# Pingchuan Ma > 马平川是 Meta 超智能实验室的人工智能研究科学家。他之前曾在 OpenAI 工作。他获得了麻省理工学院 CSAIL 的博士学位和学士学位…… - Canonical URL: https://iq.wiki/zh/wiki/pingchuan-ma - Categories: People in crypto - Tags: Developer - Created: 2025-08-08T19:59:50.996Z - Last updated: 2025-08-11T19:26:04.018Z - Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki) --- **马平川**（英文：Pingchuan Ma，中文：馬平川）是 [Meta 超智能实验室](https://iq.wiki/wiki/meta-superintelligence-team) 的人工智能研究科学家。他的研究重点是机器学习、计算机图形学和机器人技术的交叉领域，在可微模拟、物理增强生成模型和多模态学习等领域做出了重大贡献。 [\[1\]](#cite-id-b5fl6vWN4u) [\[2\]](#cite-id-xnMIarehip) ## 教育经历 马平川于 2015 年至 2019 年就读于中国天津南开大学，获得软件工程学士学位。本科毕业后，他前往美国马萨诸塞州理工学院 (MIT) 继续深造。在麻省理工学院，他加入了计算机科学与人工智能实验室 (CSAIL)，师从 Wojciech Matusik 教授。他于 2023 年 2 月完成了计算机科学硕士 (S.M.) 学位，并于 2025 年 2 月成功完成了计算机科学博士论文答辩。 [\[1\]](#cite-id-b5fl6vWN4u) [\[3\]](#cite-id-YpttfIh2ot) [\[6\]](#cite-id-Aq2nweVxNv) ## 职业生涯 2025 年 7 月，马平川加入 Meta，担任其新成立的 [超智能实验室](https://iq.wiki/wiki/meta-superintelligence-team) 的人工智能研究科学家，该团队旨在推进基础人工智能研究。他的任命是 Meta 大规模人才引进工作的一部分，Meta 从其他领先的人工智能组织招募了大量研究人员。 在加入 Meta 之前，马平川于 2025 年 2 月至 7 月在 OpenAI 担任技术人员，他的工作重点是多模态模型和后训练技术。在 2019 年至 2025 年在麻省理工学院 CSAIL 攻读博士学位期间，他担任研究助理。马平川的专业经验得到了在著名技术实验室的多次研究实习的补充。2024 年 5 月至 12 月，他曾在 NVIDIA 西雅图机器人实验室实习，与 Dieter Fox 教授合作。2021 年，他在 Chuang Gan 教授的指导下在 MIT-IBM Watson 人工智能实验室实习。他最早的行业实习是在 2018 年 5 月至 2019 年 2 月在商汤科技研究院。在麻省理工学院期间，他还于 2022 年秋季担任 6.807/6.839 高级计算机图形学课程的助教。他的研究生涯始于 2016 年 4 月至 2019 年 6 月在南开大学担任助理。 马平川的研究融合了机器学习、计算机图形学和机器人技术的概念。他工作的一个中心主题是可微物理模拟的开发和应用，这使得可以使用基于梯度的优化方法来解决复杂的物理逆问题。这种方法已应用于软机器人、流体动力学、计算设计和系统识别等领域的挑战。他的工作还探索了物理增强生成模型的创建，该模型将深度学习的表达能力与物理定律的约束相结合，以产生更逼真和可控的输出。他的其他主要研究领域包括用于视觉和语言的多模态学习、高效人工智能系统的开发以及人工智能在科学发现中的应用。 他曾与人合著了多篇论文，并在 NeurIPS、ICML、ICLR、SIGGRAPH 和 ICRA 等主要人工智能和计算机图形学会议上发表。 以下是他的一些著名出版物： * **KAN 2.0：Kolmogorov-Arnold 网络与科学相遇 (2024)**：与 Ziming Liu、Yixuan Wang、Wojciech Matusik 和 Max Tegmark 合著，本文提出了一种 Kolmogorov-Arnold 网络 (KAN) 的演变，通过将物理先验和符号组件纳入模型架构，为科学发现量身定制。 * **LLM 和模拟作为双层优化器：推进物理科学发现的新范式 (2024)**：在 ICML 上发表，这项工作介绍了一个框架，其中大型语言模型 (LLM) 充当高级优化器，提出和改进假设，而可微模拟充当低级优化器，根据物理定律验证这些假设。 * **DiffuseBot：使用物理增强生成扩散模型繁殖软机器人 (2023)**：本文在 NeurIPS 上进行了口头报告，提出了一种使用扩散模型共同设计软机器人的形态和控制的方法，该模型由基于物理的模拟指导，从而能够生成多样化和高性能的机器人结构。 * **从运动观察中学习神经本构定律以实现可推广的 PDE 动力学 (2023)**：这项研究发表在 ICML 上，介绍了一种直接从视频观察中学习物理系统底层材料特性（本构定律）的方法，使用神经网络来模拟偏微分方程 (PDE) 框架内应力和应变之间的关系。 * **SoftZoo：用于在不同环境中运动的软机器人协同设计基准 (2023)**：这项工作在 ICLR 上发表，介绍了一个用于设计和评估软机器人的综合基准，提供了一个标准化的环境，用于在各种地形上共同优化其形状和控制策略。 * **RISP：具有可微模拟和渲染的渲染不变状态预测器，用于跨域参数估计 (2022)**：本文在 ICLR 上进行了口头报告，提出了一个通过从视频中估计真实物体的物理特性来创建真实物体“数字孪生”的框架。它集成了可微模拟和渲染，以弥合物体的视觉外观与其底层物理动力学之间的差距。 * **DiffAqua：具有形状插值的软水下游泳器的可微计算设计管道 (2021)**：本文发表在 *ACM Transactions on Graphics* (SIGGRAPH) 上，详细介绍了一个用于设计高效软体水下游泳器的完全可微管道。该系统优化了机器人的形状和驱动，以最大限度地提高游泳速度。 * **多任务学习中的高效连续帕累托探索 (2020)**：这项工作在 ICML 上发表，介绍了一种用于有效绘制多任务学习问题中帕累托前沿的算法，从而可以更全面地了解不同目标之间的权衡。 * **使用深度强化学习的流体导向刚体控制 (2018)**：这项早期工作发表在 *ACM Transactions on Graphics* (SIGGRAPH) 上，展示了如何使用深度强化学习来控制刚体在流体模拟中的运动，从而使物体能够自主地在复杂的流体环境中导航。 以上列表代表了马平川对人工智能、机器人技术和计算机图形学领域的贡献。 [\[1\]](#cite-id-b5fl6vWN4u) [\[2\]](#cite-id-xnMIarehip) [\[3\]](#cite-id-YpttfIh2ot) [\[4\]](#cite-id-pxIyKW5KrR) [\[5\] ](#cite-id-Qy5jfSJZ1x)[\[6\]](#cite-id-Aq2nweVxNv) [\[7\]](#cite-id-0H1pmTLmec)