李劲微软亚洲研究院的9位创始成员之一。目前,他是微软研究院(雷德蒙)的Partner Research Manager,[1]主持云计算和存储的研究。他的研究成果已经应用到多项微软产品中。1984年, 当李劲博士在初中时,曾代表上海市学生向邓小平展示计算机程序设计,与邓小平同志合影,邓小平因他而讲出“计算机要从娃娃抓起”的著名言论。此事件被中国多年来广泛报道。

李劲
出生1971年(52—53岁)
母校清华大学
网站web.archive.org/web/20180723190042/https://www.microsoft.com/en-us/research/people/jinl/
科学生涯
机构微软研究院
论文(1994)

生活与工作

李劲生于中国上海。1984年,当李劲博士在初中时,曾代表上海市学生向邓小平展示计算机程序设计,与邓小平合影,邓小平因他而讲出“计算机要从娃娃抓起”的著名言论。此事件被中国多年来广泛报道。[2] [3] [4] [5]

1987年,李劲于高中一年级被清华大学特招入学,并只用7年时间完成本科到博士的学业,成为清华历史上第一位在7年内完成此成就的学生。他被认为中国20世纪最年轻的博士之一。 [6]

1994年,李劲加入南加州大学做博士后。1996年,他加入夏普美国实验室。1999年, 他加入微软,是微软亚洲研究院的9位创始成员之一 [7] [8] , 并获微软金星奖以表彰他对创建微软亚洲研究院的贡献。2001年,他回到微软研究院(雷德蒙), 作为Partner Research Manager主持云计算与存贮研究组的工作。

李劲博士在多媒体压缩编码标准(JPEG 2000, MPEG-4, HEVC)上作出众多贡献,如优化的可伸缩性编码 [9], 可伸缩性编码的视觉优化 [10], 非方形物体的编码, [11], 感兴趣区图像浏览 [12], 可伸缩性语音编码 [13], 双向运动补偿 [14]。 他是P2P点播流媒体服务的先驱 [15]。 他在局部校验块编码(LRC)的工作是微软Azure存储的关键技术之一,为微软带来每年上亿美元的收益。 [16] 这一工作获的USENIX ATC 2012最佳论文奖 [17] , 以及微软2013年存储技术成就奖。LRC也是视窗系统的关键存储技术之一。 [18] 他在Windows Server 2012中的数据去重工作是该文件服务器的3项关键技术之一, [19] 并获得媒体的广泛报道。 [20] [21] 他在SSD高性能存储上的研究工作“FlashStore” [22] [23] 被用于微软Bing的云存储体,后续工作“SkimpyStash” [24] 被用于BW-Tree, 而用于SQL Server 2014 (Hekaton)和Azure DocumentDB。 他开发的RemoteFX for WAN [25] 协议极大的改善了远程视窗的用户体验。

李劲博士领导了开源项目Prajna [26] 和DL Workspace [27]。Prajna是类似于Apache Spark的在.Net上的分布式计算平台。 DL Workspace [28] 是一组开源工具使科学家能轻松快速构架AI云平台(可在公有云上,如 微软Azure, Amazon Web Services, Google Compute Engine, 或在私有云上),并在其上作AI训练,数据分析,运算。 DL Workspace开箱支持目前各主要深度运算工具,如 TensorFlow, PyTorch, Caffe (software), CNTK, 等。

李劲博士担任过ACM Multimedia 2016年程序委员会主席,和ICME [29] 指导委员会主席 ( 2014-2015)。他是IEEE院士。

参考

  1. ^ Jin Li, Partner Research Manager, Microsoft Research. Microsoft Research. [August 14, 2018]. 原始内容存档于2018-07-23. 
  2. ^ 大榕树. 计算机普及要从娃娃抓起20周年. it.sohu.com. 搜狐IT-搜狐网站. September 16, 2009 [August 14, 2018]. 原始内容存档于2016-04-21. 
  3. ^ 凤栖. 计算机普及要从娃娃抓起. www.cnpeople.com.cn. 中华儿女报刊社. August 28, 2014 [August 14, 2018]. 原始内容存档于2017-03-23. 
  4. ^ 高辰. 邓小平视察上海:计算机的普及要从娃娃抓起. www.cnpeople.com.cn. 新民晚报. August 22, 2014 [August 14, 2018]. 原始内容存档于2014-08-24. 
  5. ^ 徐冬梅. 二十年前一句鼓励话“计算机娃娃”成微软研究员. www.people.com.cn. 北京娱乐信报. February 16, 2004 [August 14, 2018]. 原始内容存档于2004-05-19. 
  6. ^ 孙云晓. 中国最年轻的博士. blog.sina.com.cn. 新浪微博. February 19, 2007 [August 14, 2018]. 
  7. ^ 李劲:当年电脑娃娃如今微软英才. tech.sina.com.cn. 北京科技报. February 11, 2004 [August 14, 2018]. 原始内容存档于2004-05-02. 
  8. ^ 国仁. 十九年来,从微软亚洲研究院走出了他们. 虎嗅. huxiu.com. February 16, 2017 [August 14, 2018]. 原始内容存档于2017-02-16. 
  9. ^ Li, Jin; Lei, Shawmin. An embedded still image coder with rate-distortion optimization (PDF). IEEE Trans. On Image Processing. July 1999, 8 (7): 913–924 [2018-08-17]. doi:10.1109/83.772232. 原始内容存档于2018-08-15. 
  10. ^ Li, Jin. Visual progressive coding (PDF). SPIE: Visual Communication and Image Processing. January 1999, 3653 (116): 1143–1154 [2018-08-17]. doi:10.1117/12.334621. 原始内容存档于2018-08-15. 
  11. ^ Li, Jin; Lei, Shawmin. Arbitrary shape wavelet transform with phase alignment (PDF). Proceedings 1998 International Conference on Image Processing. ICIP98. October 1998 [2018-08-17]. doi:10.1109/ICIP.1998.727352. 原始内容存档于2018-08-16. 
  12. ^ Li, Jin; Sun, Hong-Hui. Virtual media (Vmedia) access protocol and its application in interactive image browsing (PDF). SPIE: Multimedia Computing and Networking. January 2001, 4312 [2018-08-17]. doi:10.1117/12.410901. 原始内容存档于2018-08-16. 
  13. ^ Li, Jin. Embedded Audio Coding (EAC) With Implicit Auditory Masking (PDF). Proceedings of the tenth ACM international conference on Multimedia. December 2002: 592–601 [2018-08-17]. doi:10.1145/641007.641126. 原始内容存档于2018-08-16. 
  14. ^ Luo, Lin; Li, Jin; Li, Shipeng; Zhuang, Zhenquan; Zhang, Ya-Qin. Motion compensated lifting wavelet and its application in video coding (PDF). IEEE International Conference on Multimedia and Expo. August 2001: 481–484 [2018-08-17]. doi:10.1109/ICME.2001.1237732. 原始内容存档于2018-08-16. 
  15. ^ Cheng, Huang; Li, Jin; Ross, Keith W. Can internet video-on-demand be profitable? (PDF). SIGCOMM '07 Proceedings of the 2007 conference on Applications, technologies, architectures, and protocols for computer communications. August 2007: 133–144 [2018-08-17]. doi:10.1145/1282380.1282396. 原始内容存档于2018-08-16. 
  16. ^ Knies, Rob. The Code That No One in the Cloud Can Live Without. www.microsoft.com. Microsoft Research Blog. July 2, 2014 [August 16, 2018]. 原始内容存档于2018-08-16. 
  17. ^ Huang, Cheng; Simitci, Huseyin; Xu, Yikang; Ogus, Aaron; Calder, Brad; Gopalan, Parikshit; Li, Jin; Yekhanin, Sergey. {Erasure Coding in Windows Azure Storage},. Boston, MA: USENIX: 15––26. 2012. ISBN 978-931971-93-5 请检查|isbn=值 (帮助).  |booktitle=被忽略 (帮助)
  18. ^ Joergensen, Claus. Volume resiliency and efficiency in Storage Spaces Direct. blogs.technet.microsoft.com. Storage at Microsoft. September 6, 2016 [2018-08-17]. 原始内容存档于2017-08-05. 
  19. ^ Gantenbein, Douglas. Eliminating Duplicated Primary Data. www.microsoft.com. Microsoft Research Blog. October 13, 2011 [2018-08-17]. 原始内容存档于2017-02-18. 
  20. ^ Deuby, Sean. Windows Server 2012 Data Deduplication. www.itprotoday.com. ITPro. October 13, 2011 [2018-08-17]. 原始内容存档于2017-11-08. 
  21. ^ Verboon, Alex. Windows Server 2012 Data Deduplication–A must have. www.verboon.info. Anything about IT. August 20, 2012 [2018-08-17]. 原始内容存档于2015-03-08. 
  22. ^ Gantenbein, Doug. Faster Servers, Services with FlashStore. www.microsoft.com. Microsoft Research Blog. February 14, 2011 [2018-08-17]. 原始内容存档于2017-02-18. 
  23. ^ Debnath, Biplob K.; Sengupta, Sudipta; Li, Jin. {FlashStore: High Throughput Persistent Key-Value Store}, (PDF). { Proceedings of the VLDB Endowment}, (VLDB Endowment). 2010: 1414––1425. 
  24. ^ Debnath, Biplob K.; Sengupta, Sudipta; Li, Jin. {SkimpyStash: RAM space skimpy key-value store on flash-based storage}, (PDF). { SIGMOD '11 Proceedings of the 2011 ACM SIGMOD International Conference on Management of data }, (ACM SIGMOD). 2011: 25–36. 
  25. ^ Mahajan, Rajneesh. RemoteFX for WAN: Overview of Intelligent and Adaptive Transports in Windows 8 and Windows Server 2012. cloudblogs.microsoft.com. Microsoft. August 23, 2012 [2018-08-17]. 原始内容存档于2018-08-17. 
  26. ^ Prajna: A Distributed Functional Programming Platform for Interactive Big Data Analytics and Cloud Service Building. [2018-08-17]. (原始内容存档于2020-12-14). 
  27. ^ Deep Learning Workspace. [2018-08-17]. (原始内容存档于2020-09-05). 
  28. ^ Jin Li. DL Workspace: Running TensorFlow. September 13, 2017. 
  29. ^ International Conference on Multimedia and Expo. [2018-08-17]. 原始内容存档于2018-03-02. 

外部链接