我所知道的张磊：一场MSRA赛马与半个中国AI江湖

雷峰北京办公室不远处，就能看见西格玛大厦，总能想起那个豪杰并起的年代。

二十四年前，就在那里，微软亚洲研究院内部有一场赛马。

两个团队被同时拉上竞技场，比谁的人脸检测算法更好，即便没有明说，但谁都心里清楚，这可能决定着人员去留。

一方是个刚毕业不到两年的年轻博士，本行还不是人脸，他带着几个实习生仓促上阵，表面看起来规划一塌糊涂。

另一方是冉冉升起的明星学者，他的系统刚被比尔·盖茨在全球技术狂欢节上亲自演示过，CNN 做过专题报道，他与印度裔泰斗Anil K. Jain合编的《人脸识别手册》风行全球，堪称宗门天骄。

三个月后，前者赢了，所有人大跌眼镜。

多年以后人们才慢慢发现，那个年轻博士和他当初带的几个实习生，后来几乎撑起了中国 AI 的半壁江山。

此人便是张磊。

今天左林右狸频道要跟各位邻里讲的，就是他的故事。

01 师父一句话，徒弟二十年

张磊在清华本、硕、博就读。

那时候人工智能还是个彻头彻尾的冷门学科，别说找工作了，你跟人说「我是学 AI 的」，人家会以为你是写科幻小说的。

他本硕期间都在计算机系人工智能教研组做移动机器人，具体来说是 AGV 自动导引小车。

那个年代做 AGV，跟今天完全不是一码事，没有激光雷达给你用，没有成熟的 SLAM 算法，全靠自己焊硬件、调参数。

张磊大量课余时间泡在实验室里，跟电路板和单片机死磕，写汇编代码来完成 AGV 的各种功能：自主定位、超声避障、无线通信、面板操作等。

多年后，张磊对左林右狸频道谈着这段往事，他认为这种从底层硬件到上层算法全链条自己动手的经历，后来成了他工程能力的底子。

1999 年，读博二的张磊进入刚成立不久的 MSRA 实习。

MSRA 是微软在中国设立的第一个基础研究机构，前一年刚在北京成立，后来被业界称作「中国AI的黄埔军校」，走出了包括李开复、张亚勤、沈向洋、王坚、何恺明等几乎整个中国AI产业的扛旗者

张磊去的是李开复的语音语言组，一个做移动机器人的跑去搞语音语言，这是个阴差阳错的开始。

但这段经历有一个极其重要的「副产品」——实习结束，张磊的同学邸烁把他引荐给了张宏江。

邸烁名字虽然难念，但他后来可是谷歌中国六大技术主管之一，被业界称为是「谷歌六君子」，更传奇的身份是，他把安卓手机操作系统引入了中国，被称作「Android 中国第一人」。

他的夫人兼学妹张小沛，更是清华计算机系一代传奇，在微软做过在线广告精准投放，在 Hulu 做过全球副总裁，回国后先后担任宜信 CTO、瓜子二手车 CTO，后来创办了跨境电商全量全速，天使轮就拿了 3000 万美金，大家后来知道的字节推荐大佬项亮等人都曾是她的部下。

1999 年的那个秋天，邸烁作为一个中国好同学，把张磊带到张宏江面前，这个看似微小的引荐，改变了张磊接下来二十多年的学术轨迹。

张宏江是计算机视频检索领域的开山鼻祖，IEEE Fellow 和 ACM Fellow 双料院士，美国国家工程院外籍院士，后来做过微软亚太研发集团 CTO、金山软件 CEO。前几年，全球计算机科学和电子领域 TOP 1000 科学家榜单里，中国大陆入选 53 人，张宏江排第一。

话回当年。

张宏江非常欣赏张磊，给张磊推荐了大量论文和研究方向。

从那时起，张磊才系统性进入图像检索这个领域，从移动机器人到视觉，学术方向就此转了弯。

而在此期间，张磊还有另一个身份，那就是张钹院士的博士生，两人还有一段不为外界所知的亲传弟子师生情。

为什么这么说？

左林右狸频道这里抖一个止步于此的包袱，大家当成包袱听就行，据说张钹本来极力动员张磊回到学校，张磊也有意向留在清华。但是当时因为时代和家庭原因，张磊没法留在清华，最后只好留在了微软。

也可见张磊那时候的机遇非凡。

张钹是中国科学院院士，中国人工智能领域真正的开山泰斗之一，清华计算机系教授。他从 1980 年代起就在中国推动 AI 研究，那时候「人工智能」这个词还没普及，他做的东西叫「智能机器人」和「专家系统」。

张磊回忆过一个画面，左林右狸频道印象极深。

他说那时候做实验，导师张钹就坐在旁边，兴致勃勃地看着屏幕上的结果，说「你把这个地方改一改，看看怎么样」。

张磊说，「张老师其实也在通过这种方式，加深自己对这个领域的理解，我能直观地看到，一个学者对问题的理解，完全是由好奇心驱动的。」

张钹给张磊留下了一句话，让他印象深刻，就一句。

「把问题理解透。」

听起来简单得不像话，对吧？

但张磊把它扎进了骨头里。他说，「理解不透就会被人骗，理解透了才知道底层原理是怎么回事」。

不追逐时髦概念，不满足于指标微调。围着一个问题，像钉子一样死死钉进去。

这套方法论，日后贯穿了张磊整个职业生涯。

而当时的他不知道的是，这个方法论马上就要迎来一场极其残酷的实战检验。

02 银鞍照白马，飒沓如流星

2001 年，张磊博士毕业，给张宏江组投了简历。

简历在流转过程中被王坚看到了。

这位王坚可是传奇人物。后来成为了中国工程院院士，阿里云创始人，主持研发了中国唯一自研的云操作系统「飞天」，被称作「阿里云之父」。

但更戏剧性的是他的出身，他是心理学博士，全国第一个被授予工学博士学位的心理学专业学生，1999 年加入 MSRA，后来做到常务副院长。

一个学心理的，硬生生在计算机领域打出了「阿里云之父」的称号。

真是时势造英雄。

2008 年马云把他从微软挖走的时候，外界质疑声一片，一个学心理的当 CTO？王坚后来说过一句话，「我在 MSRA 补的工程能力」。

这里可以看出，MSRA对王坚的重要意义。

回到张磊简历被递到王坚手里那天，王坚也在招人。

他看了张磊的简历，约他吃了一顿饭，把 MSRA 最前沿的项目挨个展示了一遍，自然用户界面、大规模数据处理、机器学习基础研究，诚意满满。

在张磊纠结不知该如何回复王坚的诚意邀请时，他见到张宏江，张宏江毫无犹豫地说，「你当然应该到我们这个组，你的研究方向就在这里」。

就这一句，方向一致，offer 就定了。

在这场「大佬争天骄」的面试结束第二天，张磊就接到了录用通知。

左林右狸频道写到这段，可能很多人都会遐想无限。

如果王坚那次吃饭说服了张磊，这个故事的走向会完全不同，张磊可能会跟着王坚一路走到阿里云，成为「飞天」的核心技术骨干。

但历史没有如果。

张宏江一句「你当然应该到这边」，把张磊留在了多媒体检索和计算机视觉这条线上。后来回看，这可能是对的，但错过王坚，确实是一件让人扼腕的事。

那一年，有 40 位华人一同加入 MSRA，张磊只是其中一个。

转折发生在 2002 年。

微软总部产品组要把人脸检测功能集成进 Windows，在当时这是一件极其困难的事，计算机「看」人脸，误报率高得离谱，你给它一张照片，它告诉你这里有张人脸，然后你一看，是一个路灯。

MSRA 内部决定来一场赛马，两个团队 PK，谁的算法更好，谁活下来。

一方是李子青。他是人脸识别专家，在 MSRA 研发出世界首个实时人脸识别系统 Eye-CU。

2002 年在微软技术狂欢节上被比尔·盖茨亲自演示，那天 CNN 的记者也在场，他先让 Eye-CU 识别了自己，然后对盖茨说，能不能识别你才是关键。盖茨坐下，系统成功识别，CNN 随后做了专题报道。

李子青还和印度裔计算机视觉泰斗 Anil K. Jain 合编了全球第一部《人脸识别手册》，这是人脸识别领域的第一部权威论著，至今仍是必引的经典。

另一方就是张磊。

张磊他本行是图像检索，人脸只是个「副业」，某种程度上是被拉进来的。

他带着肖嵘、朱珑、陈龙斌，全部身家就这几个人。

更要命的是，如果这场 PK 输了，整个 Face 组可能面临瓦解。

张磊做的第一件事，让朱珑后来念叨了很多年。

他没有立刻开始写代码，而是先对此前所有的人脸检测算法做了一次全面评估。结果让人倒吸凉气，误报率「买一送一」，检测出一个正确人脸，就带出一个错误结果。

张磊突然意识到一个问题，学术指标和工程指标，是两码事。

学术论文里比的是「检测率」，但在实际产品中，用户根本不关心你的检测率是 95% 还是 97%。用户关心的是，你能不能只把人脸标出来，别把路灯、树、路牌也标上。

一个「买一送一」的50%失败率的系统，丢给几亿 Windows 用户，微软的信誉会直接崩掉。

于是张磊做了一件在当时的 MSRA 几乎没人做的事，重新设计评价体系。

他问了一个根本问题，用户对产品的核心需求到底是什么？

围绕这个答案，他重新定义了什么是「好」的人脸检测，不是检测率最高，而是误报率最低。然后，他用C++重写了全部推理代码，加了可视化分析模块，让算法的每一个决策都能被看到、被理解、被改进。

三个月后。

误报率从「买一送一」降到 1%，召回率同步大幅提升。

最终，方案被集成进了 Windows。

这是微软第一代真正产品级的人脸检测算法，全球数亿用户的电脑里，运行的是一个 30 岁出头、博士毕业不到两年的年轻人，带着三四个实习生写出来的代码。

多名当事人，后来对左林右狸频道做过回忆：PK 的结果传到 MSRA 各个组的时候，整个研究院都震了一下。不是因为张磊赢了，而是因为他赢得太彻底了。一个做图像检索的人，在人脸检测这件事上，赢了人脸识别领域最权威的专家，而且不是险胜，是完全碾压。

沈向洋记住了他。

沈向洋当时是李子青团队的上级，自己手底下的王牌被打败了，正常人的反应是不爽、不服、或者装作没看见，但他不是。

张磊后来回忆说，PK 完之后他那边被打败了，就记住我了，语气平淡得像在说一件小事。

这件事的分量，左林右狸频道得解释一下。中国这边。

沈向洋是 MSRA 的第三任院长兼首席科学家，后来一路做到微软全球执行副总裁，这是华人在微软历史上做到的最高职位。

被他记住，意味着在职业生涯的关键节点上，有了一双始终关注你的眼睛。

朱珑对张磊从此心服口服。

朱珑是那种极其自信甚至有些自负的人，后来创立依图科技，在安防人脸识别领域做到了行业第一，估值一度超过 150 亿人民币，是中国 AI」四小龙」里最具技术实力的那一个。

他在依图内部几乎不夸人，但提到张磊，从来都是「那是真正的工程大师」。他说，张磊是他见过工程能力最强的研究员，「他写代码的速度和质量，我到现在都赶不上」。

颜水成，就是后来当选新加坡工程院院士的那个颜水成，在多年后的一次聊天中对别人说，「要是没有张磊带着队伍，这个组可能就完全瓦解了」。

这不是客套话。

在当时的 MSRA，一个组被 PK 掉的结果就是撤销，组员各自分流。

张磊等于用三个月时间，救了整个组、救了所有人的职业生涯。

但左林右狸频道觉得，这场赛马最深远的意义，其实不在这里。

最深远的意义在于，张磊当时带的这拨人，后来全都成了中国科技产业各领域的扛鼎人物。

他的实习生中甚至还有黄峥。

黄峥，那时还只是一个从浙大过来实习的大四学生，做的是「图像检索、查重」基础工作，张磊是他人生中第一个真正的 mentor。

黄峥后来赴美读硕士，加入谷歌，2007 年回国，2015 年创立拼多多，短短三年就在纳斯达克上市。

到 2020 年，黄峥身价一度超过马云，成为中国第二大富豪。 拼多多市值巅峰突破 2000 亿美元，以一己之力在中国电商版图上切开了一道谁都无法忽视的口子。

而这道口子的第一刀，是从 2002 年 MSRA 那个昏暗的实验室里，跟着张磊一行一行 debug 代码开始的。

颜水成北大本硕博连读、博士后访学UIUC，在计算机视觉领域的研究横跨人脸识别、行人重识别、图像分割等多个子方向，Google Scholar 引用超过 8 万次。

新加坡工程院是新加坡工程领域的最高学术机构，中国人在海外当选工程院院士的凤毛麟角。但他本人谈起张磊，总是非常敬佩。

肖嵘本硕博都毕业于南京大学，在团队里是统计学习方向的专家，如今是云天励飞的技术 VP，这家公司是国内 AI 视觉领域的上市公司，市值一度超过百亿。

还有许鹏飞，曾任滴滴智能驾驶视觉负责人，如今是新鉴智机器人的 CTO，这家公司在智驾量产规模上处于领跑地位。

王长虎从微软出来后加入字节任 AI Lab 总监，后来又创办了爱诗科技，公司跻身 AI 视频生成领域全球第一梯队，估值超 20 亿美元。

一棵树最牛的证明，不是它自己长得多高，而是它的枝条上挂了多少果实。

那时候，张磊不到 32 岁，博士毕业不到两年。

03 三顾频烦天下计，天下谁人不识君

从 2001 年到 2021 年，张磊在微软待了整整二十年。

从北京到西雅图，从 MSRA 到 Bing 到 Azure，每一次关键转折，都有一个人的身影，沈向洋。

2013 年的一个晚上，沈向洋与张磊进行了一次通话，通话的内容是：邀请张磊加入 Bing。

沈向洋当时刚刚升任微软全球执行副总裁，他接手的第一个任务是去 Bing 救火。那时候的 Bing 在搜索引擎市场上被谷歌打得毫无还手之力，谷歌的全球份额超过 90%，Bing 连 10% 都不到。

沈向洋需要带一些真正能打的人过去，把 Bing 的技术底子翻一遍，他第一个想到的人，是张磊。

张磊几乎没有犹豫，飞赴美国加入 Bing。

在 Bing 的一年半里，张磊做了两件后来被写进微软技术史的事。

第一件，他从零搭建了微软最早的名人识别系统，单模型直接识别 20 万人，准确率 99%。这个数字放在今天可能不觉得什么，但在 2014 年，深度学习刚刚开始在工业界落地，大规模人脸识别还是一件极其复杂的事情。

他把这个数据整理后公开发布，成为 MS Celeb 数据集，后来旷视科技等公司拿这个数据集去训练模型，识别精度直接跃升了一个台阶。张磊不仅自己做到了最好，还顺手帮整个行业往前推了一把。

第二件，他主导了 Caption Selection 项目，构建约 2 到 3 亿规模的高质量图文匹配数据。

这件事的后续是，OpenAI 重点参考这种图文匹配的思路，训练出了 4 亿级的 CLIP 模型。

CLIP 是今天所有多模态大模型的奠基性工作，DALL-E、Stable Diffusion、Midjourney，你刷到的每一张 AI 生成的图片，追溯到源头都跟 CLIP 有关。

而 CLIP 的数据训练思路，源自张磊在 Bing 搭的那个数据集。

2015 年，张磊觉得在 Bing 的工程任务太重了，想回到纯粹的科研环境，转入微软研究院 MSR。一年多后，微软内部组建视觉研究团队，沈向洋又找到他。

「回来吧，视觉这边需要一个真正懂的人来整合。」

这一次，沈向洋要解决的是一个历史遗留问题。微软的视觉研究力量散落在全球好几个研究组里，各自为战，同质化严重，需要一个有足够技术威信的人来统一方向、调配资源。张磊去了。

2018 年，微软 CEO 萨提亚·纳德拉全力推动云业务，微软的 AI 精锐被整体划入 Azure 云平台。张磊随团队转入 Azure，他带了大约 10 个人。

就是这个 10 人团队，做出了 Azure 上超过一半的计算机视觉 API。

他带队做的物体检测，直接对标谷歌云和亚马逊 AWS 的同类服务，在多个基准测试的性能指标上完全不落下风。

你要知道，2018 年的 AWS 是全球云服务市场的绝对霸主，谷歌云凭借 TensorFlow 生态攻城略地，微软 Azure 在 AI 能力上并不占优。张磊的团队等于是在一个后发的位置上，硬生生靠技术把差距磨平了。

2021 年，沈向洋刚刚出任 IDEA 研究院，也就是粤港澳大湾区数字经济研究院的创院理事长，第三次找到张磊。

「Harry 问我，我很快就定了。」张磊回忆。

二十年前，张宏江一句「你当然应该到这边」，把张磊留在了视觉这条线上。

二十年后，当沈向洋说「来深圳吧」，张磊只用了几句话就做了决定。2021 年 5 月从微软离职，6 月回国入职 IDEA 研究院深圳办公室。

从微软在北京中关村的希格玛大厦，到西雅图的微软总部，再到深圳的 IDEA 研究院。张磊跟着沈向洋，走了一个巨大的圈。

一个做到微软全球执行副总裁的人，花了二十年，三次亲自去动员同一个人，这本身就是一个极高规格的认证。

04 一剑磨十载，霜寒十四州

2021 年回到深圳后，张磊带了一支主要由实习生组成的年轻团队，向通用物体感知发起总攻。

当时的行业风向已经非常明确了，大语言模型正在吞噬一切。GPT-3 在 2020 年横空出世，全世界都疯了。很多视觉团队都在拼命往多模态大语言模型上靠，用语言来「指导」视觉，用文本来「理解」图像。

这是 2021 年最主流的路线，也是看起来最聪明的路线。

张磊做了一个反共识的判断。

他认为，视觉才是机器与物理环境交互的原生基础。

左林右狸频道问过他这个问题。

他的回答很有意思，「人类发展语言是为了沟通，但机器真正与环境作用时，依赖的是’感知、决策、执行’的闭环。动物没有语言，同样凭感知去识别物体、采取行动」。

这个判断在 2021 年是逆着潮流的。那一年所有人都在讲 GPT，讲大语言模型，讲 AGI。你说你专注做视觉基础模型？投资人会觉得你格局不够大。

但张磊的逻辑很清楚，如果机器要真正理解物理世界、要在真实环境中行动，也就是今天说的「具身智能」，视觉感知的深度必须在语言之前解决。你不能让一个机器人先读一堆文字再去抓杯子，它首先得「看到」杯子、理解杯子的形状和位置。

2022 年初，初代 DINO 发布。

DINO 在 COCO 目标检测榜单上持续霸榜 5 个月。

COCO 是全球计算机视觉领域最权威的目标检测基准数据集，能在 COCO 上霸榜，意味着你的算法在检测和理解日常物体的能力上是全球第一。而且不是刚发布的时候冲上去然后被挤下来，是整整 5 个月没有人能超越。

2023 年初，Grounding DINO 问世。

这是范式级别的突破。在 Grounding DINO 之前，物体检测是一个「闭集」问题，你只能检测模型训练时见过的那些物体类别。比如你的模型训练时见过猫、狗、汽车，它能检测这些，但遇到斑马就不认识了，因为没见过。

Grounding DINO 第一次把语言模型的开放域能力引入物体检测，你可以输入任何文字描述，模型就能检测出对应的物体，哪怕这个物体类别在训练数据里从未出现过。

这个工作的影响力有多大？PaperDigest 把它列为 2024 年 ECCV 最具影响力论文。ECCV 是计算机视觉领域三大顶级会议之一，与 CVPR、ICCV 并列。

在 ECCV 每年接收的数千篇论文中被评为」最具影响力」，意味着这篇论文在发表一年内就被全球研究者广泛引用和跟进，成为了一个新的研究范式。

团队没有停下，又蛰伏了一年多，迭代推出了 Grounding DINO 1.5，在 COCO、LVIS 等多个国际权威基准测试中，力压谷歌、Meta、微软的同类模型。

这三家是全球 AI 研究的绝对第一梯队，每年投入数以亿计的研发经费，招揽了全世界最聪明的大脑。而张磊带着一支最初由实习生组成的团队，在核心指标上赢了它们。

Grounding DINO 和 后来推出的DINO-X，更是被斯坦福李飞飞团队、英伟达、银河通用、腾讯 Robotics X Lab 等全球最顶尖的机构广泛引用。

李飞飞的团队引用你的模型，意味着在全球最顶级的学术圈里，你的工作被认为是这个领域最前沿的基线，英伟达引用你的工作，意味着工业界巨头已经在产品线上用你的技术了。

沈向洋罕见地在社交媒体上转发了这个消息。这个人一年发不了一条动态，被圈内戏称为「年更博主」。他能转发，不是因为张磊是他的人，而是因为 Grounding DINO确实做到了他这个级别的人也觉得「值得转」的水平。

关于模型的名字，左林右狸频道问过。答案是意外地随意，带孩子去动物园，看到了犀牛，想到了 DINO。

在美国，DINO 是小朋友对恐龙的口语叫法。后来基于视觉提示做物体检测的模型叫 T-Rex，霸王龙。恐龙家族就这么随性地诞生了。

这种命名的随意感，反而让人觉得很真实，不是因为要打造什么「品牌」，而是因为科学家给孩子讲动物园的时候顺便起了个名。

2025 年，张磊带领 DINO 系列核心团队正式从 IDEA 研究院孵化出来，创立了「视启未来」。

天使轮融资额，近亿元人民币。

领投方是 A 股上市公司安凯微，跟投阵容极其豪华，昊辰资本、德虎资本、元禾璞华、银杏谷资本、力合中科、数字未来、九安智能。

在 2025 年的资本市场环境下，一个天使轮能融到近亿，而且跟投方包含了这么多不同背景的顶级机构，这在 AI 创业圈里不算多。

更值得注意的是顾问阵容，张钹和沈向洋，两位院士，同时坐镇。一位是张磊的博士导师，中国 AI 的开山泰斗，另一位是张磊二十年的伯乐。

两位中国科技界最重量级的人物，同时为一个天使轮公司站台，在中国的 AI 创业公司里，左林右狸频道想不出第二家。

视启未来的方向让很多人感到意外，但又似乎理所应当。

张磊押注的是隐空间世界模型。这个方向和后来图灵奖得主 Yann LeCun 提出的 World Model 路线完全一致。LeCun 是 Meta 首席 AI 科学家，深度学习三巨头之一。

但张磊的判断推得更深，他提出了三个技术内核，以物体为中心、跨本体动作对齐、因果驱动。

「物理规律是作用在物体上的。把所有像素的变化，以物体为单元去理解，模型才能找到数据背后的本质规律。」

这句话如果你不仔细品，会觉得只是又一个技术术语。但你如果往回看，看张磊在 MSRA 那场人脸检测赛马里做的第一件事，就会发现一个惊人的闭环。

二十三年前，面对「买一送一」的误报率，他没有急着调参，而是先退一步问了一个最根本的问题，用户对产品最核心的需求是什么？这个问题帮他在三个月内找出了一条完全不同于对手的技术路线。

二十三年后，面对「如何让机器真正理解物理世界」这个更宏大得多的命题，他用的还是同一种思维，不去追大语言模型的热度，而是退回到最基础的物理规律层面，从「物体」这个最小感知单元出发，重新思考视觉模型的底层逻辑。

二十三年前他「把问题理解透」的方式，是一个人主动把问题琢磨透。二十三年后，他带着一个公司和数十人的团队，继续在做同一件事。

结语：流水高山心自知

张磊职业生涯的第一个创业项目，叫视启未来。这家公司的第一个产品抓手，是一个叫 EgoTwin 的高质量人手 3D 对齐引擎。

EgoTwin 把人手操作的第一视角视频，转化为机器人可以直接学习的训练数据，采集效率是行业主流的 3.75 倍。

如果你回头看张磊在清华本硕博期间做的第一件事，AGV 自动导引小车，你会觉得这些年他绕了一个巨大的圈。

从移动机器人出发，转向图像检索，在 MSRA 被人脸检测赛马拉上战场，一炮打响，被沈向洋三次点名，从北京到西雅图再回深圳，最后又回到了「让机器在物理世界中行动」的起点。

张磊自己说过一段话，左林右狸频道觉得是这个故事最好的注脚。

「社会热点总在变，但如果你只是为了追热点而追，反而追不上。唯一不变的是，每个团队永远都需要能干的人。你只要保持好学、把基础学扎实、把问题研究透，最前沿的方向会主动来找你。」

他没有追着浪跑，只是把船造得很牢。雷峰网雷峰网雷峰网(公众号：雷峰网)

雷峰网原创文章，未经授权禁止转载。详情见转载须知。