# 生成模型

这篇文章是对 MIT 博士生邓明扬的深度访谈，主题围绕他的成长经历、研究路径，以及他对生成模型和 AI 研究的看法展开。

文章先介绍了邓明扬的背景：他高中时期获得过 IMO 金牌和 IOI 金牌，本科在 MIT 同时学习数学与计算机科学，之后在 DeepMind 和 Meta 实习，最终回到 MIT 跟随何恺明读博，当前主要研究生成模型。文章也提到他在 2026 年以第一作者发表了《Drifting Models》，探索不同于传统路线的生成建模思路。

在成长经历上，邓明扬强调自己最早是因为喜欢写代码、喜欢让想法变成可以运行的系统，才自然走上编程和竞赛道路。他对竞赛的理解比较轻松，认为竞赛更多是一种兴趣驱动的活动，可以帮助训练抽象观察能力和从有限信息中归纳判断的能力，但不必把成绩看得过重。

文章很大篇幅讨论了竞赛、TCS、数学和 AI 之间的差异。邓明扬认为，TCS 更像“解一个定义明确的问题”，数学更像“发现真理”，而 AI 更像“押注未来路线、参与一场革命”。相比严格证明，他更喜欢 AI 这种通过实验和直觉理解世界的方式，因为它更贴近现实系统的迭代过程，也更有创造感。

在研究方法上，他强调一个核心习惯：多看不同人的第一直觉，把零散观察拼接起来形成自己的理解。很多看似复杂的问题，往往可以通过把不同人的观察融合后，找到更简单的解法。他还提到，在很多研究问题上，“试”比“辩论”更重要，尤其是在机器学习里，实验往往比纯讨论更能推进问题。

文章还比较了学术界和工业界研究风格。邓明扬认为工业界更接近前沿，更容易感受到 state-of-the-art 的推进，但个体贡献感可能较弱；学术界则更自由，研究者往往要从基础设施到具体问题都自己负责。他对未来 AI 研究的一个判断是：长期来看，噪声和黑天鹅可能比线性信号更重要，很多真正的突破未必来自最显眼的方向，因此学术界保持较高探索温度是有价值的。

在导师选择上，他谈到何恺明给自己的吸引力不仅在于技术能力，更在于对学生的关心和支持，这对博士阶段尤其重要。整体来看，这篇访谈不仅讲了一个天才研究者的成长路径，也体现了他对研究、创新和未来 AI 方向的一些较成熟的判断。

如果概括成一句话，这篇文章传达的是：竞赛训练的是观察和抽象能力，研究训练的是判断问题重要性的能力，而 AI 研究最重要的，是在不确定性中持续试验、持续学习，并敢于押注新的方向。

这篇文章介绍了一项用于合成金融时间序列的新方法 SBBTS（Schrödinger-Bass Bridge for Time Series），核心目标是把薛定谔桥和 Bass 鞅传输统一到一个最优传输框架中。作者认为，传统的生成方法要么更擅长拟合漂移、但固定了波动率结构；要么更擅长刻画波动率、但忽略了时间依赖和预测结构，因此都不够完整。SBBTS 的思路是不再在“漂移”和“波动率”之间二选一，而是把两者同时纳入一个可学习的生成目标中。

文章给出的实验结果主要强调了这种统一建模带来的收益。在 433 只标普 500 成份股上，基于 SBBTS 合成数据训练的简单方向性策略取得了 2.11 的夏普比率，高于真实数据训练的 1.61，也明显优于零样本的 -0.25。除此之外，分类准确率提升到 53.2%，并且在对数损失和 ROC AUC 上也表现最好。作者据此认为，这种提升不是靠随机噪声增强获得的，而是模型结构本身更接近真实金融时间序列。

文章还提到，在 Heston 模型基准测试中，SBBTS 可以较好还原“波动率的波动率”和相关性参数，而标准薛定谔桥方法容易遗漏这些关键特征。整体上，这篇文章传达的结论是：如果想生成更接近真实市场的金融序列，就不能只拟合价格走势或边际分布，而要把漂移、随机波动率和相关性一起建模。