归纳头（Induction Head）的涌现”“稀疏注意力的信息提取效率”等，已发表20余篇短文；
-
核心观点：“AI研究不需要总是依赖大算力，大量小见解的积累，最终可能带来改变领域的突破”。这种“小而精”的研究风格，与当前行业追求“大模型、大算力”的趋势形成鲜明对比，也为资源有限的研究者提供了新思路。
正如他在博客中写道：“我的目标不是打造最强大的AI，而是理解AI为什么强大。只有理解了原理，才能让AI真正成为人类的工具，而非不可控的黑盒。”
结语：AI“黑盒”破解者的中国新征程
从MIT博士到清华助理教授，刘子鸣的归国之路，不仅是个人学术理想的延续，更折射出中国在AI基础研究领域的吸引力提升。他所开创的KAN架构，已证明“用科学原理设计AI”的可行性；而未来在清华的研究，或将进一步推动可解释AI从理论走向实践，为基础科学突破、产业技术升级提供新工具。
对于中国AI行业而言，刘子鸣的加入或许只是一个开始——随着更多顶尖人才回流，以及对“AI+科学”领域的持续投入，中国有望在可解释AI、AI for Science等前沿赛道实现“从跟跑到领跑”的跨越。而刘子鸣本人，也将以清华为新起点，继续用物理学的严谨与好奇心，拆解AI的“黑盒”，探索人工智能与基础科学融合的更多可能。
