大模型的聚光灯打在算法和产品上,但支撑这一切的物理现实很少被讨论:每一次对话背后是数据中心里轰鸣的 GPU,每一瓦电力都是真金白银,而手机、汽车、手表上跑 AI 的需求,正把"如何让神经网络更小、更快、更省电"变成整个产业的命门。英伟达的市值神话只是这个命题最显眼的注脚——在它之下,是一整个 AI 硬件与系统的研究领域,几十年如一日地解决"算力从哪来、能耗往哪去"的问题。
陈怡然教授是这个领域里华人学者的代表性人物之一。如果说算法研究者在教 AI 思考,他这一派研究者做的是给 AI 造一颗更高效的"大脑"。
陈怡然是谁
陈怡然(Yiran Chen)是美国杜克大学电子与计算机工程系教授,IEEE Fellow、ACM Fellow,长期担任杜克计算进化智能中心(CEI)主任,并主持过美国 NSF 资助的边缘计算大型研究项目。他本科毕业于清华大学,在普渡大学获博士学位,学术生涯横跨工业界(曾在希捷、HP 实验室从事存储研究)与学术界——这段存储行业的工业经历,深刻塑造了他后来"从存储角度重新思考计算"的研究路线。
他在中文科技社区也有相当的公众影响力:活跃于知乎等平台,常就 AI 学术、芯片产业、留学科研等话题发表深入浅出的见解,是少数愿意持续面向中文大众做严肃科普的顶尖华人学者之一——这让"关注陈怡然"对中文读者有了论文之外的另一层入口。
主要研究方向与贡献
神经网络压缩与高效 AI
深度模型动辄数十亿参数,而手机和嵌入式设备的算力与电池是铁打的约束。陈怡然团队在模型压缩方向的工作覆盖了这个领域的三板斧:
剪枝:把网络中冗余的权重和神经元剔除,模型瘦身而精度几乎不掉——其团队在结构化剪枝方向的成果被广泛引用。
量化:参数从 32 位浮点压到 8 位以下整数,内存和算量成倍下降。
知识蒸馏:大模型当老师,小模型当学生,把能力"传授"给轻量模型。
今天手机上能跑语音助手、相机能实时做 AI 处理,背后正是这一整个研究方向二十年的累积——它不性感,但无处不在。
存内计算(Processing-in-Memory)
传统冯·诺依曼架构里,数据在内存和处理器之间来回搬运,搬运的能耗远超计算本身——这就是著名的"内存墙",AI 这种数据密集型负载撞得最疼。存内计算的思路是釜底抽薪:让计算直接发生在存储器里。
陈怡然是基于新型非易失存储器(RRAM 忆阻器等)做神经网络加速的国际先驱之一,其团队在这个方向的早期工作是该领域的奠基性文献之列。这条路线如今已从学术概念走向产业试水,被视为后摩尔时代 AI 算力的重要候选答案。
AI 系统的鲁棒与安全
对抗样本攻击、模型在噪声与故障下的可靠性——AI 进入自动驾驶和医疗等性命攸关的场景后,这些问题从学术好奇心变成了工程红线,也是其团队的重要方向。
学术影响力
顶会顶刊论文数百篇,横跨电路(ISSCC)、EDA(DAC/ICCAD/DATE)与机器学习(NeurIPS/ICML)两大社区——这种跨界发表本身就说明了"硬件与 AI 交叉"的领域属性。多项最佳论文奖,引用数以万计,并培养了大批活跃在学界与芯片业界的学生,其中多人已在顶尖高校任教——学术影响力的另一种度量是"学术后代",他在这一项上同样出色。
学习资源
论文:Google Scholar 搜 "Yiran Chen Duke" 即达,模型压缩与存内计算方向的综述性文章适合作为入门地图。
中文内容:知乎搜索其账号,关于 AI 芯片、科研路径、行业判断的回答与文章,是比论文友好得多的中文入口——对学生读者,他谈"如何做科研、如何选方向"的内容尤其有价值。
讲座:各大会议的 keynote 和高校讲座不少可在 YouTube/B 站找到,边缘 AI 与高效计算主题为主。
谁应该关注他的工作
AI 芯片/体系结构方向的研究者与学生:这个领域绕不开的名字,论文与综述是标准参考文献。
做模型部署优化的工程师:剪枝、量化、蒸馏天天在用,了解技术源流能让工程直觉更扎实。
关注边缘 AI 与端侧大模型的从业者:大模型上手机、上汽车是当前最热的产业方向之一,其研究正处在这条赛道的理论前沿。
计划申请海外 AI 硬件方向的学生:杜克 CEI 是该方向的顶级团队之一,而陈教授的中文科普内容也是了解美国科研生态的难得窗口。
说明
需要直说:这是一个学术人物条目,不是可注册使用的产品。如果你在找"能用的 AI 工具",此页帮不上忙。
它的价值在另一个维度:当所有人都在谈论模型和应用时,理解"AI 的物理层"——算力、能耗、芯片——是看懂这个产业纵深的必修课。而陈怡然的研究生涯,恰好就是这门课最好的活教材之一:从存储到计算,从实验室到产业,AI 革命的另一半故事,写在硬件里。