信息与工程突破：网络编码、香农奖与从多媒体实验室到商汤

中大工程科研有两条世界级的高线，气质截然不同：一条是杨伟豪开创的网络编码——一个由中大学者作为共同奠基人的信息论新领域，2022 年摘得信息论最高荣誉香农奖；另一条是汤晓鸥的多媒体实验室——它在 2014 年深度学习浪潮的拐点上贡献卓著，并直接孵化出 AI 独角兽商汤科技。前者「改写一个领域的知识」，后者「把实验室成果孵化为产业」。本文为参考区（04 科研）事实型档案，不标可信度徽章，逐项挂学术/官方/二手来源；所涉学者为公开人物，据公开资料据实记名（汤晓鸥已于 2023 年逝世）。

---

# 第一部分 · 网络编码：中大开创的信息论新领域

# 一、什么是网络编码：一个反直觉的洞见

在传统的网络通信观念中，网络中的节点只做一件事：存储与转发(store-and-forward)——收到数据包，原样转发出去，像邮局分拣信件。网络编码则提出一个反直觉的洞见：中间节点可以把收到的多个数据包「编码」（运算组合）后再发送，接收端再据此「解码」还原——如此可在某些网络拓扑中显著提升传输效率。

据 IEEE 信息论学会的香农奖说明^※及 英文维基百科^※，网络编码理论由杨伟豪(Raymond W. Yeung)与合作者于 1990 年代末共同提出，「彻底改变了人们对网络通信的理解」。其奠基性论文 "Network Information Flow"^※发表于 2000 年（杨伟豪与 R. Ahlswede、Ning Cai、李硕彦合著）。这一理论的经典示范是「蝴蝶网络」(butterfly network)——在这一拓扑中，若中间节点只转发会出现瓶颈；若允许编码，则可同时满足多个接收端的需求，逼近网络容量上限。

范式转变：网络编码的意义，不在于发明了某个具体协议，而在于重新定义了「网络中的节点能做什么」——从被动的「搬运工」升格为主动的「运算者」。这是信息论自香农以来在「网络」维度的一次重要拓展。

# 二、蝴蝶网络的算术：反直觉在哪里

抽象的「编码组合」说法容易滑过去，不妨把经典的蝴蝶网络算一遍。设想源点要把两条信息 a 与 b 同时多播(multicast)给两个接收端，网络里每条边每单位时间只能传 1 比特，而中路存在一条被两端共用的瓶颈边。若沿用「存储转发」，这条瓶颈边同一时刻只能选择搬 a 或搬 b，两个接收端里总有一个拿不齐 a、b，吞吐被卡在瓶颈上。

网络编码的做法是让瓶颈处的中间节点不作二选一，而是发送 a⊕b（两比特按位异或）。一端已从别路收到 a，用 a⊕(a⊕b) 解出 b；另一端已收到 b，用 b⊕(a⊕b) 解出 a。一次异或，两端同时满足——这正是 奠基论文 Network Information Flow^※所证明的：在多播场景下，允许编码可以逼近由最大流–最小割定理(max-flow min-cut)决定的理论容量上限，而传统路由一般达不到。这个「⊕」看似小学算术，却是整套理论最锋利的一刀：它说明信息不是水、不是包裹，不必守恒地被搬来搬去，而可以被叠加、再拆分。

从「搬运」到「运算」的差别，用一句话概括：路由把每个数据包当成不可分割的实物，网络编码把它当成可做代数运算的数。前者的天花板是最小割能通过多少实物，后者的天花板是最小割能通过多少信息量——在多播里，后者常常更高。

# 三、开创者与中大的角色

据 英文维基百科^※及 CUHK 官方新闻稿^※，杨伟豪是中大李卓敏信息工程学讲座教授(Choh-Ming Li Professor of Information Engineering)、中大网络编码研究所(Institute of Network Coding)的联席所长，也是网络编码这一领域的共同创立者。这意味着：网络编码不是一项「中大学者参与」的研究，而是一个以中大为核心策源地之一的全新领域。

杨伟豪的学术履历，把这条「中大主线」的来处交代得很清楚。据 英文维基百科^※，他 1984、1985、1988 年先后在美国康奈尔大学取得电机工程学士、硕士与博士，师从信息论学者 Toby Berger；博士毕业后于 1988 至 1991 年在 AT&T 贝尔实验室(Bell Laboratories)的性能分析部门任职，1991 年回港加入中大，此后三十余年未曾离开。也就是说，网络编码这门学科的策源，一头连着香农–贝尔实验室的信息论正统，一头扎根在香港的山城。2010 年，他在中大牵头设立网络编码研究所，由教资会卓越学科领域(AoE)拨款支持（详见 科研产出与衍生公司），把一个原本高度理论的方向，拓展到数据存储、网络通信等实际场景。

# 四、从存在性到线性网络编码：三篇论文垒起一门学科

网络编码不是一篇论文一锤定音，而是几篇接力之作把「可行」逐级夯成「可用」。

• 2000·存在性:Network Information Flow^※(Ahlswede、Cai、Li、Yeung)证明了在多播网络中，编码能达到最大流–最小割上限——它回答的是「行不行」；
• 2003·线性即够:Linear Network Coding^※（Li、Yeung、Cai，发表于 IEEE Trans. Inf. Theory）进一步证明，不必用复杂的非线性编码，仅靠线性运算（把数据块看作有限域上的向量、节点做线性变换）就足以达到多播容量上限——它回答的是「用多简单的办法就够」，这一步把理论从「存在某种编码」拉到了「工程可实现的编码」；
• 随机化·可分布式：此后 Ho、Médard 等人提出的随机线性网络编码(random linear network coding, RLNC)让各节点独立随机地选系数编码，无需全局协调即可高概率成功解码，使网络编码能在真实的分布式、动态网络里跑起来。麻省理工的 COPE（「空中异或」）则在无线网状网中实测到可观的吞吐提升，把黑板上的 a⊕b 搬进了路由器。

三篇论文构成一条清晰的下坡：从「编码有用」(2000)到「线性就够」(2003)到「随机也行、可分布式」——难度逐级降低，可用性逐级升高。中大学者在前两级都是署名作者，这正是「共同奠基」四个字的实指。

# 五、理论纵深：从张-杨不等式到 BATS 码

网络编码之外，该团队在信息论基础理论与应用上还有多项贡献。据 英文维基百科^※:

• 张-杨不等式(Zhang-Yeung inequality)：约在 1998 年，杨伟豪与张臻(Zhen Zhang)共同发现了这一不等式，确立了第一个「无约束的非香农型信息不等式」(unconstrained non-Shannon-type inequality)的存在——这是信息论基础理论的重要突破。此前几十年，人们默认香农在 1948 年给出的那组不等式已经穷尽了熵之间的约束关系；张-杨不等式却证明，当涉及四个或更多随机变量时，还存在香农那套框架捕捉不到的新约束。据 英文维基百科^※，这揭示了熵函数约束的不完备性，打开了一整个后续研究方向；
• 机器证明熵不等式：与这一发现相伴，杨伟豪还开创了用计算机自动证明信息不等式的方法，先后开发出 ITIP(Information Theoretic Inequality Prover,1996)与 AITIP(2020)等工具，把「哪些信息不等式成立」这个原本靠手算的问题，变成可由软件系统求解的线性规划；
• BATS 码(BATched Sparse code)：他发明了 BATS 码，可提升存在丢包(packet loss)的网络的传输速率，是网络编码走向工程应用的代表性成果，系统论述见其与 Shenghao Yang 合著的专著 BATS Codes: Theory and Practice(2017)；由中大孵化的 n-hop technologies 等团队，正把这类编码用于多跳无线传输的实际产品。

「基础 × 应用」双轮：张-杨不等式属最抽象的基础理论（信息度量的数学约束），BATS 码则直面最实际的工程问题（丢包网络的传输）。同一团队在理论天花板与应用地面两端同时发力，正是顶级信息论研究的特征。

# 六、走出黑板：网络编码用在哪里

网络编码常被误当作纯理论，但它落地的面其实很宽。据 CUHK 官方对汉明奖章的介绍^※,IEEE 奖项委员会认定杨伟豪的工作「永久改变了我们对网络通信的理解，影响了纠错编码、信息安全、无线通信与数据存储」——这一句官方定性，恰好点到了网络编码渗入的四个方向：

这张表也解释了为何一门看似抽象的信息论分支，能在二十年里被反复写进无线、存储、安全的工程文献：它改的不是某个协议，而是「节点能对数据做什么」这条底层假设——底层一动，上面很多层都要重画。

# 七、教科书、MOOC 与「训练一代人」

顶尖学者的影响，一半在论文，一半在教材。杨伟豪撰写的信息论教科书据载被全球逾 100 所大学采用；据 英文维基百科^※，他的著述包括 A First Course in Information Theory(2002)、与李硕彦等合著的 Network Coding Theory(2005)，以及集大成的 Information Theory and Network Coding(2008)——后者把香农的经典信息论与新生的网络编码合编入同一本教科书，本身就是「网络编码已成为信息论正式一章」的标志。2014 年起，他把这门课搬上 Coursera，据载累计吸引逾 6 万名学习者。

一个领域是否「立住」，一个朴素的判据是：有没有一本大家公认的教科书、一门大家都上的课。网络编码两样都有，而且都出自它的共同奠基人之手——开领域的人，顺手也写了这个领域的启蒙课本。

# 八、认定：2022 年克劳德·香农奖与三座奖章

据 IEEE 信息论学会^※及 CUHK 官方新闻稿^※，杨伟豪获颁 2022 年克劳德·香农奖(Claude E. Shannon Award)，表彰其「对信息论领域持续而深刻的贡献」，并于当年在芬兰 ISIT 发表香农讲座。香农奖以信息论奠基人克劳德·香农命名，是信息论领域的最高荣誉，其份量约略相当于该领域的「终身成就最高奖」。

香农奖并非孤立的加冕，它是一串奖章的收束。据 UGC Awards^※与 CUHK 官方^※:

其中 2016 年的 Sumner Award 与合作者、后任教于西安电子科技大学的蔡宁(Ning Cai)共获——奖也一路记着那几篇合著奠基论文的署名次序。从会士到香农奖，四座荣誉的关键词反复落在同一处：网络编码。 一位中大学者以此登顶，标志着中大在信息论这一基础学科的世界级地位。

---

# 第二部分 · 从多媒体实验室到商汤：深度学习的产业化传奇

# 九、亚洲唯一跻身全球十强的 AI 实验室

中大在人工智能（尤其计算机视觉）领域的世界级地位，核心载体是工程学院的多媒体实验室(Multimedia Laboratory, MMLab)。据 英文维基百科「Tang Xiao'ou」^※，多媒体实验室由中大信息工程学系教授汤晓鸥(Tang Xiao'ou)创立，是当时全球十大人工智能实验室中唯一位于亚洲的一所，亦是亚洲唯一入选英伟达(Nvidia)2016 年全球十大领先 AI 实验室名单的代表。

据 MMLab 官网^※，实验室2001 年 7 月由汤晓鸥创立，核心教研力量除他之外，还有后来同样声名鹊起的王晓刚(Wang Xiaogang)、吕健勤(Chen Change Loy)等。它的世界级并非空言：实验室曾摘得 CVPR 2009 最佳论文奖，据其自述，这是该顶会「三十年间首次、也是唯一一次」把最佳论文颁予亚洲研究机构；此后又在 NeurIPS、CVPR、ACM MM、COLT 等会议屡获最佳论文，并成为香港首个英伟达 CUDA 研究中心(2014)。实验室的毕业生流向 MIT、斯坦福、剑桥、哥伦比亚、卡内基梅隆等名校，在业界被称作计算机视觉的一座「黄埔军校」。

在 AI 研究高度集中于北美的格局下，一所香港大学的实验室能跻身「全球十强、亚洲唯一」，本身就是中大工程科研实力的有力证明。这一实验室，正是此后商汤科技传奇的策源地。

# 十、从 GaussianFace 到 DeepID：两度越过人类基准

多媒体实验室最具标志性的成果，是 2014 年的 DeepID 人脸识别算法。据 英文维基百科「SenseTime」^※及 DeepID 学术论文(CUHK EE)^※，2014 年团队发布人脸识别算法 DeepID，被称为世界上第一个在人脸识别准确率上超越人类的算法(exceed human being's accuracy of face recognition)。这一突破基于深度学习技术，是计算机视觉发展史上的标志性节点之一。

要理解「超越人类」这句话的分量，得先有一把公认的尺。学界长期用 LFW(Labeled Faces in the Wild)这套「野外人脸」数据集做人脸验证的基准，而人类在其上的准确率约为 97.53%——这就是那道「人类水平线」。同样出自中大团队、发表于 AAAI 2015 并获杰出学生论文奖的 GaussianFace^※，据其论文以 98.52% 的准确率首次越过这条人类水平线；紧随其后的 DeepID 系列进一步把准确率推到更高。据 科研成就综览引中大 in Focus,DeepID 在同类基准上达 99.15%，超过同期 Facebook 的 DeepFace，成为深度学习人脸识别的标志性成果。同一年，实验室的 DeepID-Net 还在有「视觉奥林匹克」之称的 ImageNet 大规模视觉识别挑战赛(ILSVRC)2014 物体检测赛道位列第二。

「超越人类」的意义：人脸识别长期被认为是「机器难以企及人类」的任务。中大团队先以 GaussianFace 把机器准确率越过人类水平线，再以 DeepID 系列拉开身位——不是一次侥幸的越线，而是连续两代方法都站在了这个全球性技术拐点的最前沿。

# 十一、商汤科技：实验室走向产业

DeepID 的技术突破，迅速转化为产业力量。据 英文维基百科「SenseTime」^※，2014 年 10 月，商汤科技(SenseTime)由汤晓鸥与计算机科学家徐立(Xu Li)等共同创办，是从中大多媒体实验室的学术研究中孵化出的衍生企业(research-driven spin-off)，其后成长为中国计算机视觉领域最具代表性的企业之一，并于 2021 年末在香港交易所挂牌上市。据来源，中大-商汤联合实验室(CUHK-SenseTime Joint Lab)在全球顶级学术期刊与会议上发表/展示了逾 400 篇计算机视觉论文，其数量仅次于微软——这意味着「中大-商汤」这一「学术+产业」组合，在计算机视觉的全球学术产出上位居前列。

值得点出的是，这条孵化线并非商汤一家。中大科研处的知识转移体系(ORKTS)之下，同一批计算机视觉与信息工程的师生，还先后孵化出思谋科技(SmartMore)、Insighta 等独角兽或准独角兽企业（详见 科研产出与衍生公司）——多媒体实验室与信息工程学系，俨然是大湾区 AI 创业的一处「人才与技术的上游」。

「产学一体」的范式：商汤的故事，是「实验室突破 → 衍生企业 → 联合实验室反哺学术」的完整闭环——实验室产出技术与人才，企业提供应用场景与资源，联合实验室再把应用反哺为新的学术成果。

# 十二、一点必要的边界说明

商汤科技作为一家上市企业，其经营、估值与商业争议属公司事务，随市场与时间不断变化，本馆不予追踪评断；本文只记述「中大多媒体实验室的学术成就」与「商汤作为学术衍生企业的孵化脉络」这两件可溯源的事实。把企业的商业表现与实验室的学术贡献混为一谈，既不准确、也非本馆所长。读者若关注商汤的商业近况，宜查阅其财报与监管披露等一手信息。

---

# 第三部分 · 两条高线的合流

把网络编码与 DeepID/商汤放回中大科研谱系，它们与光纤、NIPT 共同构成中大「原创突破 + 深远影响」的版图，但各有侧重：

若说光纤、网络编码、NIPT 更多是「改写一个领域的知识」，那么 DeepID/商汤则更鲜明地展示了「把实验室成果直接孵化为产业」的路径，呼应了大湾区「香港基础研究 + 内地产业转化」的协同逻辑。一所大学最深远的产业影响，有时不在于它办了多少公司，而在于它的某个实验室，恰好站在了一个技术时代的拐点上——2014 年的深度学习浪潮，中大的多媒体实验室身处其中、且贡献卓著。

# 一个系，两种世界级

把两条高线并排看，还有一处容易被忽略的巧合：它们同出一系。网络编码研究所与多媒体实验室，都挂在中大工程学院的信息工程学系(Department of Information Engineering)之下——一个系，一头连着最抽象的信息论（熵、不等式、编码的存在性），一头连着最热的深度学习（人脸、检测、超分辨率）。这不是行政意义上的凑巧，而是同一学科基因的两种表达：信息论问「信息的极限在哪里」，机器视觉问「如何从像素里逼近这个极限」，两者共享同一套关于「表示、压缩、冗余」的语言。

两位领军者的贡献模型却恰成镜像。杨伟豪走的是「先立理论、后见应用」的慢路：1998 年的张-杨不等式、2000 与 2003 年的奠基论文，要等十余年、待 RLNC 与 BATS 码成熟，才在无线与存储里显影，回报是一门以中大为策源地之一的新学科与一枚香农奖。汤晓鸥走的是「突破即产业」的快路：2014 年的 DeepID 越过人类基准，同年 10 月商汤即告成立，把论文里的准确率直接换成公司估值。慢与快之间，并无高下——它们分别代表了顶尖研究的两种正当活法：一种把知识推向更远的边界，一种把边界上的知识迅速送进现实。

一所研究型大学最理想的样子，或许正是这张并排图：它既容得下一个人用二十年去证一条不等式，也接得住另一个人用一年把一篇论文变成一家公司。前者决定学校能走多深，后者决定学校能影响多广——同一个系里，两件事同时发生。

相关阅读：科研成就综览、科研产出与衍生公司、国家重点实验室、生命科学与医学突破。

---