亞馬遜研究獎再現(xiàn)“華人天團”：26人入選

2025-12-01 17:37

亞馬遜剛剛公布最新一屆 Amazon Research Awards（ARA）名單：63 位獲獎者，來自 8 個國家的 41 所高校與研究機構(gòu)，其中至少 26 位為華人學者。

他們的研究橫跨 AI 安全、廣告系統(tǒng)、智能體（Agentic AI）、自研 AI 芯片 Trainium 生態(tài)，以及大膽探索前沿科學的 “Think Big” 方向。

如果說模型參數(shù)競賽是上一階段的焦點，這份名單更像是亞馬遜給下一階段 AI 戰(zhàn)場畫出的一張 “技術(shù)雷達圖”——安全、智能體、算力基礎(chǔ)設(shè)施與交叉學科，全部寫在了獲獎項目里。

AI 信息安全

亞馬遜研究獎設(shè)立于 2015 年，本質(zhì)上是亞馬遜給學界的長期 “種子基金”：提供一次性科研經(jīng)費、AWS 計算資源（包括數(shù)萬美金級別的 AWS Promotional Credits）、訪問 700+ 亞馬遜公共數(shù)據(jù)集的權(quán)限，并配備亞馬遜內(nèi)部研究聯(lián)系人，協(xié)助合作與落地。

本輪（2025 年春季）共覆蓋五個征集方向：

Amazon Science
AI for Information Security（AI 信息安全）
AWS AI: Agentic AI（智能體 AI）
Build on Trainium（基于 Trainium 的構(gòu)建與優(yōu)化）
Think Big（以顛覆性想法為核心的前沿探索）

在這張技術(shù)布局中，華人學者幾乎在所有關(guān)鍵節(jié)點上都有身影。

AI 信息安全方向共有 8 位研究者入選，其中 3 位為華人：

李洲（Zhou Li，加州大學歐文分校）

他關(guān)注如何利用大模型對復雜審計日志進行 “可讀、可追溯” 的攻擊溯源。不只是檢測到異常，還要讓安全分析人員看得懂、查得回去。

孟瑜（Yu Meng，弗吉尼亞大學）

他的課題是 “弱監(jiān)督的 RLHF”，嘗試在建模人類偏好時顯式刻畫模糊性與不確定性。

今天市面上大量對齊技術(shù)，都默認人類偏好清晰可定義，但真實世界里，標注者判斷往往是搖擺的、甚至自相矛盾的。將這種 “含糊” 編碼進訓練過程，是防止大模型在價值觀層面 “過擬合”的一種嘗試。

趙子銘（Ziming Zhao，東北大學）

他關(guān)注的是 “大模型如何攻擊，以及如何可解釋地檢測與修復這些漏洞”。

隨著 LLM 被嵌入越來越多安全敏感系統(tǒng)（從代碼生成到自動滲透測試），模型本身既可能是防守方的工具，也可能成為新的攻擊面。趙子銘團隊希望把 “LLM 如何被用來 Hack” 這件事拆開講清楚，再反過來構(gòu)建防線

Agentic AI

本輪獲獎中，Agentic AI（智能體 AI）是人數(shù)最多的方向之一，單這一類就有 30 位研究者獲得資助，華人學者占了相當比重。

Cong Chen，達特茅斯學院

從電力系統(tǒng)出發(fā)，做的是 “會做決策的電網(wǎng)智能體”——在可再生能源占比越來越高的電網(wǎng)里，讓智能體替運營者在復雜市場環(huán)境中做調(diào)度與定價，兼顧安全、成本與碳排。

陳春陽（Chunyang Chen，慕尼黑工業(yè)大學）

他的研究領(lǐng)域位于軟件工程、人機交互、軟件安全與人工智能的交叉處。主要研究方向包括 AI 和大型語言模型輔助的自動化移動應用開發(fā)、AI 賦能的軟件倉庫挖掘、深度學習和移動應用的安全性。

劉邦（Bang Liu，蒙特利爾大學 & Mila）

他的項目關(guān)注 “協(xié)作式智能體的基礎(chǔ)協(xié)議”，同時將智能體用在材料科學和多模態(tài)學習中。他曾推動材料科學大模型與智能體結(jié)合，用來設(shè)計新材料；獲獎項目則進一步探討，當多個智能體協(xié)同工作時，應該使用什么樣的 “語言”和 “規(guī)則”。

Lianhui Qin，加州大學圣地亞哥分校

研究的是 ReaL-Agent——一種把檢索與推理深度結(jié)合的跨模態(tài)智能體。在多模態(tài)場景里，它既要查到對的圖文信息，又要沿著合理的推理鏈路一步步走下去，避免 “只會查不會想”。

王晉東（Jindong Wang，威廉與瑪麗學院）

他關(guān)注的是一個聽上去略抽象、卻極其關(guān)鍵的問題：對于 LLM 智能體來說，任務的“結(jié)構(gòu)”有多重要？

簡單說，就是如何為智能體設(shè)計更合適的任務拓撲，讓它在復雜任務中分解、規(guī)劃、協(xié)作得更高效。

這與他長期在遷移學習、基礎(chǔ)模型和生成式 AI 方面的工作一脈相承——從 “模型能不能學會” 進一步走向 “模型能不能在復雜社會場景中用好”。