26位華人學者霸榜亞馬遜研究獎，占名單近一半

近日，亞馬遜研究獎（Amazon Research Awards，簡稱 ARA）公布最新一屆獲獎名單：全球 8 個國家、41 所高校與科研機構共有 63 位學者上榜，其中 26 位為華人學者，覆蓋 AI 信息安全、廣告技術、智能體 AI、云端 AI 基礎設施以及“Think Big”前沿探索等多個方向。

亞馬遜研究獎成立于 2015 年，并在 2020 年與 AWS 機器學習研究獎（MLRA）合并，至今已成為大型科技公司中影響力最大的開放學術資助項目之一。

該計劃為高校和非營利機構的研究者提供：

• 一次性、不附帶約束的科研經費
• 一定額度的 AWS 云資源抵扣
• 訪問數百個亞馬遜公開數據集的權限，以及與亞馬遜內部科學家長期合作的機會

2025 年春季這一輪，ARA 在原有“AI for Information Security”“Amazon Ads”的基礎上，重點擴展了AWS Agentic AI（智能體 AI）和Build on Trainium（基于亞馬遜自研 AI 芯片 Trainium 的系統與算法）等方向，外加鼓勵大膽設想的Think Big賽道。

以下這 26 位華人學者的簡要介紹：

AI 信息安全

Zhou Li（李洲）現任加州大學歐文分校電氣工程與計算機科學系副教授，此前曾在 RSA Laboratories 擔任首席研究科學家，長期深耕系統安全與隱私方向。李洲本次獲獎項目圍繞“利用大語言模型在審計日志中實現精確且分析人員友好的攻擊溯源”，試圖用 LLM 自動從海量日志中還原攻擊鏈路，并以安全分析師易于理解的方式呈現，從而緩解企業在安全運維中“日志太多、人員太少”的長期痛點。

Yu Meng（孟瑜）是弗吉尼亞大學計算機科學系助理教授，2023 年在伊利諾伊大學厄巴納-香檳分校（UIUC）獲博士學位，曾獲谷歌博士獎學金和 ACM SIGKDD 優秀博士論文獎，博士期間與數據挖掘大師 Jiawei Han 合作緊密。孟瑜此次 ARA 項目主題為“弱監督 RLHF：建模人類偏好中的模糊性與不確定性”，聚焦在現實世界反饋往往含噪、含歧義的情況下，如何更穩健地訓練對齊人類偏好的大模型，有望在推薦、助手類產品中顯著提升模型在復雜場景下的可靠性。

Ziming Zhao（趙子銘）任職于美國東北大學 Khoury 計算機科學學院副教授，研究領域涵蓋系統與軟件安全、網絡與 Web 安全以及人因安全，多次在 USENIX Security、ACM AsiaCCS 等安全頂會上獲得最佳或杰出論文獎。趙子銘的 ARA 項目聚焦“理解大語言模型的攻擊方式：可解釋的漏洞檢測與修復”，一方面系統性刻畫 LLM 參與攻擊與滲透測試的能力邊界，另一方面嘗試設計可解釋的自動化工具，幫助開發者借助 LLM 更高效地發現并修補軟件漏洞。

Amazon Ads

Xiaojing Liao是伊利諾伊大學厄巴納—香檳分校計算機科學系副教授，博士畢業于佐治亞理工學院電子與計算機工程專業，長期通過大規模數據分析研究互聯網濫用行為與安全問題。她此次在 Amazon Ads 方向獲獎的課題是“大語言模型在數字廣告中的對抗性濫用：基準測試與緩解措施”，目標是系統梳理 LLM 在廣告內容生成、點擊欺詐、垃圾信息擴散等場景里的潛在攻擊方式，提出一套可操作的評測基準，并探索面向廣告平臺的防御策略。

Tianhao Wang現為弗吉尼亞大學助理教授，本科畢業于復旦大學，博士畢業于普渡大學，主要研究差分隱私與機器學習隱私保護，強調算法在真實系統中的可落地性。本次 ARA 中，他與 Xiaojing Liao 合作同一項目，圍繞“大型語言模型在數字廣告中的對抗性濫用”展開研究，從隱私和安全的雙重視角評估 LLM 帶來的新攻擊面，并探索在不犧牲廣告效果的前提下，引入隱私約束和魯棒機制，以降低平臺和用戶的整體風險。

AWS Agentic AI：智能體時代的系統化探索

Cong Chen是達特茅斯學院工程學院助理教授，她本科畢業于武漢大學，碩士畢業于清華大學，并于 2024 年獲得康奈爾大學電氣工程博士學位。她的 ARA 項目“用行為生成智能體賦能電力系統與市場運營”嘗試將生成式智能體引入電網調度與電力市場建模，通過模擬和學習各類市場主體與設備的行為，推動高比例可再生能源接入、電力價格形成以及儲能調度等關鍵問題的智能化升級。

Chunyang Chen（陳春陽）現為德國慕尼黑工業大學（TUM）軟件工程與人工智能教授，本科畢業于北京郵電大學，博士畢業于新加坡南洋理工大學，曾在澳大利亞蒙納士大學任教多年。他的研究橫跨軟件工程、人機交互和 AI 安全，尤其關注如何用 LLM 改造開發流程。本次獲獎課題“基于智能計算機使用智能體的功能性缺陷感知軟件測試”，旨在打造能夠像真實開發者一樣“使用電腦”的智能體，讓其自動操作 GUI、運行程序、觀察系統反饋，從而更接近真實用戶場景地發現功能缺陷。

Sidong Feng是本次榜單中少有的在讀博士生獲獎者，目前就讀于澳大利亞莫納什大學（Monash University）信息技術學院，導師團隊包括陳春陽、Aldeida Aleti、Yuan-Fang Li 和 Bohan Zhuang，本科就讀于澳大利亞國立大學軟件工程專業。Feng 的研究興趣集中在軟件工程、人機交互與大模型的交叉領域，特別是 GUI 自動化測試。Feng 此次與導師合作的 ARA 項目延續“智能電腦使用代理”的思路，進一步探索如何通過人機協作式的 Agent 設計，讓自動化測試不再局限于傳統腳本，而是更靈活地理解界面語義和任務目標，自動生成高價值測試用例。

Bang Liu（劉邦）目前在蒙特利爾大學和 Mila 研究所擔任副教授，同時是加拿大 CIFAR AI 講席教授，本科畢業于中國科學技術大學，后在阿爾伯塔大學獲得碩博學位，近年來在多模態與具身智能體、AI for Science 等領域成果頻出。劉邦的項目主題是“協作式智能體人工智能的基礎智能體與協議”，試圖從底層通信協議和協作機制設計入手，為多智能體系統構建統一的“語言”和協作規則，并將其應用到包括新材料設計等科學發現場景，延續他在 Foundation Agents 等開源項目中的探索。

Irwin King是香港中文大學（CUHK）計算機科學與工程學系教授，并擔任副校長（教育）。他本科畢業于加州理工學院，1993 年在南加州大學獲得計算機科學博士學位。金教授是 ACM 和 IEEE 會士，在機器學習、社會計算和數據挖掘領域擁有深厚造詣，曾領導開發 VeriGuide 抄襲檢測系統。他此次獲獎的“WebAGI”項目，致力于利用視覺語言模型構建魯棒的 Web 自動化與規劃框架，推動智能體向通用人工智能邁進。

Lianhui Qin（覃蓮卉）是加州大學圣地亞哥分校（UCSD）計算機科學系助理教授，博士畢業于華盛頓大學，師從 Yejin Choi，長期研究可控生成與復雜自然語言推理。她的 ReaL-Agent 項目聚焦“用于深度跨模態檢索的檢索與推理智能體”，嘗試把檢索、推理和多模態理解整合進一個統一的智能體框架，使得 Agent 能夠在包含文本、圖像等多模態的大規模知識庫中，自主規劃檢索路徑并完成復雜的信息查詢與決策任務。

Jindong Wang（王晉東）現任威廉與瑪麗學院數據科學系助理教授，曾在微軟亞洲研究院擔任高級研究員，是遷移學習和大模型領域的高被引學者之一，其著作《遷移學習導論》在業界頗具影響力。王晉東此次獲得 ARA 的項目題為“結構至關重要：針對 LLM 智能體的任務優化拓撲”，重點研究在多智能體系統中，不同 Agent 之間的連邊方式、信息流向和分工結構如何影響整體性能，從而為實際部署“多 Agent 協作大模型”提供設計理論和工程經驗。

Xiaolong Wang是 UCSD 電氣與計算機工程系副教授，分布別再于華南農業大學和中山大學取得本碩學位，博士畢業于卡內基梅隆大學機器人研究所，曾與伯克利 AI 研究、Facebook AI 研究和艾倫研究院等機構合作，主要研究視頻理解、三維場景和具身智能。本次獲得資助的“智能體世界表征（Agentic World Representation）”項目，強調讓智能體在長期交互中學習結構化的世界模型，使其不僅能在視覺上“看到”環境，還能內化時空結構和語義關系，為后續的規劃、操作和協作打下基礎。

Zhi-Li Zhang（張志力）是明尼蘇達大學雙城分校 McKnight 杰出教授和 Qwest 通信講席教授，在網絡系統、邊緣與云計算、網絡物理系統等方向擁有長期積累。張志力的 ARA 項目“NetGenius：用于下一代無線網絡自主配置和智能運維的 Agentic AI”旨在構建一套面向 5G/下一代網絡的智能體體系，讓網絡設備和控制系統具備自配置、自診斷和自優化能力，以支撐車聯網、工業物聯網、元宇宙等新型業務對網絡彈性與智能化的需求。

Jiawei (Joe) Zhou于 2024 年加入石溪大學，現為石溪大學應用數學與統計及數據科學系的助理教授。他曾在清華大學獲得電子工程學士學位，博士畢業于哈佛大學，研究橫跨自然語言處理與機器學習，在序列到序列生成、語義理解等領域有不少代表性工作。此次獲獎的課題“交互式 LLM 智能體的高效且有效的長程推理”聚焦一個核心問題：當智能體需要在長時間、多輪交互中持續規劃和記憶時，如何設計既高效又不犧牲推理質量的模型結構與訓練方法，以支撐復雜任務中的長期決策。

Build on Trainium

Kuan Fang是康奈爾大學計算機科學系助理教授，曾在斯坦福大學師從李飛飛和 Silvio Savarese 完成碩博研究，也在伯克利從事博士后工作，專注機器人感知與控制以及強化學習。這次入選的項目“機器人感知與控制的多模態基礎模型快速適應”依托 AWS Trainium 芯片，探索如何讓預訓練的大模型快速適配具體機器人的傳感器和控制任務，縮短從通用多模態模型到實際機器人系統之間的“最后一公里”。

Shizhong Han現任 Lieber 大腦發育研究所首席研究員、約翰霍普金斯大學醫學院精神病學與行為科學副教授，主要研究腦部疾病的遺傳基礎，通過多組學數據和深度學習方法尋找新型治療靶點。Han 的 ARA 項目“優化和擴展大型化學模型的預訓練及基于偏好的微調”基于 Trainium 平臺，致力于構建規模更大、分辨率更高的化學和生物分子模型，并通過人類偏好對齊使模型更適用于藥物發現與機制研究。

Sitao Huang（黃思陶）是加州大學歐文分校電氣與計算機工程系助理教授，本科畢業于清華大學電子工程系，隨后在 UIUC 獲得碩士與博士學位，在硬件加速器與高效計算領域獲獎頗多。他此次獲得 ARA 資助的課題“通過基于配置文件的圖拓撲優化在 AWS Trainium 上實現自動內核合成與調優”，意在根據實際工作負載的性能 profile 自動生成和優化硬件內核，使大模型訓練在 Trainium 上獲得更高吞吐和能效。

Dong Li現為加州大學默塞德分校副教授，兼任平行架構、系統與算法實驗室（PASA）主任，是高性能計算與大規模 AI 系統領域的重要學者，也曾在橡樹嶺國家實驗室從事研究工作。Li 的項目“基于自適應專家并行的高效稀疏訓練”聚焦于 MoE 等稀疏大模型在 Trainium 上的訓練，通過更細粒度的專家并行策略，提升模型規模與硬件資源之間的匹配效率，降低訓練成本。

Xiaoxiao Li是不列顛哥倫比亞大學電氣與計算機工程系副教授，同時在計算機科學系和病理與實驗醫學系任職，也是 Vector 研究所教員，擔任加拿大“負責任人工智能”二級研究主席和 CIFAR AI 講席教授。Li 多年來深耕 AI 與醫療的交叉，本次 ARA 項目“在 AWS Trainium 上通過剪枝和套娃量化實現高效 MoE LLM“從模型剪枝與層次化量化入手，探索在保證精度的情況下顯著壓縮 MoE 模型計算與存儲開銷，為在醫療等高風險場景部署大型模型鋪路。

Jiang Liu日本早稻田大學全球科學與工程中心教授，無線通信專家。劉江本科畢業于中國重慶理工大學，后赴日本早稻田大學攻讀通信工程，分別于 2006 年和 2012 年獲得早稻田大學全球信息與通信研究科碩士、博士學位。她的研究興趣包括無線通信與傳感、無線網絡系統以及光無線通信等方向。她的課題“使用 AWS Trainium 加速視覺-語言自動駕駛”試圖將視覺-語言模型與自動駕駛系統結合，并利用 Trainium 的算力優勢加速訓練與推理，希望在復雜交通環境下實現更可靠的感知和決策，同時探索車載和云端協同推理的新架構。

Xiaoyi Lu現任 UC Merced 計算機科學與工程系副教授，領導平行與分布式系統實驗室（PADSYS Lab），是 HPC 通信與 I/O、云計算和大數據分析方向的活躍學者，其多項開源軟件在全球被廣泛使用。他于 2006 年在華中科技大學獲得學士學位，2012 年在中國科學院計算技術研究所獲得博士學位。他的研究致力于優化底層通信與 I/O，此次 ARA 項目“使用 AWS Trainium 加速大型語言和推理模型工作負載”側重于系統層優化，從通信棧、內存管理到調度策略多層入手，探索如何在 Trainium 集群上高效運行推理與訓練混合負載，支撐企業級生成式 AI 應用。

苗旭鵬（Xupeng Miao）是普渡大學西拉法葉分校計算機科學系助理教授，他本科畢業于（中國）東北大學，2022 年在北京大學獲得計算機科學博士學位，師從崔斌教授。苗旭鵬是高性能深度學習系統 Hetu（河圖）的主要作者之一，曾在 CMU 進行博士后研究。苗旭鵬的項目“通過數據流感知優化實現大型基礎模型的通信高效分布式訓練”試圖從數據流模式出發，對分布式訓練中的通信進行整體重構，使得基礎模型在大規模集群上的訓練更具伸縮性和資源利用效率。

沈彥寧（Yanning Shen）博士畢業于明尼蘇達大學，目前在加州大學歐文分校任教，她的研究結合機器學習、網絡科學與統計信號處理，關注復雜網絡上的智能算法。她是 2022 年度《麻省理工科技評論》亞太區“35 歲以下創新 35 人”入選者。在本輪 ARA 中，她與 Sitao Huang 等人共同探索“通過基于配置文件的圖拓撲優化在 AWS Trainium 上實現自動內核合成與調優”，從圖結構建模的角度為底層系統優化提供理論和算法支持，力圖讓自動化性能調優更加“智能化”。

Minjia Zhang是 UIUC 計算機科學系終身教職助理教授，博士畢業于俄亥俄州立大學，曾在微軟研究院擔任首席研究員多年，在模型壓縮和高效深度學習系統方面具有豐富的工業與學術經驗。本次獲獎的“Trainium 原生 MoE：開發用于高效可擴展 MoE 訓練的內核與系統優化”項目，將針對 MoE 模型在 Trainium 上的算子實現、調度以及跨設備通信等關鍵環節進行端到端定制優化，力圖在保證模型性能的同時，將訓練成本壓到更低。

Think Big

Tianlong Chen于 2024 年秋季加入北卡羅來納大學教堂山分校計算機科學系，擔任助理教授。他本科畢業于中國科學技術大學應用數學系，2023 年在德克薩斯大學奧斯汀分校獲得電子與計算機工程博士學位，近年在高效、可信機器學習系統方面成果頗豐，獲得包括 Amazon Research Award（連續兩屆）、IBM 與 Adobe 博士獎學金在內的一系列獎項。他在 Think Big 方向的項目“利用分子動力學賦能蛋白質 AI 模型”聚焦于 AI 與生命科學交叉，計劃在 Trainium 等算力支撐下，將分子動力學模擬生成的精細物理信息融入蛋白質 AI 模型訓練中，以同時提升結構預測和功能理解的準確性與可解釋性。