BAIR 2026 졸업생 쇼케이스

Berkeley Artificial Intelligence Research (BAIR) Lab이 2026년 박사 학위 졸업생 명단을 발표했습니다. 이번 기수의 연구는 Embodied Intelligence, Large Language Model (LLM) Reasoning, Generative Modeling, AI Safety, 그리고 Healthcare 및 Science를 위한 AI를 포함하여 현대 인공지능의 핵심적인 최전선을 아우릅니다.

Large Language Models and Reasoning

이 분야의 연구는 LLM의 Scaling Laws, Agentic Workflows의 신뢰성, 그리고 인간의 선호도와 모델 정렬(Alignment) 간의 교차점에 초점을 맞춥니다.

• Scaling Paradigms: Charlie Snell은 Test-time scaling (독립적 프롬프트 추론)과 Pretraining (압축된 표현 학습) 사이의 트레이드오프를 조사하며, Test-time 추론을 학습된 표현으로 변환하는 방법을 모색합니다.
• Reliability and Fairness: Eve Fleisig는 사용자 선호도의 불일치를 학습 신호로 활용하고 LLM의 위해성을 식별하기 위한 엄격한 평가를 개발함으로써, 다양한 사용자에게 신뢰할 수 있는 LLM을 설계합니다.
• Reasoning and Agents: Hanlin Zhu는 LLM의 추론 능력 향상에 집중합니다. Xiuyu Li는 병렬 추론 연구를 바탕으로, 복잡하고 긴 기간의 과업을 위한 코딩 에이전트를 포함하여 확장 가능하고 자기 개선이 가능한 LLM 에이전트를 개발합니다.
• Post-Training and Infrastructure: Vinamra Benara는 RLHF, VLMs를 활용한 RLVR, 데이터 큐레이션 및 분산 컴퓨팅에 필요한 시스템 인프라를 포함한 LLM Post-training을 전문으로 합니다.
• Human-AI Interaction: Josh Kang은 인간 사용자 시뮬레이션과 대화형, 협업형 AI 에이전트 생성을 연구합니다.

Robotics and Embodied Intelligence

BAIR 졸업생들은 Multi-agent Coordination, Dexterous Manipulation, World Models에 초점을 맞추어 AI가 물리적 세계와 상호작용하는 방식의 최첨단 기술을 발전시키고 있습니다.

• Generalist Models: Baifeng Shi는 범용 시각 및 로봇 모델 구축을 연구합니다. Kevin Black은 Imitation Learning, Reinforcement Learning (RL), Generative Modeling을 활용하여 실제 응용을 위한 대규모 로봇 학습에 집중합니다.
• Manipulation and Control: Haozhi Qi는 Dexterous Manipulation 및 로봇 학습에 집중합니다. Qiyang Li는 실제 적용 가능성을 높이기 위해 RL을 사용하여 Action-chunking 정책을 최적화하는 방법으로 Prior Data를 활용하는 방법을 연구합니다.
• World Modeling: Neerja Thakkar는 Autoregressive 및 Diffusion 프레임워크를 사용하여 야생(In-the-wild) 동작을 위한 예측형 World Models를 확장합니다. Yichen Xie는 AI가 공간, 시간 및 역학을 추론할 수 있도록 Multimodal Foundation Models 및 World Models를 구축합니다.
• Multi-Agent Systems: Maulik Bhatt은 게임 이론과 Diffusion Models를 사용하여 인간 및 다른 로봇과 안전하게 협력하는 자율 로봇을 개발합니다. Long (Tony) Lian은 End-to-end RL을 통해 실시간 멀티모달 멀티 에이전트 시스템을 개발합니다. Vongani Maluleke는 현재 Unitree G1 휴머노이드에 배치되고 있는 통합 멀티 에이전트 동작 생성 프레임워크인 MAGNet의 개발을 주도했습니다.
• Autonomous Systems: Wei-Jer Chang과 Zhe Fu는 안전한 자율 시스템에 집중합니다. Zhe Fu는 특히 Physics-informed Neural Networks를 사용하여 교통 역학을 예측하고 자동화된 차량을 조정합니다.

AI Safety, Theory, and Interpretability

이 연구 트랙은 AI의 이론적 토대, 리스크 완화, 그리고 모델 내부 메커니즘의 이해를 강조합니다.

• AI Safety: Niklas Lauffer는 AI Safety 및 RL에 집중하며, 특히 멀티 에이전트 환경에서 LM 에이전트가 초래하는 안전 리스크를 평가하고 긴 기간의 과업에서 Covariate Shift 문제를 해결하는 데 주력합니다.
• Theoretical Foundations: Kunhe Yang은 Machine Learning Theory와 Computational Economics를 사용하여 인간의 인센티브와 AI 에이전시에 의해 형성된 환경에서의 AI 알고리즘을 연구합니다.
• Interpretability and Control: Grace Luo는 LLM Steering을 위한 언어 활성화(Language Activations)의 메타 모델링을 포함하여 생성 모델을 해석하고 제어하는 연구를 수행합니다. Yigit Efe Erginbas는 확장 가능한 Attribution Methods를 개발하고 모델의 자기 설명(Self-explanations)에 대한 충실도를 평가합니다.
• Safety Assurances: Sampada Deglurkar는 불확실성 정량화(Uncertainty Quantification) 및 확률적 보증을 통해 자율 시스템에 대한 안전 보증을 제공합니다.

AI for Science, Healthcare, and Multimodal Systems

이 분야의 연구는 AI를 전문 영역에 적용하고 다양한 감각 양식(Modalities)을 통합합니다.

• Healthcare and Clinical Reasoning: Nikita Mehandru는 전자 건강 기록을 사용하여 임상 추론 및 질병 진행 모델링을 위한 ML 방법을 개발합니다. Jiachen Lian은 음성 및 헬스케어 전반에 걸친 인간 중심 AI에 집중합니다.
• Biology and Proteins: Junhao (Bear) Xiong은 단백질을 위한 Generative Modeling에 집중합니다. Michael Psenka는 심층 생성 모델을 단백질의 분자 역학에 적용합니다.
• Speech and Multimodal AI: Kaylo Littlejohn은 뇌 활동을 텍스트와 가청 음성으로 변환하는 멀티모달 AI 도구 개발을 공동 주도했습니다. Kent Chang은 AI에서의 다양한 목소리 표현에 초점을 맞추어 대화와 서사를 이해하기 위한 멀티모달 시스템을 구축합니다.
• Computer Vision: Devin Guillory는 컴퓨터 비전 모델에서 데이터 변화(Data Shifts)를 고려하기 위한 방법을 연구합니다.