Wang Yunhe

wiki
, ,
1

Ex-diretor do Huawei Noah’s Ark Lab, principal responsável pelo Pangu Large Model, pesquisador de deep learning especializado em teoria de compressão de modelos e implementação industrial em larga escala, atualmente cofundador e CEO da startup de IA Agent, Primitive Rhythm.
Nascimento 1991, China
Nacionalidade Chinês
Instituição Primitive Rhythm (cofundador e CEO, abril de 2026 – presente); anteriormente Huawei Noah’s Ark Lab (diretor, março de 2025 – março de 2026)
Áreas de pesquisa Deep learning, compressão e quantização de modelos, busca de arquitetura neural (NAS), visão computacional, grandes modelos de linguagem, IA Agent
Orientadores de doutorado Xu Chao (Universidade de Pequim), Tao Dacheng (Academia de Ciências da Austrália)
Site pessoal wangyunhe.site
Zhihu YunheWang
GitHub YunheWang
Google Scholar Wang Yunhe — Mais de 33 mil citações, h-index 68

Perfil

Wang Yunhe é um dos pesquisadores representativos da China na área de deep learning que equilibra produção acadêmica e implementação industrial, conhecido por sua experiência em arquiteturas neurais eficientes e compressão de modelos. Durante quase nove anos no Huawei Noah’s Ark Lab, ele passou de estagiário a diretor do laboratório, liderando o desenvolvimento de arquiteturas leves amplamente adotadas pela indústria, como GhostNet e AdderNet, e tornando-se o principal responsável pelo Pangu Large Model da Huawei, supervisionando o lançamento da série Pangu 5.5. Depois de deixar a Huawei em março de 2026, ele fundou imediatamente a Primitive Rhythm, uma empresa focada na implementação de IA Agent empresarial, avaliada em US$ 100 milhões após a primeira rodada de financiamento. Suas citações no Google Scholar ultrapassam 33 mil, com um h-index de 68, colocando-o no primeiro escalão entre os pesquisadores da indústria na China.

Formação e Educação

Wang Yunhe obteve seu bacharelado em Matemática e Matemática Aplicada pela Universidade Xidian, estabelecendo uma base sólida em matemática. Após a graduação, ele ingressou no Departamento de Ciência Inteligente da Universidade de Pequim para seu doutorado, orientado pelo professor Xu Chao e pelo professor Tao Dacheng (Academia de Ciências da Austrália), com foco em deep learning e compressão de modelos.

Durante seu doutorado, ele já publicava em conferências de alto nível, incluindo CNNpack (compressão de redes neurais no domínio da frequência) no NeurIPS 2016 e Beyond Filters (mapas de características compactos) no ICML 2017, demonstrando um estilo de pesquisa que integrava altamente a teoria do domínio da frequência com a engenharia de deep learning. Em 2017, antes de se formar, ele ingressou na Huawei como o primeiro estagiário do departamento de Pequim do Noah’s Ark Lab, iniciando uma trajetória profissional paralela na academia e na indústria. Ele se doutorou em 2018 e ingressou oficialmente na Huawei.

Durante seus estudos, recebeu a Google PhD Fellowship (2017), a Baidu Scholarship (2017), a bolsa do reitor da Universidade de Pequim (2017) e duas vezes a National Graduate Scholarship (2016, 2017), sendo um dos alunos de doutorado com maior concentração de prêmios na época.

Carreira

Huawei Noah’s Ark Lab (2017–2026)

Wang Yunhe ingressou no Huawei Noah’s Ark Lab como estagiário em 2017, sendo o primeiro pesquisador estagiário contratado no início do departamento de Pequim do laboratório. Após obter seu doutorado em 2018, ele ingressou oficialmente como engenheiro sênior, tornando-se engenheiro-chefe e especialista técnico, com uma progressão constante de “uma promoção por ano” dentro do laboratório.

Período de pesquisa em arquitetura eficiente de deep learning (2018–2021)

Nesta fase, Wang Yunhe participou e liderou várias pesquisas de arquitetura fundamentais e marcantes no Huawei Noah’s Ark Lab. O GhostNet (CVPR 2020) propôs a geração de “mapas de características fantasmas” por meio de operações lineares de baixo custo, reduzindo drasticamente os parâmetros e a carga computacional de modelos em dispositivos com a mesma precisão, tornando-se rapidamente uma das arquiteturas leves mais citadas da indústria, com mais de 6.000 citações individuais no Google Scholar. No mesmo ano, o AdderNet (apresentação oral no CVPR 2020) substituiu a multiplicação por operações de adição em redes profundas, redefinindo a IA eficiente do ponto de vista do consumo de energia do hardware. Ambos os trabalhos conquistaram o 4º Prêmio dos Dez Maiores Inventos da Huawei e foram implementados no telescópio FAST da China, auxiliando pesquisadores a identificar centenas de novas amostras de Fast Radio Burst (FRB).

Além disso, a aplicação industrial do Transformer visual foi uma direção importante neste período. Wang Yunhe e sua equipe publicaram trabalhos como Transformer-in-Transformer (TNT, NeurIPS 2021), Pre-trained Image Processing Transformer (IPT, CVPR 2021) e presidiram a redação da pesquisa de alto impacto “A Survey on Visual Transformer” (IEEE TPAMI 2022), sistematizando o desenvolvimento da série de pesquisas ViT.

Diretor do Departamento de Aplicação de Algoritmos (final de 2021 – início de 2025)

No final de 2021, Wang Yunhe foi promovido a diretor do Departamento de Aplicação de Algoritmos da Huawei (posteriormente renomeado Laboratório de Modelos Pequenos), responsável pelo desenvolvimento e implementação de algoritmos de IA eficientes. Nesta função, ele continuou a promover a conversão da tecnologia de leveza de modelos para produtos finais, com resultados aplicados em telefones carro-chefe como o Huawei Mate 30 e várias soluções industriais.

Diretor do Huawei Noah’s Ark Lab e principal responsável pelo Pangu Large Model (março de 2025 – março de 2026)

Em março de 2025, com a transferência interna do ex-diretor do Noah’s Ark Lab, Yao Jun, Wang Yunhe foi nomeado para assumir o cargo de diretor do laboratório e, simultaneamente, tornou-se o principal responsável pelo Pangu Large Model, tornando-se o principal líder técnico do sistema de pesquisa e desenvolvimento de IA da Huawei, conhecido na indústria como “Jovem Marechal do Pangu”.

Cerca de três meses após assumir, ele rapidamente promoveu o lançamento da série Pangu 5.5. O Pangu 5.5 adota a arquitetura MoE (Mixture of Experts), com a versão principal “Pangu Ultra” tendo 718B parâmetros e cerca de 39B parâmetros ativos; introduz um mecanismo adaptativo de pensamento rápido e lento, melhorando a eficiência geral da inferência em 8 vezes em relação à geração anterior; simultaneamente, lança o módulo de capacidade de agente de pesquisa profunda DeepDiver, que pode concluir perguntas e respostas complexas de mais de dez saltos em 5 minutos e gerar relatórios profissionais de dezenas de milhares de palavras. Durante este período, o Pangu Large Model foi profundamente implementado em montadoras como FAW, GAC, Changan, Seres e BYD, abrangendo toda a cadeia de P&D, produção e pós-venda de veículos.

Em 28 de março de 2026, Wang Yunhe confirmou sua saída no WeChat Moments, despedindo-se da Huawei, escrevendo: “8 anos, para ser preciso, 9 anos (o primeiro estagiário de Pequim em 2017), com relutância, despeço-me do lugar onde lutei.”

Primitive Rhythm (abril de 2026 – presente)

Em 8 de abril de 2026, a Primitive Rhythm Technology Co., Ltd. foi oficialmente registrada em Xangai, e em 17 do mesmo mês, a Primitive Rhythm Technology Co., Ltd. de Pequim também concluiu o registro comercial, com Wang Yunhe como representante legal. O ex-pesquisador-chefe do Huawei Noah’s Ark Lab, Han Kai, juntou-se como CTO, tendo colaborado por muito tempo com Wang Yunhe no desenvolvimento de algoritmos como GhostNet, demonstrando grande sinergia em direção técnica e implementação de engenharia.

O foco principal da Primitive Rhythm é a implementação empresarial de IA Agent (AI Agent), apoiando-se na tecnologia subjacente de grandes modelos leves e algoritmos de baixo consumo de energia acumulada por Wang Yunhe na Huawei, focando em ajudar empresas tradicionais em manufatura, finanças, automóveis, etc., a construir assistentes de IA empresariais dedicados, visando resolver os problemas de alto custo, difícil implementação e alto consumo de poder computacional na implementação de IA empresarial, evitando deliberadamente a competição acirrada por grandes modelos universais entre gigantes.

Em 2 de junho de 2026, a Sina Tech divulgou exclusivamente que a Primitive Rhythm concluiu uma rodada de financiamento, com uma avaliação pós-investimento de US$ 100 milhões, com investidores composto por empresas de capital de risco de primeira linha na China e várias empresas líderes de Internet, garantindo simultaneamente pedidos de cooperação estáveis de várias empresas estatais de grande porte. O primeiro produto comercial de Agent está programado para ser lançado nos próximos meses.

Principais Contribuições

  • GhostNet (CVPR 2020) — Propôs uma arquitetura de rede leve que gera “mapas de características fantasmas” por meio de operações lineares de baixo custo, com parâmetros e operações de ponto flutuante drasticamente menores do que as soluções anteriores com a mesma precisão, tornando-se uma das principais rotas técnicas para IA em dispositivos, com mais de 6.000 citações individuais, sendo o artigo mais citado de Wang Yunhe.
  • AdderNet (Apresentação Oral no CVPR 2020) — Substituiu a convolução por multiplicação por operações de adição em redes profundas, reduzindo drasticamente o consumo de energia e a área de circuito de chips de IA a nível de operador, ganhando o Prêmio dos Dez Maiores Inventos da Huawei e sendo implementado no FAST da China, auxiliando na descoberta de centenas de novas amostras de Fast Radio Burst.
  • VanillaNet (2023) — Aderiu à filosofia minimalista de “menos é mais”, construindo uma rede backbone eficiente reduzindo profundidade e operações complexas (como autoatenção); VanillaNet de 6 camadas supera ResNet-34, e a versão de 13 camadas atinge cerca de 83% de precisão Top-1, com vantagens significativas em eficiência de hardware.
  • PanGu-π / Pangu 5.5 (2023–2025) — Liderou a inovação da arquitetura do Pangu Large Model da Huawei; PanGu-π melhora significativamente a capacidade expressiva de LLMs de 7B/1B através de módulos de compensação não linear; Pangu 5.5 emprega arquitetura MoE para obter uma melhoria de 8x na eficiência de inferência, impulsionando a implementação comercial de grandes modelos em automóveis, manufatura, finanças, etc.
  • Pesquisa do Sistema Transformer Visual — Participou da publicação de trabalhos como TNT (NeurIPS 2021), IPT (CVPR 2021), CMT (CVPR 2022) e presidiu a redação da pesquisa ViT (IEEE TPAMI 2022), sendo um dos primeiros trabalhos a organizar sistematicamente o mapa de pesquisa do Transformer visual na China, com citações continuamente altas.
  • Métodos Sistemáticos de Quantização e Poda de Modelos — Publicou vários trabalhos sobre quantização (AdderQuant, busca de baixa precisão), poda (SCOP, ManiDP) e destilação de conhecimento (destilação independente de dados DAFL, destilação de características desacopladas) em conferências importantes como NeurIPS, ICML, CVPR, ICCV, promovendo sistematicamente a construção de metodologias fundamentais para IA eficiente.

Impacto Social e Honrarias

  • Google PhD Fellowship (2017) — Bolsa de doutorado do Google; naquele ano, pouquíssimos estudantes de pós-graduação na China a receberam.
  • Baidu Scholarship (2017) — Concedida anualmente a apenas cerca de 10 dos melhores alunos de doutorado em todo o país.
  • Bolsa do Reitor da Universidade de Pequim (2017) — Uma das maiores honrarias de bolsa de estudos para pós-graduação da Universidade de Pequim.
  • National Graduate Scholarship (2016, 2017) — Premiado por dois anos consecutivos.
  • 4º Prêmio dos Dez Maiores Inventos da Huawei — Ganhou o prêmio de inovação e invenção de mais alto nível da Huawei pelo “Multiplicador de Alta Eficiência e Rede Neural Aditiva”, sendo um dos poucos resultados a alcançar simultaneamente alto impacto acadêmico e valor comercial dentro da empresa.
  • Nomeação para o Melhor Artigo Jovem da WAIC (2020) — Finalista do Melhor Artigo Jovem na Conferência Mundial de Inteligência Artificial.
  • Nomeação para o Melhor Artigo Estudante do CVPR 2024 — Artigo da equipe nomeado para a mais alta honra candidata na principal conferência internacional de visão computacional.

Rede Acadêmica e Profissional

  • Xu Chao — Orientador de doutorado na Universidade de Pequim; professor do Departamento de Ciência Inteligente da Universidade de Pequim, acadêmico sênior em compressão de modelos e deep learning eficiente, estabelecendo a base acadêmica da direção de pesquisa de Wang Yunhe.
  • Tao Dacheng — Coorientador de doutorado na Universidade de Pequim; membro da Academia de Ciências da Austrália, autoridade internacional em aprendizado de máquina estatística e visão computacional, ainda colaborando em vários artigos posteriores da Huawei.
  • Han Kai — Ex-pesquisador-chefe do Huawei Noah’s Ark Lab, coautor de artigos principais como GhostNet, TNT; atual CTO da Primitive Rhythm, parceiro de longa data e parceiro de startup mais importante.
  • Tian Qi — Colaborador em vários trabalhos como GhostNet, AdderNet; pesquisador sênior do Huawei Noah’s Ark Lab.
  • Chen Hanting — Coautor principal de vários artigos de conferências importantes como AdderNet, IPT; pesquisador do Huawei Noah’s Ark Lab.
  • Chang Xu — Professor da Universidade Tecnológica de Nanyang; colaborador acadêmico durante o doutorado de Wang Yunhe, publicando vários artigos de alto impacto na área de compressão de modelos.

Estilo Pessoal

O caminho de pesquisa de Wang Yunhe apresenta um estilo distinto de “intuição matemática impulsionando a implementação de engenharia”: a inspiração para o AdderNet veio de uma reflexão sobre a essência das operações de multiplicação e adição durante uma caminhada; o GhostNet partiu diretamente da observação estatística de “mapas de características redundantes” para fornecer uma solução de engenharia quantificável; ambos demonstram a capacidade de passar de uma percepção matemática simples para uma solução escalável e implantável. Em plataformas como Zhihu, ele mantém comunicação aberta com colegas acadêmicos e engenheiros, com expressão técnica direta e sem excesso de enfeite. Em nove anos, passou de primeiro estagiário da Huawei em Pequim a diretor de laboratório, e depois a uma startup avaliada em US$ 100 milhões, seu caminho reflete a trajetória típica de uma nova geração de líderes de IA na China que fazem escolhas autônomas entre a acumulação técnica em grandes empresas e a janela de empreendedorismo independente.

Referências