李飛飛的又一位得意門生走向了教學崗位：昨天，剛剛畢業的史丹佛博士朱玉可（Yuke Zhu）宣佈即將在 2020 年秋季加入德克薩斯大學奧斯汀分校（The University of Texas at Austin）任助理教授。
作為史丹佛視覺與學習實驗室的成員，朱玉可師從李飛飛與 Silvio Savarese 教授。他因在 SURREAL 機器人框架研究中的貢獻而被人所熟知。此外，朱玉可還作為共同第一作者獲得了國際機器人頂會 ICRA 2019 的最佳論文獎。
朱玉可在 Twitter 上釋出的資訊：本人已於 2019 年 8 月取得史丹佛大學博士學位，並將於 2020 年秋季加入德克薩斯大學奧斯汀分校（UT-Austin）擔任電腦科學助理教授。我非常期待與那些對 AI+機器人學充滿熱情和積極性的優秀學生共同進步。如果有興趣加入我的實驗室，請發郵件給我。
根據朱玉可的個人主頁，他的科研興趣是為能夠理解並與現實世界互動的通用機器人構建智慧。研究將融合機器人、計算機視覺和機器學習等諸多領域，並致力於開發用於通用機器人自治的感知和控制方法和機制。
在史丹佛大學，他與李飛飛和 Silvio Savarese 教授（李飛飛的丈夫）一起在史丹佛視覺與學習實驗室工作。同時，他也是史丹佛人工智慧和機器人研究小組（Stanford People, AI & Robots Group，PAIR）成員。
今年 6 月，朱玉可在史丹佛大學的博士論文答辯後，與李飛飛等人合影。
雖然朱玉可還沒有開始任教，但你很可能已經聽過他講課了。在史丹佛大學期間，朱玉可還參與了一些課程的教學工作——其中包括著名的 CS 231N：視覺識別中的卷積神經網路。此外還有 CS 131、CS 193C、CS 431 等。
從浙大到史丹佛
朱玉可的求學履歷可謂豪華。本科階段，他參與了聯合培養專案，取得了浙江大學和加拿大西蒙弗雷澤大學（Simon Fraser University，簡稱 SFU）的雙學位，並在所有學生中成績排名第一。
朱玉可曾榮獲浙江省第八屆 ACM 大學生程式設計競賽金牌、浙江大學第十一屆大學生程式設計競賽一等獎以及加拿大西蒙弗雷澤大學第八屆年度冬季程式設計競賽第一名。
他碩士和博士研究生均就讀於史丹佛大學，師從計算機視覺大牛李飛飛，於今年 8 月取得博士學位。
朱玉可漫漫求學路。
一路走來，朱玉可的實習工作履歷也頗為豐富。
自 2011 年起，朱玉可曾先後在加拿大西蒙弗雷澤大學視覺與媒體實驗室（Vision and Media Lab）、推特、Snap、艾倫人工智慧研究所、DeepMind 等公司和科研機構擔任研究實習生。此外，自進入史丹佛大學攻讀碩博研究生起，朱玉可就擔任了教學助理和助理研究員。
研究經歷
在史丹佛大學攻讀博士期間，朱玉可曾有多篇論文被各類人工智慧大會接收，並獲得過一些獎項。目前，朱玉可有 1 篇論文被 ECCV 接收，另外還有 3 篇 ICCV，5 篇 CVPR 和 3 篇 ICRA。
其實早在本科學習期間，他的論文《Graphical Model-based Learning in High Dimensional Feature Spaces》就被 AAAI 2013 接收了。
當然，還有最佳論文獎：
今年 5 月，在加拿大蒙特利爾舉行的機器人頂級會議 ICRA 大會公佈了最佳論文獎項，來自史丹佛大學李飛飛組的研究《Making Sense of Vision and Touch: Self-Supervised Learning of Multimodal Representations for Contact-Rich Tasks》獲得了最佳論文。
該研究有關在非結構化環境中執行需要大量接觸的操縱任務。通過自監督學習感知輸入的緊湊、多模態表徵，然後使用表徵提升策略學習的樣本效率。研究者在植入任務上評估了新方法，其結果表明該方法對於外部擾動具備穩健性，同時可以泛化至不同的幾何、配置和間隙（clearances）。研究者們還展示了新方法在模擬環境中和真實機器人上的結果。
在史丹佛計算機視覺與學習實驗室扮演重要角色
朱玉可在李飛飛夫婦帶領的史丹佛大學計算機視覺與學習實驗室的一個團隊中也扮演著重要角色。
該團隊開發了兩個機器人學習框架——RoboTurk 和 SURREAL，能夠讓機器人快速學習抓握、分揀等基礎技能。其中，RoboTurk 是一個快速眾包製造大規模機器人控制資料集的平臺，可以讓機器人研究者快速收集資料，打造機器人界的「ImageNet」，以填補這一領域缺乏資料集的空白。有了資料集，還需要魯棒的演算法。為此，李飛飛團隊開發了分散式強化學習訓練框架 SURREAL，用來加速學習過程，而朱玉可正是這一專案背後的一作之一。
可復現性一直都是深度強化學習和機器人研究中的一大挑戰，朱玉可等人設計的 SURREAL 作為一個開源框架，可以在嚴格的評估和可復現研究中發揮重要作用。SURREAL 是一個可擴充套件的框架，支援當前最先進的分散式強化學習演算法。他們設計了一個原則性的分散式學習平臺，既能適應策略上的學習，也能適應政策外的學習。他們還證明了 SURREAL 演算法在智慧體效能和學習效率方面都優於原有的開源實現。
SURREAL 是一個開源的框架，旨在促進機器人操縱可復現深度強化學習研究。
SURREAL 相關論文：http://ai.stanford.edu/~yukez/papers/corl2018surreal.pdf
SURREAL Github：https://github.com/SurrealAI/surreal