Brandon Amos

持续在做什么

Brandon Amos 是机器学习、强化学习与可微优化研究者，现从事 Reflection AI 的强化学习研究，曾在 Meta/Facebook AI Research 与 Google DeepMind 工作。他在卡内基梅隆大学完成博士研究，长期探索如何把优化、控制与结构化先验直接嵌入端到端学习系统。其代表工作包括 OptNet、Input Convex Neural Networks、Differentiable MPC、可微凸优化层与 Differentiable Cross-Entropy Method，并通过论文、课程资料和开源代码降低研究者使用这些工具的门槛。近年他把这些方法继续推进到强化学习、代理训练和大模型决策系统。