康奇宇，中科大信息学院6系特任教授，博士生导师，国家青年人才。

研究方向：多模态大模型、智能体、物理信息神经网络、大模型轻量化

具体包括：

一、物理信息驱动的世界模型：

由第一性原理推导而来的常/偏微分方程，凝练了人类对物理世界的深刻认知；而当前以数据驱动为主的大模型，对物理机理的整合能力仍较为薄弱。如何将物理先验作为硬约束深度融入世界模型，是该领域亟待突破的核心问题。本方向重点研究:

1. 物理先验与大模型深度融合：探索将守恒律、对称性等物理约束嵌入大模型训练与推理流程的有效机制，构建物理一致性更强、外推能力更优的世界模型。

2. 微分方程启发的网络架构设计：状态空间模型已取得初步进展，进一步利用微分方程精确刻画神经网络的动力学行为，有望显著提升模型结构的合理性与泛化性能。

3. 机器学习增强科学计算：发展求解高维偏微分方程的神经网络方法，加速流体力学等复杂场景的数值模拟；结合动力系统稳定性理论，提升气候预测、材料微结构逆向设计等应用中的长期预测能力与可靠性。

二、大模型高效计算:

随着万亿参数大模型日趋普及，其计算挑战也愈加严峻：千卡级GPU集群的训练能耗已堪比数百户家庭的年用电量，经济与环境成本逐步逼近不可持续的边界；实时应用对低延迟的需求与庞大参数量之间存在根本性矛盾；模型难以部署于移动终端与边缘设备，制约了AI技术的普惠化进程。针对上述瓶颈，本方向重点探索:

1. 大模型量化与知识蒸馏：在保持模型性能的前提下，显著压缩参数规模与计算开销。

2. 高效CUDA算子及国产化算子设计：从底层算子层面挖掘硬件计算潜力，支撑国产芯片软硬件生态。

3. 高效二值化脉冲神经网络：借鉴神经科学机制，发展超低能耗的新型计算范式。

三、医疗与类脑基础大模型：

面向生命健康与脑启发认知计算，构建融合多模态数据的垂直领域基础大模型：

1. 类脑机制与数字脑演化：探索自组织数字脑的演化机制，借鉴生物神经元的动力学特性，构建具备强泛化与低能耗特征的类脑大模型。

2. 医疗影像与计算医学：融合医学影像与血管血流动力学建模，研发面向辅助诊断与物理参数反演的医疗基础大模型，提升临床诊疗的精度与效率。