KAN一作刘子鸣回国任教，清华官网盖章认证了

鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI4

爆火神经网络架构KAN一作，毕业新去向已获清华官网认证：

刘子鸣，拟于今年9月加入清华大学人工智能学院，任助理教授。

KAN的初版论文发表于2024年4月，一经发布，即以优于多层感知机（MLP）的准确性和可解释性，成为当时的学术界热议话题。其GitHub仓库，在短短两三天内就收获了1.1k星星。

正如论文中所提到，大家关注的重点在于：

• KANs是MLPs的有力替代方案，为进一步改进目前重度依赖MLPs的深度学习模型提供了新的契机。

刘子鸣的这一教职其实早前就已敲定。从他本人在2025年5月发布的招生文章来看，他的首批博士生招生目前已经完成。

KAN一作回国任教

刘子鸣，武汉人，是武钢三中校友。

他从初中起就是竞赛生，高中投身物理竞赛，在2015年以全国第8名的成绩入选物理国家集训队，并被保送至北大物理学院。

本科期间，刘子鸣就关注到了物理学和机器学习的交叉领域，并有一作文章发表在European Physical Journal C、Physical Review C等刊物和NeurIPS 2020等学术会议上。

本科毕业后，刘子鸣赴MIT攻读物理博士学位，师从物理学家Max Tegmark——这位物理学教授最初是一名宇宙学家，后将研究重心转向了人工智能。

KAN正是刘子鸣和Max Tegmark合作的成果。刘子鸣在Max Tegmark指导下，致力于提升神经网络的可解释性，KAN（Kolmogorov-Arnold Networks）的初始灵感，就是想从Kolmogorov-Arnold这个数学定理出发，打开神经网络“黑盒”。

具体来说，Kolmogorov-Arnold定理的核心是：任何定义在有界域上的多元连续函数，都能表示为有限个单变量连续函数的两层嵌套叠加形式。

这为KAN的诞生提供了一个思路：将复杂高维函数学习转化为一组单变量函数的学习。

也就是说，KAN完全无需线性权重：MLP在节点上使用固定激活函数，而KAN则可将学习的激活函数置于边（权重）上，每条边的线性权重被单变量函数替代。

这种设计下，网络中各变量的作用路径都可以被直观地观察到，使得KAN具备MLP无法提供的可解释性和交互性。

论文发布后迅速引发了强烈的反响。Google Scholar显示，到现在，KAN的引用量已经达到3000+。

2024年8月，刘子鸣和合作者们又发表了KAN 2.0，以进一步提高KAN的实用性和易用性。

刘子鸣本人将KAN解读为三个层面的AI+Science：

• Science for AI：原理来自于数学；
• Science of AI：澄清了一些关于Neural Scaling Law的现象；
• AI for Science：依靠KAN，能够发现科学和工程问题中的符号公式。

而这也正是他的研究方向。

2025年5月份，刘子鸣在社交媒体上更新了自己获得清华教职的消息。在招生文章中，他还说明了自己的研究风格：

• 1.好奇心驱动（觉得好玩）和影响力驱动（也追热点，但更追求长期影响力）。理想情况，希望研究既有科学上的启发，也能有影响力。比如KAN就是这样的一个例子，我们希望从科学的角度想象AI的更多可能性。
  2.理论和实验结合。理论是物理的严格程度，可能会被数学家喷不严谨哈哈。实验更多的是阐释现象，而不是无脑刷SOTA。实验告诉我们什么样的理论可能有用的，而理论指导我们如何去设计实验。
  3.研究问题的层次通常介于纯理论和纯应用之间的中间抽象层。抽象的好处是对不同的问题有很强的通用性，但需要抽象本身是高质量的、对实践有用的。所以我会和应用组（具体的科学领域）进行合作，去理解如何进行更好的抽象来贴近应用。

目前，刘子鸣在斯坦福从事博士后研究，合作导师是Andreas Tolias。

One More Thing

说起来，刘子鸣也并没有放下从高中起就投身的物理学。

他现在每天更新的博客，名为“physics of AI”，意为用研究物理学的方式来研究AI，旨在回答：什么样的模型，在什么样的数据上，展现出什么样的现象。

“关键在于‘大量小见解’，而非寄希望于‘少数大发现’。”

△图源：刘子鸣博客

从2025年12月31日起，刘子鸣每天都在更新博客内容，用他自己的话说是：

• 每天只需投入2小时，我就能通过玩具模型（toy models）了解到关于神经网络的惊人事实。许多见解最终可能微不足道或无关紧要，但其中一些将会产生足以改变领域现状的巨大影响。

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

— 完 —