获奖名单公布
某机构研究奖项计划宣布2023年春季生成式AI专项资助获得者名单。九位获奖者来自三个国家的八所高校，其研究涵盖生成式自然语言系统的逻辑鲁棒性保障、基于结构感知等变学习的受控文本生成、语言引导的3D场景程序化生成等前沿方向。
技术支持与资源
获奖研究者可获得以下支持：
- 访问300多个某机构公共数据集
- 通过某云服务促销积分使用AI/ML服务与工具
- 配备专业研究顾问提供技术咨询
- 参与全球技术交流活动与培训课程
研究重点领域
本次资助特别关注生成式AI的以下技术方向：
- 语言模型安全性研发框架构建
- 代码生成中的幻觉减少策略
- 基于知识强化学习的事实性错误 mitigation
- 终端用户任务中的语言模型输出优化
持续投入计划
鉴于该领域的强烈反响与研究重要性，某机构表示将在未来持续投入生成式AI研究，通过云计算基础设施降低学术界的计算成本与规模壁垒。所有研究成果鼓励以开源协议发布代码，并在国际会议进行学术发表。
获奖项目列表
| 研究者 | 院校 | 研究课题 |
|---|---|---|
| Chitta Baral | 亚利桑那州立大学 | 确保生成式自然语言系统的逻辑鲁棒性 |
| Muhao Chen | 加州大学戴维斯分校 | 通过结构感知等变学习实现稳健的受控文本生成 |
| Jia Deng | 普林斯顿大学 | 语言引导的3D场景程序化生成 |
| Elena Glassman | 哈佛大学 | 终端用户任务中语言模型输出的意义构建 |
| Carlos Guestrin | 斯坦福大学 | 语言模型安全性研究与开发开放框架 |
| Tatsunori Hashimoto | 斯坦福大学 | 语言模型安全性研究与开发开放框架 |
| Jonathan Kummerfeld | 悉尼大学 | 终端用户任务中语言模型输出的意义构建 |
| Ali Mesbah | 不列颠哥伦比亚大学 | 减少幻觉：大语言模型代码生成的上下文策略 |
| Maarten Sap | 卡内基梅隆大学 | 通过基于知识的强化学习减少事实性错误与社会偏见 |