何恺明的 ResNet 为什么重要？残差连接的提出

AI 视觉领域被引用最多的论文之一，出自一位当时在微软亚洲研究院工作的中国研究者：2015 年，何恺明与三位同事完成了 ResNet，公开论文给出了一套解决深层网络退化问题的设计。今天你让通义千问看图答题、让豆包识别照片里的内容，背后深度视觉模型的骨架里都有这份设计。本文只写公开论文与公开履历的事实，引用数字拿不准处均标注以公开数据为准。

2015 年那篇论文解决什么问题

公开论文指出的现象叫退化问题：按理说网络越深表达能力越强，但实验里单纯堆深度，训练误差反而回升——论文明确排除了过拟合的解释，指出这是优化层面的困难。给出的解法是残差学习：不再要求堆叠的层直接拟合目标映射，而是让它拟合目标与输入之间的差值，捷径连接把输入原样加回输出，写出来就是公开论文里那个简洁的关系：输出等于残差加输入。

效果在公开榜单上有硬数字：2015 年的 ImageNet 竞赛上，ResNet 以 152 层的公开口径拿下分类冠军，前五错误率约 3.57%，同期在检测、定位等赛道也公开报告了冠军成绩。上一代的转折点是 2012 年那场深度卷积网络的胜利，见AlexNet 拿冠军那几天发生了什么一篇；整个竞赛的来龙去脉，见ImageNet 竞赛怎么改变 AI一篇。

残差连接的设计要点

回到设计本身，公开论文里有三个值得记的要点。其一，捷径连接不引入额外参数，只在个别维度不匹配时做一次线性变换，成本极低；其二，残差结构是模块化的，两三个卷积层加一条捷径就是一个基本单元，堆叠即可加深；其三，为控制计算量，论文给出了瓶颈式设计，用一乘一卷积先降维再升维。这些构件写法简单、组合自由，让上百层的网络第一次变得可以稳定训练。

引用量与后续影响

公开检索显示，这篇论文长期位居 AI 领域被引最多的论文之列，具体数字随检索平台与时间不同，以公开检索数据为准。奖项也有公开记录：论文获 CVPR 2016 最佳论文奖。影响层面，残差连接此后成为深度网络的标准构件之一；今天广泛使用的 Transformer 架构里，同样保留了残差式的连接设计，见Transformer 论文当时为什么没轰动一篇。从图像理解到多模态模型，这条线的延伸都建立在「深层网络训得动」的前提上。

公开履历：从研究院到 MIT

何恺明的公开履历按时间排：清华大学本科，香港中文大学博士；2009 年的暗通道去雾论文获 CVPR 最佳论文奖（公开奖项记录）；微软亚洲研究院任职期间完成 ResNet；2016 年加入 Facebook 人工智能研究团队；后续的 Mask R-CNN 等论文获 ICCV 2017 最佳论文奖；2024 年公开宣布加入麻省理工学院任教，任职时间以校方公开信息为准。

从视觉到大模型的连接点在于：残差结构让深层视觉网络可用，视觉理解能力随数据与算力一起长成了今天多模态模型的样子；而这条路线的学术底座，可追溯到深度学习奠基者们数十年的坚持，见辛顿为什么被称为深度学习教父一篇。评估一个视觉模型的真实水平，榜单数字与实际任务之间的落差同样要留意，见基准分和实际任务一篇。

ResNet 公开节点速查

• 2015 年：论文公开，署名微软亚洲研究院四位研究者；ILSVRC 分类冠军，公开口径前五错误率约 3.57%
• 2016 年：获 CVPR 最佳论文奖；作者加入 Facebook 人工智能研究团队
• 2017 年：Mask R-CNN 获 ICCV 最佳论文奖
• 2024 年：公开宣布加入麻省理工学院任教
• 引用量：长期位居 AI 领域被引最多论文之列，具体以公开检索数据为准

再多说几句何恺明

• 「残差」到底是什么？：按公开论文的定义，指让堆叠的层学习目标映射与输入之间的差值部分，捷径连接把输入原样加回输出。
• 这篇论文引用量到底多少？：不同检索平台数字不一且持续增长，公开口径为 AI 领域被引最多的论文之一，具体以检索平台数据为准。
• 它和今天的多模态模型什么关系？：残差连接是深层网络的通用构件，视觉编码部分普遍沿用，多模态模型的看图能力同样受益。