Ван Юньхэ

вики
, ,
1

Бывший директор Лаборатории Ноева ковчега Huawei, ключевой руководитель большой модели Pangu, глубокий исследователь, сочетающий теорию сжатия моделей с крупномасштабным промышленным внедрением, ныне соучредитель и генеральный директор стартапа в области AI-агентов Jiyuan Lüdong.
Рождение 1991 г., Китай
Гражданство КНР
Место работы Jiyuan Lüdong (соучредитель и генеральный директор, с апреля 2026 г.); ранее Лаборатория Ноева ковчега Huawei (директор, март 2025 г. – март 2026 г.)
Направления исследований Глубокое обучение, сжатие и квантование моделей, поиск архитектуры нейронных сетей (NAS), компьютерное зрение, большие языковые модели, AI-агенты
Научный руководитель Сюй Чао (Пекинский университет), Та Дачэн (член Австралийской академии наук)
Личный сайт wangyunhe.site
Zhihu YunheWang
GitHub YunheWang
Google Scholar Ван Юньхэ — более 33 000 цитирований, h-index 68

Краткая биография

Ван Юньхэ — один из представительных исследователей в области глубокого обучения в Китае, сочетающих высокую научную продуктивность с промышленным внедрением. Наиболее известен работами по эффективным архитектурам нейронных сетей и сжатию моделей. За почти девять лет работы в Лаборатории Ноева ковчега Huawei он прошел путь от стажера до директора лаборатории, возглавив разработку таких широко используемых легковесных архитектур, как GhostNet и AdderNet, и став ключевым руководителем большой модели Pangu, под его руководством была выпущена серия Pangu 5.5. После ухода из Huawei в марте 2026 года он основал компанию Jiyuan Lüdong, занимающуюся внедрением корпоративных AI-агентов. После первого раунда финансирования ее оценка достигла 100 миллионов долларов. Его показатель цитирования в Google Scholar превышает 33 000, h-index равен 68, что ставит его в первый эшелон среди промышленных исследователей в Китае.

Образование и становление

Ван Юньхэ получил степень бакалавра по специальности «Математика и прикладная математика» в Сианьском университете электронных наук и технологий, где получил прочную математическую базу. После окончания бакалавриата он поступил в аспирантуру Пекинского университета на факультет интеллектуальных наук под руководством профессора Сюй Чао и члена Австралийской академии наук профессора Та Дачэна (Dacheng Tao). Его исследования были сосредоточены на глубоком обучении и сжатии моделей.

Еще будучи аспирантом, он начал публиковать результаты на ведущих академических конференциях, включая CNNpack (сжатие нейронных сетей в частотной области) на NeurIPS 2016 и Beyond Filters (компактные карты признаков) на ICML 2017, демонстрируя стиль исследований, сочетающий теорию частотной области с инженерией глубокого обучения. В 2017 году, еще до защиты диссертации, он присоединился к Huawei в качестве первого стажера в пекинском отделении Лаборатории Ноева ковчега, начав свой карьерный путь, параллельно развивавшийся в академической и промышленной сферах. В 2018 году он защитил докторскую диссертацию и официально приступил к работе в Huawei.

За время учебы он получил стипендию Google PhD Fellowship (2017), стипендию Baidu (2017), стипендию ректора Пекинского университета (2017) и дважды становился лауреатом Государственной стипендии для аспирантов (2016, 2017), что делает его одним из самых титулованных аспирантов того времени.

Карьера

Лаборатория Ноева ковчега Huawei (2017–2026)

Ван Юньхэ присоединился к Лаборатории Ноева ковчега Huawei в качестве стажера в 2017 году, став первым приглашенным научным сотрудником пекинского отделения лаборатории на начальном этапе ее создания. После защиты докторской диссертации в 2018 году он официально поступил на работу, начав с должности старшего инженера, затем последовательно занимал должности ведущего инженера, технического эксперта, стабильно получая повышения (примерно одно в год).

Период исследований эффективных архитектур глубокого обучения (2018–2021)

На этом этапе Ван Юньхэ участвовал в руководстве несколькими знаковыми фундаментальными исследованиями архитектур в Лаборатории Ноева ковчега Huawei. GhostNet (CVPR 2020) предложил генерировать «призрачные карты признаков» с помощью дешевых линейных операций, что позволяет значительно сократить количество параметров и вычислений в моделях для граничных устройств при сохранении точности. Архитектура быстро стала одной из наиболее цитируемых легковесных архитектур; количество цитирований этой работы в его профиле Google Scholar превышает 6000. В том же году AdderNet (устный доклад на CVPR 2020) заменил операции умножения в глубоких сетях на операции сложения, переопределив понятие эффективного AI с точки зрения энергопотребления оборудования. Обе работы совместно получили четвертую премию «Десять великих изобретений» Huawei. Благодаря оптимизации алгоритмов они были внедрены в сферический радиотелескоп FAST в Китае, помогая ученым эффективно идентифицировать сотни новых образцов быстрых радиовсплесков (FRB).

Кроме того, промышленное применение визуальных трансформеров было еще одним важным направлением в этот период. Ван Юньхэ и его команда опубликовали работы Transformer-in-Transformer (TNT, NeurIPS 2021), предобученную модель для сверхразрешения изображений Pre-trained Image Processing Transformer (IPT, CVPR 2021) и другие, а также возглавили написание высокоцитируемого обзора «A Survey on Visual Transformer» (IEEE TPAMI 2022), систематизировавшего развитие исследований в области ViT.

Руководитель отдела применения алгоритмов (конец 2021 г. – начало 2025 г.)

В конце 2021 года Ван Юньхэ был назначен руководителем отдела применения алгоритмов Huawei (позднее переименованного в Лабораторию малых моделей), получив полную ответственность за разработку и внедрение эффективных AI-алгоритмов. На этой должности он продолжал продвигать трансформацию технологий облегчения моделей в конечные продукты, и эти результаты были применены во флагманских телефонах серии Huawei Mate 30 и во многих отраслевых решениях.

Директор Лаборатории Ноева ковчега Huawei и руководитель большой модели Pangu (март 2025 г. – март 2026 г.)

В марте 2025 года, после внутреннего перевода прежнего директора Лаборатории Ноева ковчега Яо Цзюня, Ван Юньхэ был назначен директором лаборатории и одновременно стал ключевым руководителем большой модели Pangu, заняв высший технический пост в системе AI-разработок Huawei. В индустрии его называли «молодым генералом Pangu».

Примерно в течение трех месяцев после назначения он оперативно инициировал выпуск серии Pangu 5.5. Pangu 5.5 использует архитектуру смеси экспертов (MoE), флагманская версия «Pangu Ultra» имеет 718 миллиардов параметров, около 39 миллиардов активных параметров; внедрен адаптивный механизм быстрого и медленного мышления, что в целом повысило эффективность вывода в 8 раз по сравнению с предыдущим поколением; также был представлен модуль агента глубокого поиска DeepDiver, способный выполнять сложные многошаговые запросы (более десяти шагов) за 5 минут и генерировать подробные отчеты объемом в десятки тысяч слов. В этот период большая модель Pangu была глубоко внедрена в основные автомобильные компании, включая FAW, GAC, Changan, Seres, BYD, охватывая всю цепочку от разработки и производства до послепродажного обслуживания автомобилей.

28 марта 2026 года Ван Юньхэ в своем аккаунте в WeChat Moments подтвердил увольнение, попрощавшись с Huawei: «8 лет, точнее 9 лет (первый стажер в Пекине в 2017 году). С неохотой прощаюсь с местом, где я когда-то работал».

Jiyuan Lüdong (с апреля 2026 г.)

8 апреля 2026 года была официально зарегистрирована компания Shanghai Jiyuan Lüdong Technology Co., Ltd., а 17 апреля также прошла регистрацию Beijing Jiyuan Lüdong Technology Co., Ltd., причем в обоих случаях законным представителем указан Ван Юньхэ. Бывший главный научный сотрудник Лаборатории Ноева ковчега Huawei Хань Кай (Kai Han) присоединился к компании в качестве технического директора. Он долгое время совместно с Ван Юньхэ разрабатывал такие алгоритмы, как GhostNet; техническое взаимопонимание между ними в области технологий и инженерной реализации очень высокое.

Основное направление деятельности Jiyuan Lüdong — промышленное внедрение корпоративных AI-агентов (AI Agent). Опираясь на технологии легковесных больших моделей и низкоэнергетических алгоритмов, накопленные Ван Юньхэ в Huawei, компания стремится помочь традиционным отраслям, таким как производство, финансы и автомобилестроение, создавать собственные специализированные AI-ассистенты, решая ключевые проблемы внедрения AI для предприятий: высокую стоимость, сложность развертывания и большие вычислительные затраты, сознательно избегая конкуренции с гигантами на рынке универсальных больших моделей.

2 июня 2026 года Tech.sina.com эксклюзивно сообщил, что Jiyuan Lüdong завершила раунд финансирования, а общая оценка компании после инвестиций достигла 100 миллионов долларов. Инвесторами выступили ведущие китайские венчурные фонды и несколько крупных интернет-компаний. Компания также заключила стабильные партнерские контракты с рядом государственных компаний. Первый коммерческий продукт-агент планируется выпустить в ближайшие несколько месяцев.

Основные достижения

  • GhostNet (CVPR 2020) — предложена легковесная архитектура нейронной сети, генерирующая «призрачные карты признаков» с помощью дешевых линейных операций. При той же точности количество параметров и операций с плавающей запятой значительно ниже, чем у предыдущих лучших решений. Стала одним из основных технологических направлений для AI на граничных устройствах. Более 6000 цитирований, что делает эту работу самой цитируемой у Ван Юньхэ.
  • AdderNet (устный доклад на CVPR 2020) — замена операций умножения на операции сложения в глубоких сетях, что позволяет на уровне операторов значительно снизить энергопотребление и площадь схем AI-чипов. Получила премию «Десять великих изобретений Huawei» и была внедрена в сферический радиотелескоп FAST в Китае, помогая обнаружить сотни новых образцов быстрых радиовсплесков.
  • VanillaNet (2023) — реализует минималистскую философию «меньше — значит больше» путем уменьшения глубины и сложных операций (например, самовнимания). Шестислойная VanillaNet превосходит ResNet-34, а 13-слойная версия достигает примерно 83% точности Top-1, обладая значительными преимуществами в аппаратной эффективности.
  • PanGu-π / Pangu 5.5 (2023–2025) — руководство архитектурными инновациями большой модели Pangu Huawei; PanGu-π значительно повышает выразительную способность LLM масштаба 7B/1B с помощью модуля нелинейной компенсации; Pangu 5.5 использует архитектуру MoE для повышения эффективности вывода в 8 раз, способствуя коммерческому внедрению большой модели в автомобильной, производственной и финансовой отраслях.
  • Исследования в области визуальных трансформеров — участие в публикации серии работ TNT (NeurIPS 2021), IPT (CVPR 2021), CMT (CVPR 2022) и руководство написанием обзора ViT (IEEE TPAMI 2022), который является одной из первых работ в Китае, систематизирующих исследования в области визуальных трансформеров, и имеет неизменно высокое количество цитирований.
  • Методы квантования и прореживания моделей — публикация нескольких работ по квантованию (AdderQuant, поиск с низкой битностью), прореживанию (SCOP, ManiDP) и дистилляции знаний (дистилляция без данных DAFL, дистилляция декомпозированных признаков) на ведущих конференциях, таких как NeurIPS, ICML, CVPR, ICCV, систематически продвигая создание фундаментальной методологии эффективного AI.

Общественное влияние и награды

  • Google PhD Fellowship (2017) — стипендия Google для аспирантов; в том году китайских аспирантов, получивших эту стипендию, было крайне мало.
  • Baidu Scholarship (2017) — ежегодно присуждается примерно 10 лучшим аспирантам Китая.
  • Стипендия ректора Пекинского университета (2017) — одна из высших стипендий для аспирантов Пекинского университета.
  • Государственная стипендия для аспирантов (2016, 2017) — присуждалась два года подряд.
  • Четвертая премия «Десять великих изобретений» Huawei — за работу «Высокоэффективные умножители и нейронные сети с операциями сложения» получил высшую награду Huawei за инновации и изобретения; это одна из немногих разработок внутри компании, обладающих одновременно высокой научной значимостью и коммерческой ценностью.
  • Номинация на премию выдающейся молодежной работы WAIC (2020) — вошел в шорт-лист лучших молодежных работ на Всемирной конференции по искусственному интеллекту.
  • Номинация на лучшую студенческую работу CVPR 2024 — работа команды была номинирована на высшую награду международной ведущей конференции по компьютерному зрению.

Научное сообщество и связи

  • Сюй Чао (Xu Chao) — научный руководитель докторской диссертации в Пекинском университете; профессор факультета интеллектуальных наук Пекинского университета, известный ученый в области сжатия моделей и эффективного глубокого обучения, заложивший академическую основу направления исследований Ван Юньхэ.
  • Та Дачэн (Dacheng Tao) — со-научный руководитель докторской диссертации в Пекинском университете; член Австралийской академии наук, международный авторитет в области статистического машинного обучения и компьютерного зрения; впоследствии продолжал сотрудничество в ряде работ Huawei.
  • Хань Кай (Kai Han) — бывший главный научный сотрудник Лаборатории Ноева ковчега Huawei, соавтор ключевых работ, таких как GhostNet и TNT; ныне технический директор Jiyuan Lüdong, давний самый важный партнер по исследованиям и основатель бизнеса.
  • Тянь Ци (Qi Tian) — соавтор многих работ, включая GhostNet и AdderNet; старший научный сотрудник Лаборатории Ноева ковчега Huawei.
  • Чэнь Ханьтин (Hanting Chen) — ключевой соавтор нескольких работ на ведущих конференциях, таких как AdderNet и IPT; научный сотрудник Лаборатории Ноева ковчега Huawei.
  • Чан Сюй (Chang Xu) — профессор Наньянского технологического университета, научный сотрудник Ван Юньхэ в период его докторантуры; они совместно опубликовали несколько высокоцитируемых работ в области сжатия моделей.

Личный стиль

Исследовательский путь Ван Юньхэ демонстрирует ярко выраженный стиль, который можно охарактеризовать как «математическая интуиция, ведущая к инженерному внедрению». Вдохновение для AdderNet пришло к нему во время похода в горы, когда он размышлял о природе операций умножения и сложения; GhostNet же возник из статистического наблюдения «избыточности карт признаков» и сразу привел к количественно измеримому инженерному решению. Обе работы демонстрируют способность переходить от простого математического понимания к масштабируемым промышленным решениям. На таких платформах, как Zhihu, он поддерживает открытое общение с научными коллегами и инженерами, его технические высказывания прямолинейны и лишены излишней рекламы. За девять лет он прошел путь от первого стажера Huawei в Пекине до директора лаборатории, а затем до основания компании с оценкой в 100 миллионов долларов; его карьера отражает типичную траекторию выбора, который делают лидеры нового поколения в сфере AI в Китае между накоплением технологического опыта в крупных компаниях и открывающимися возможностями для независимого предпринимательства.

Ссылки