KAN一作劉子鳴回國任教，清華官網蓋章認證了

魚羊 發自 凹非寺
量子位 | 公眾號 QbitAI4

爆火神經網絡架構KAN一作，畢業新去向已獲清華官網認證：

劉子鳴，擬于今年9月加入清華大學人工智能學院，任助理教授。

KAN的初版論文發表于2024年4月，一經發布，即以優于多層感知機（MLP）的準確性和可解釋性，成為當時的學術界熱議話題。其GitHub倉庫，在短短兩三天內就收獲了1.1k星星。

正如論文中所提到，大家關注的重點在于：

• KANs是MLPs的有力替代方案，為進一步改進目前重度依賴MLPs的深度學習模型提供了新的契機。

劉子鳴的這一教職其實早前就已敲定。從他本人在2025年5月發布的招生文章來看，他的首批博士生招生目前已經完成。

KAN一作回國任教

劉子鳴，武漢人，是武鋼三中校友。

他從初中起就是競賽生，高中投身物理競賽，在2015年以全國第8名的成績入選物理國家集訓隊，并被保送至北大物理學院。

本科期間，劉子鳴就關注到了物理學和機器學習的交叉領域，并有一作文章發表在European Physical Journal C、Physical Review C等刊物和NeurIPS 2020等學術會議上。

本科畢業后，劉子鳴赴MIT攻讀物理博士學位，師從物理學家Max Tegmark——這位物理學教授最初是一名宇宙學家，后將研究重心轉向了人工智能。

KAN正是劉子鳴和Max Tegmark合作的成果。劉子鳴在Max Tegmark指導下，致力于提升神經網絡的可解釋性，KAN（Kolmogorov-Arnold Networks）的初始靈感，就是想從Kolmogorov-Arnold這個數學定理出發，打開神經網絡“黑盒”。

具體來說，Kolmogorov-Arnold定理的核心是：任何定義在有界域上的多元連續函數，都能表示為有限個單變量連續函數的兩層嵌套疊加形式。

這為KAN的誕生提供了一個思路：將復雜高維函數學習轉化為一組單變量函數的學習。

也就是說，KAN完全無需線性權重：MLP在節點上使用固定激活函數，而KAN則可將學習的激活函數置于邊（權重）上，每條邊的線性權重被單變量函數替代。

這種設計下，網絡中各變量的作用路徑都可以被直觀地觀察到，使得KAN具備MLP無法提供的可解釋性和交互性。

論文發布后迅速引發了強烈的反響。Google Scholar顯示，到現在，KAN的引用量已經達到3000+。

2024年8月，劉子鳴和合作者們又發表了KAN 2.0，以進一步提高KAN的實用性和易用性。

劉子鳴本人將KAN解讀為三個層面的AI+Science：

• Science for AI：原理來自于數學；
• Science of AI：澄清了一些關于Neural Scaling Law的現象；
• AI for Science：依靠KAN，能夠發現科學和工程問題中的符號公式。

而這也正是他的研究方向。

2025年5月份，劉子鳴在社交媒體上更新了自己獲得清華教職的消息。在招生文章中，他還說明了自己的研究風格：

• 1.好奇心驅動（覺得好玩）和影響力驅動（也追熱點，但更追求長期影響力）。理想情況，希望研究既有科學上的啟發，也能有影響力。比如KAN就是這樣的一個例子，我們希望從科學的角度想象AI的更多可能性。
  2.理論和實驗結合。理論是物理的嚴格程度，可能會被數學家噴不嚴謹哈哈。實驗更多的是闡釋現象，而不是無腦刷SOTA。實驗告訴我們什么樣的理論可能有用的，而理論指導我們如何去設計實驗。
  3.研究問題的層次通常介于純理論和純應用之間的中間抽象層。抽象的好處是對不同的問題有很強的通用性，但需要抽象本身是高質量的、對實踐有用的。所以我會和應用組（具體的科學領域）進行合作，去理解如何進行更好的抽象來貼近應用。

目前，劉子鳴在斯坦福從事博士后研究，合作導師是Andreas Tolias。

One More Thing

說起來，劉子鳴也并沒有放下從高中起就投身的物理學。

他現在每天更新的博客，名為“physics of AI”，意為用研究物理學的方式來研究AI，旨在回答：什么樣的模型，在什么樣的數據上，展現出什么樣的現象。

“關鍵在于‘大量小見解’，而非寄希望于‘少數大發現’。”

△圖源：劉子鳴博客

從2025年12月31日起，劉子鳴每天都在更新博客內容，用他自己的話說是：

• 每天只需投入2小時，我就能通過玩具模型（toy models）了解到關于神經網絡的驚人事實。許多見解最終可能微不足道或無關緊要，但其中一些將會產生足以改變領域現狀的巨大影響。

參考鏈接：
[1]https://collegeai.tsinghua.edu.cn/rydw/qzpi/liuziming.htm
[2]https://zhuanlan.zhihu.com/p/1907988943389045778
[3]https://kindxiaoming.github.io/

— 完 —