人物小传与时间线

人物小传

谢赛宁毕业于上海交通大学与 UC San Diego；其个人主页列出 2018 年完成于 UC San Diego 的博士论文。他曾在 Meta FAIR 与 Google DeepMind 从事研究，后任 NYU Courant 助理教授；2026 年加入 AMI，任联合创始人兼 Chief Science Officer ^[1] ^[2] ^[3]。

个人主页列出的荣誉包括 ICCV Marr Prize Honorable Mention、NSF CAREER Award、AISTATS Test-of-Time Award 与 PAMI Young Researcher Award；主页还注明其论文截至 2025 年 12 月被引用超过 9 万次。引用量受数据库覆盖范围影响，不宜与其他平台数字直接比较 ^[2]。

时间线

2013–2015：结构先验与视觉边缘

博士早期工作从“怎样把结构先验放进深网”展开。HED 以整体嵌套、多尺度的深监督方式处理边缘检测，并获 ICCV 2015 Marr Prize Honorable Mention。原型把这一阶段视为后续“结构服务表征”的起点；这是回溯性解释，不是论文自称的长期路线图 ^[2]。

2016–2017：ResNeXt 与 cardinality

作为第一作者，他提出 ResNeXt。核心不是简单增加深度或宽度，而是把同构变换分支的数量定义为 cardinality，并在近似保持复杂度的比较中研究这一新维度。分支求和可以用 grouped convolution 简洁实现，但论文并未声称 grouped convolution 由 ResNeXt 首创 ^[5]。

2019–2022：自监督表征与现代化 ConvNet

MoCo 用动量编码器与队列构造对比学习字典，是自监督视觉表征的重要节点；谢赛宁是合著者，不应写成个人独立发明 ^[6]。ConvNeXt 则通过逐步现代化 ResNet 设计，展示纯卷积网络仍可与视觉 Transformer 竞争；Zhuang Liu 是第一作者，谢赛宁为资深作者 ^[7]。

这段时期的重要变化是：表征学习不再只是识别模型的中间产物，而成为可迁移的基础设施。原型还列出 MAE、MoCo v3、PointContrast 等工作，技术谱系章会把这些节点放回各自合作者与问题设定中。

2022–2023：DiT 把 Transformer 带入潜扩散

DiT（arXiv 首发于 2022 年 12 月，后为 ICCV 2023 Oral）把潜空间 patch 交给 Transformer 处理，比较了模型大小与 patch 大小改变所带来的前向 Gflops，并观察到更高计算量与更低 FID 的强相关关系。William Peebles 是第一作者，谢赛宁为共同作者；没有 equal-contribution 标记，因此不写“共同一作” ^[8]。

OpenAI 的 Sora 技术说明把系统称为 diffusion transformer 并引用 DiT，这能确认架构谱系影响；具体实现未公开，不能推出 Sora 直接复用了公开 DiT backbone，更不能把谢赛宁称为 Sora 作者 ^[9]。

2023：加入 NYU Courant

谢赛宁在 NYU 建立研究团队，并继续与 Yann LeCun、Rob Fergus、学生及跨机构合作者推进 vision-centric 多模态研究。个人主页把这一阶段的方向同时覆盖识别、生成和多模态表征 ^[2]。

2024：视觉中心研究集中展开

这一年形成了几条互相呼应、但问题设定不同的路线：

Eyes Wide Shut? 构造 CLIP-blind pairs 与 MMVP，暴露多模态大模型在基础视觉模式上的系统性失败 ^[10]。
SiT 用随机插值与速度场训练统一讨论 diffusion 与 flow，在相同 Transformer 骨干上研究传输路径和采样器 ^[11]。
Cambrian-1 比较视觉编码器，提出 CV-Bench 与 Spatial Vision Aggregator，并公开模型、数据和训练配方 ^[12]。
REPA 将扩散模型的中间表征与冻结视觉编码器的干净图像表征对齐，把“生成训练中的表征瓶颈”变成显式正则项 ^[13]。
MetaMorph 探索在统一自回归框架中同时处理文字与视觉表征，研究理解与生成之间不对称的互益 ^[14]。

2025：RAE 与 Cambrian-S

RAE 用冻结的预训练表征编码器与训练得到的解码器替换传统 VAE 潜空间，再在该潜空间上训练 flow-matching 生成模型。论文主张它应成为训练 DiT 的新默认选择；这是一项论文建议和强候选路线，不是已经形成的行业共识 ^[15]。

Cambrian-S 把空间能力拆成感知、记忆、认知与预测等阶段，以 Latent Frame Prediction 预测下一帧潜特征，并用预测与实际特征的余弦距离定义 surprise。其结论是仅增加数据和上下文不足以获得持续空间感知；这一结论仍受论文设定与后续独立复现约束 ^[16]。

2025–2026：AMI 的法人、品牌与融资不是同一天

法国法人于 2025-12-03 创建，2025-12-15 登记；Nabla 在 2025-12-18 的合作公告中已经公开使用 Advanced Machine Intelligence 名称；Pappers 记录其总部地址于 2026-02-12 迁至 10 rue de Penthièvre。2026 年 3 月的事件是融资与正式 launch。公开记录不支持“PengyouCo 是原公司名”或“2 月完成更名” ^[17] ^[18] ^[3]。

AMI 宣布完成 10.3 亿美元融资轮，谢赛宁任联合创始人兼 CSO，Yann LeCun 担任主席。投资方公告把使命概括为：构建理解世界、拥有持久记忆、能够推理规划并且可控安全的系统。该使命是公司自述，不等于这些能力已经实现 ^[3]。

2026：从多模态预训练走向世界模型问题

统一多模态预训练工作考察编码器、数据混合、MoE 与动作表示，并在特定导航世界模型设置中把动作编码为文本 token。它支持“视觉能够随数据和算力扩展”的方向，却没有证明结果已迁移到灵巧操作、长时规划或一般物理控制 ^[19]。