⚛️量子位•較早收集於 2h
DDIM 之父宋佳銘宣布離職
💡了解推動現代生成式 AI 的擴散模型背後關鍵架構師的職涯動向。
⚡ 30-Second TL;DR
有什麼變化
宋佳銘是 DDIM 論文的主要貢獻者。
為什麼重要
擴散模型領域關鍵研究者的離職，可能會影響未來生成式影像與影片研究的發展路徑。
下一步行動
閱讀 DDIM 原始論文，深入理解非馬可夫擴散過程的數學基礎。
誰應關注：Researchers & Academics
關鍵要點
- •宋佳銘是 DDIM 論文的主要貢獻者。
- •DDIM 是加速擴散模型採樣的基礎模型。
- •此次離職預示著其未來研究方向可能發生轉變。
🧠 深度解析
Web-grounded analysis with 18 cited sources.
🔑 增強重點摘要
- •宋佳銘近期從Luma AI離職，他在該公司擔任首席科學家期間，推動了從3D生成到影片生成，再到多模態基礎模型的關鍵技術轉型。
- •DDIM的採樣加速技術被廣泛應用於主流的擴散模型圖像生成工具，如Stable Diffusion、DALL-E和Midjourney，對擴散模型的工業化落地產生了深遠影響。
- •DDIM透過引入非馬可夫擴散過程和確定性生成過程，實現了比DDPM快10到50倍的採樣速度。
- •在加入Luma AI之前，宋佳銘曾於NVIDIA擔任高級研究科學家，並在曠視、OpenAI和Meta FAIR等知名機構有過研究實習經歷。
📊 競品分析▸ Show
| 特性/模型 | DDPM (Denoising Diffusion Probabilistic Models) | DDIM (Denoising Diffusion Implicit Models) | DPM-Solver++ |
|---|---|---|---|
| 採樣速度 | 慢，需要大量時間步 (數百到數千步) | 快，可跳過時間步，比DDPM快10-50倍 | 高效，兼顧品質與效率，低NFE (Number of Function Evaluations) 表現佳 |
| 採樣過程 | 馬可夫鏈，隨機性強，結果多樣 | 非馬可夫鏈，可確定性或部分隨機性，支持步數外推 | 高階數值求解器，通常為確定性或低隨機性 |
| 訓練要求 | 需要訓練特定的去噪模型 | 可直接使用DDPM訓練好的模型進行採樣，無需重新訓練 | 通常需要額外訓練或蒸餾，但也有無需蒸餾的方法 |
| 生成品質 | 在長時間步下效果最佳 | 在加速採樣下仍能保持高品質，且可重建觀測值誤差極低 | 在低採樣步數下仍能生成高保真圖像 |
🛠️ 技術深入
- DDIM透過推導一類廣義的非馬可夫擴散過程來泛化DDPM，這些過程在訓練目標上與DDPM保持一致。
- 其核心創新在於允許生成過程是確定性的，這與DDPM的馬可夫鏈隨機性不同。
- DDIM引入了一個可調參數
σt（或η），用於控制採樣過程的隨機性；當σt = 0時，採樣過程變為完全確定性。 - 這種非馬可夫特性使得DDIM能夠跳過擴散時間步進行採樣，大幅減少生成所需的迭代次數，從而實現顯著的採樣加速。
- 當
σt = 0時，DDIM的採樣公式可以被視為常微分方程（ODE）的近似求解，這也為其加速採樣提供了理論基礎。 - DDIM的訓練過程與DDPM相同，這意味著一個使用DDPM訓練的模型可以直接利用DDIM的採樣技巧來加速生成，而無需重新訓練模型。
🔮 前景展望AI analysis grounded in cited sources
宋佳銘的離職預示著他可能將探索新的研究領域或啟動創業項目。
他過去的職業軌跡顯示他傾向於在關鍵技術轉型期擔任重要角色，且目前LinkedIn上尚未標註新職位，暗示著新的方向。
生成式AI產業將持續優先發展採樣效率和多模態能力。
DDIM的核心貢獻在於加速採樣，而宋佳銘在Luma AI的工作重點是多模態模型，這表明這些是推動AI技術進步的關鍵領域。
⏳ 時間線
2016-XX
在曠視實習。
2017-XX
在OpenAI擔任研究實習生。
2018-XX
在Meta FAIR實習。
2020-10
DDIM論文《Denoising Diffusion Implicit Models》在arXiv上發表。
2021-XX
在史丹佛大學計算機系進行博士後研究。
2023-XX
離開NVIDIA，加入Luma AI擔任首席科學家。
2026-05
宣布從Luma AI離職。
📎 來源 (18)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 量子位 ↗