馬平川（中文：馬平川）是 Meta 超智能實驗室 的人工智能研究科學家。他的研究重點是機器學習、計算機圖形學和機器人學的交叉領域，在可微模擬、物理增強生成模型和多模態學習等領域做出了重大貢獻。^{[1] [2]}

教育背景

馬平川於 2015 年至 2019 年就讀於中國天津南開大學，獲得軟件工程學士學位。本科畢業後，他前往美國麻省理工學院 (MIT) 攻讀研究生。在麻省理工學院，他加入了計算機科學與人工智能實驗室 (CSAIL)，師從 Wojciech Matusik 教授。他於 2023 年 2 月完成了計算機科學碩士 (S.M.) 學位，並於 2025 年 2 月成功完成了計算機科學博士論文答辯。^{[1] [3] [6]}

職業生涯

2025 年 7 月，馬平川加入 Meta，擔任其新成立的 超智能實驗室 的人工智能研究科學家，該團隊旨在推進基礎人工智能研究。Meta 進行了大量的人才招聘工作，從其他領先的人工智能組織招募了大量研究人員，他的任命是其中的一部分。

在加入 Meta 之前，馬平川於 2025 年 2 月至 7 月在 OpenAI 擔任技術人員，他的工作重點是多模態模型和後訓練技術。在 2019 年至 2025 年於麻省理工學院 CSAIL 攻讀博士學位期間，他擔任研究助理。馬平川的專業經驗得到了在著名技術實驗室進行的多次研究實習的補充。2024 年 5 月至 12 月，他曾在 NVIDIA 西雅圖機器人實驗室實習，與 Dieter Fox 教授合作。2021 年，他在 Chuang Gan 教授的指導下，在 MIT-IBM Watson 人工智能實驗室實習。他最早的行業實習是在 2018 年 5 月至 2019 年 2 月期間在商湯科技研究院進行的。在麻省理工學院期間，他還在 2022 年秋季擔任 6.807/6.839 高級計算機圖形學課程的助教。他的研究生涯始於在南開大學擔任的助理，從 2016 年 4 月持續到 2019 年 6 月。

馬平川的研究融合了機器學習、計算機圖形學和機器人學的概念。他工作的一個中心主題是可微物理模擬的開發和應用，這使得可以使用基於梯度的優化方法來解決複雜的物理逆問題。這種方法已應用於軟體機器人、流體動力學、計算設計和系統識別等領域的挑戰。他的工作還探索了物理增強生成模型的創建，該模型將深度學習的表達能力與物理定律的約束相結合，以產生更真實和可控的輸出。他的其他主要研究領域包括用於視覺和語言的多模態學習、高效人工智能系統的開發以及人工智能在科學發現中的應用。

他與他人合著了多篇論文，這些論文在主要的人工智能和計算機圖形學會議上發表，包括 NeurIPS、ICML、ICLR、SIGGRAPH 和 ICRA。

以下是他的一些著名出版物：

• KAN 2.0：Kolmogorov-Arnold 網絡遇上科學 (2024)：本文與 Ziming Liu、Yixuan Wang、Wojciech Matusik 和 Max Tegmark 合著，提出了一種 Kolmogorov-Arnold 網絡 (KAN) 的演變，通過將物理先驗和符號組件納入模型架構，專為科學發現而定制。
• LLM 和模擬作為雙層優化器：推進物理科學發現的新範式 (2024)：這項工作在 ICML 上發表，介紹了一個框架，其中大型語言模型 (LLM) 充當高級優化器，提出和完善假設，而可微模擬充當低級優化器，根據物理定律驗證這些假設。
• DiffuseBot：使用物理增強生成擴散模型繁殖軟體機器人 (2023)：本文在 NeurIPS 上進行了口頭報告，介紹了一種使用擴散模型共同設計軟體機器人的形態和控制的方法，該模型由基於物理的模擬指導，從而能夠生成多樣化且高性能的機器人結構。
• 從運動觀察中學習神經本構律，以實現可推廣的 PDE 動力學 (2023)：這項研究發表在 ICML 上，介紹了一種直接從視頻觀察中學習物理系統底層材料屬性（本構律）的方法，使用神經網絡來模擬偏微分方程 (PDE) 框架內應力和應變之間的關係。
• SoftZoo：用於多樣化環境中運動的軟體機器人協同設計基準 (2023)：這項工作在 ICLR 上發表，介紹了一個用於設計和評估軟體機器人的綜合基準，提供了一個標準化的環境，用於在各種地形上共同優化其形狀和控制策略。
• RISP：具有可微模擬和渲染的渲染不變狀態預測器，用於跨域參數估計 (2022)：本文在 ICLR 上進行了口頭報告，提出了一個通過從視頻中估計真實世界物體的物理屬性來創建物體的“數字雙胞胎”的框架。它集成了可微模擬和渲染，以彌合物體的可視外觀與其底層物理動力學之間的差距。
• DiffAqua：具有形狀插值的軟水下游泳器的可微計算設計管道 (2021)：本文發表在 ACM Transactions on Graphics (SIGGRAPH) 上，詳細介紹了一個用於設計高效軟體水下游泳器的完全可微管道。該系統優化了機器人的形狀和驅動，以最大限度地提高游泳速度。
• 多任務學習中的高效連續帕累托探索 (2020)：這項工作在 ICML 上發表，介紹了一種用於有效映射多任務學習問題中帕累托前沿的算法，從而可以更全面地了解不同目標之間的權衡。
• 使用深度強化學習的流體定向剛體控制 (2018)：這項早期工作發表在 ACM Transactions on Graphics (SIGGRAPH) 上，展示了如何使用深度強化學習來控制剛體在流體模擬中的運動，從而使物體能夠自主地在複雜的流體環境中導航。

以上列表代表了馬平川對人工智能、機器人學和計算機圖形學領域的貢獻。^{[1] [2] [3] [4] [5] [6] [7]}