BAIR 2026 毕业生展示

伯克利人工智能研究（BAIR）实验室已经宣布了其2026届博士毕业生。该届的研究涵盖了现代人工智能的关键前沿，包括具身智能、大型语言模型（LLM）推理、生成建模、AI 安全以及用于医疗和科学的 AI。

大型语言模型和推理

此领域的研究侧重于 LLMs 的定律、代理工作流的可靠性以及人类偏好与模型对齐的交集。

缩放范式： Charlie Snell 研究测试时间缩放（独立提示推理）与预训练（压缩表示学习）之间的权衡，寻求将测试时间推理转换为学习表示的方法。
可靠性和公平性： Eve Fleisig 通过将用户偏好的分歧作为训练信号并开发严格的评估来识别 LLM 危害，从而为多样化用户设计可靠工作的 LLMs。
推理和代理： Hanlin Zhu 专注于提高 LLMs 的推理能力。Xiuyu Li 开发可扩展的、自我改进的 LLM 代理，专门用于复杂、长时序任务的编码代理，在此基础上并行推理的工作。
后训练和基础设施： Vinamra Benara 专注于 LLM 后训练，包括 RLHF、带 VLMs 的 RLVR、数据策划以及分布式计算所需的系统基础设施。
人机交互： Josh Kang 研究人类用户模拟以及对话式、协作式 AI 代理的创建。

BAIR 毕业生正在推动 AI 与物理世界交互的最前沿状态，重点在于多智能体协调、灵巧操作和世界模型。

通用模型： Baifeng Shi 致力于构建通用视觉和机器人模型。Kevin Black 专注于大规模机器学习，利用模仿学习、强化学习（RL）和生成建模进行实际应用。
操作与控制： Haozhi Qi 专注于灵巧操作和机器学习。Qiyang Li 研究如何利用先前数据通过 RL 优化动作块策略，以提高实际应用性。
世界建模： Neerja Thakkar 使用自回归和扩散框架为野外运动构建预测世界模型。Yichen Xie 构建多模态基础模型和世界模型，以使 AI 能够在空间、时间和动态上进行推理。
多智能体系统： Maulik Bhatt 开发使用博弈论和扩散模型与人类及其他机器人安全协调的自主机器人。Long (Tony) Lian 通过端到端 RL 开发实时多模态多智能体系统。Vongani Maluleke 领导了 MAGNet 的开发，这是一个统一的多智能体运动生成框架，目前正在 Unitree G1 人形机器人上部署。
自主系统： Wei-Jer Chang 和 Zhe Fu 专注于安全的自主系统。Zhe Fu 具体使用物理信息神经网络来预测交通动态并协调自动车辆。

此研究方向强调 AI 的理论基础、风险缓解以及对内部模型机制的理解。

AI 安全： Niklas Lauffer 专注于 AI 安全和 RL，具体评估 LM 代理在多智能体环境中带来的安全风险，并解决长时序任务中的协变量偏移。
理论基础： Kunhe Yang 使用机器学习理论和计算经济学来研究在人类激励和 AI 代理塑造的环境中的 AI 算法。
可解释性和控制： Grace Luo 致力于解释和控制生成模型，包括用于 LLM 引导的语言激活的元建模。Yigit Efe Erginbas 开发可扩展的归因方法，并评估模型自我解释的忠实度。
安全保证： Sampada Deglurkar 通过不确定性量化和概率保障为自主系统提供安全保证。

此领域的研究将 AI 应用于专业领域，并整合多种感官模态。

医疗和临床推理： Nikita Mehandru 使用电子健康记录开发用于临床推理和疾病进展建模的 ML 方法。Jiachen Lian 专注于语言和医疗领域的人本 AI。
生物学和蛋白质： Junhao (Bear) Xiong 专注于蛋白质的生成建模。Michael Psenka 将深度生成模型应用于蛋白质的分子动力学。
语音和多模态 AI： Kaylo Littlejohn 共同领导了将脑活动转换为文本和可听语音的多模态 AI 工具的开发。Kent Chang 构建多模态系统以理解对话和叙事，重点在于 AI 中多样声音的表示。
计算机视觉： Devin Guillory 研究用于考虑计算机视觉模型中数据偏移的方法。