研究概述

本课题组致力于推动通用人工智能（General-Purpose AI）的发展，研究能够在开放环境中实现感知、推理与决策一体化的智能系统。

我们的核心目标，是突破传统数据驱动范式的局限，探索具身智能、多模态大模型与认知驱动学习机制的融合路径，构建具备泛化能力、环境适应能力与长期推理能力的智能体系统。

研究关注从“静态模式识别”向“动态交互智能”的转变，重点解决分布外泛化、弱监督学习与长时序决策等关键问题。研究方向

具身智能与通用智能体

研究智能体在复杂环境中的感知、行动与反馈闭环，重点关注：

• 长时序决策与规划

• 环境建模与世界模型（World Model）

• 跨任务与跨场景泛化能力

多模态大模型

构建统一建模视觉、语言及多源信息的基础模型，重点研究：

• 跨模态对齐与推理机制

• 多模态生成与交互能力

• 模型规模扩展与能力涌现

类脑认知启发的多模态学习

借鉴人类认知机制，提升模型的学习效率与推理能力：

• 记忆机制与检索增强模型

• 结构化推理与组合泛化

• 多步推理与复杂任务分解

弱监督与小样本学习

降低对大规模标注数据的依赖，提升模型在开放环境中的适应能力：

• 自监督与弱监督学习

• 小样本与上下文学习（In-context Learning）

• 动态环境中的持续学习

科研项目

课题组承担多项国家级及国际科研项目，包括国家自然科学基金重点项目、科技部“2030新一代人工智能”重大专项，以及与国际一流机构（如CMU）开展的合作研究，围绕通用智能体、多模态大模型及高效智能系统开展系统性探索。

代表性成果

• 在IEEE TPAMI、IJCV等国际顶级期刊及NeurIPS、ICML、CVPR、ICCV等会议发表论文150余篇

• Google Scholar引用超过20,000次

• 21篇论文入选ESI高被引/热点论文

• 连续入选科睿唯安全球高被引科学家（2019–2025）

研究理念

我们强调：

• 问题驱动（Problem-driven），而非简单性能优化

• 通用性与可扩展性（Generality & Scalability），而非特定任务调优

• 原创性与深度（Originality & Depth），而非短期结果导向

目标是构建具有原则性与可持续发展的智能系统方法论。

开放问题（长期关注）

我们持续关注以下具有挑战性的研究问题：

• 面向开放环境的通用具身智能体

• 超越模式匹配的多模态推理能力

• 世界模型与环境理解机制

• 在有限监督下的可扩展学习

合作与交流

欢迎与国内外高校、科研机构及产业界开展合作，重点方向包括具身智能、多模态大模型与智能体系统等。