资助项目详情

自主系统安全监控

深度神经网络在自主系统（如机器人）中可能对与训练数据差异较大的输入产生不可信行为。当机器人遇到意外障碍或与行为超出预期的人类互动时，可能导致事故或运行中断。为确保安全部署，自主系统应能检测异常或分布外数据点，并通过委托决策或切换至安全基线策略进行应对。该项目研究如何为自主系统中的深度神经网络赋予高效异常检测能力，并实现从异常中持续学习的能力。

基于符号结构的大语言模型控制

尽管大语言模型能力卓越，但其控制仍具挑战性。该提案旨在通过符号语法开发大语言模型控制机制。基于预训练模型，该方法将定义概率语法，其非终结符与模型对部分输出的分布明确关联。这些符号提供了与语言模型交互的接口，可实现比基于提示的方法更明确的约束生成。该方法将应用于零样本和少样本生成任务，特别是在需要严格遵守输出约束的部署场景（如语义解析、医疗笔记翻译）。

企业数据治理基础模型

现代数据密集型应用需要整合查询多种数据集，包括内部文档、部分结构化数据（如日志）、数据库中的表格数据以及机器学习模型和输出。在许多组织中，此类数据分散存储且存在结构不一致、不完整和未关联等问题。数据科学家需花费80%以上时间进行数据治理。该项目旨在构建数据治理原生基础模型，兼具自然语言处理基础模型优势，并具备处理企业结构化大数据集的关键特性，目标是开发能通过交互式提示指导、无需大量领域特定训练的通用模型。

能效设备同步定位与建图技术

该项目提出算法与硬件的协同设计，实现高效、鲁棒且精确的同步定位与建图技术。智能手机、AR/VR头显和药丸大小医疗机器人等能效受限设备将在多领域发挥重要作用，但这些设备的电池容量限制了传感和计算的可用能量。为安全运行，设备需在无GPS环境下完成定位和环境障碍物建图。现有算法存在内存和能耗过高问题，且在传感器噪声和模态不足时表现不佳。实现能效设备自主运行需要同步开发鲁棒高效的定位建图算法和专用能效计算硬件。

2023年度奖学金

两位博士研究生将获得资助开展机器人与人工智能领域的独立研究项目，并有机会在某中心参与带薪暑期实习，直接与研究人员合作获得行业洞见和实践经验。

李思睿

社会与工程系统及统计学博士候选人，2019年以优秀毕业生身份获计算机科学与数学学士学位。主要研究兴趣包括贝叶斯方法、社交网络及机器学习在经济学与政治学中的应用。目前与吴凯西教授合作，利用图神经网络和强化学习解决共享出行问题。长期研究目标是通过改进算法/启发式方法解决城市规划与机制设计中的复杂社会问题。

孟悦

航空航天学四年级博士研究生，在可靠自主系统实验室从事研究工作。主要研究方向为利用机器学习技术实现安全鲁棒的机器人控制。曾担任某研究中心的AI研究员，先后获得加州大学圣地亚哥分校电气与计算机工程硕士学位和清华大学自动化系学士学位。

研究领域：对话式人工智能、机器人技术
项目标签：学术合作、大语言模型、麻省理工学院