谷歌2026博士奖学金：148人分享1300万美元，华人学者近40位

1300万美元投向下一代科学家

11月12日，谷歌公布了2026年度博士奖学金（Google PhD Fellowship）名单。来自全球38个国家和地区的148位新晋博士研究者将分享这笔总额1300万美元的资金。

名单里华人学者相当密集。今年入选的华人背景研究者有近40位，占到总人数的四分之一以上，大多就读于北美、欧洲及亚洲的顶尖学府，研究方向从底层系统安全一直延伸到上层的生成式AI。

这项奖学金始于2009年，十五年来累计资助过的研究生超过1100名。过往获奖者中，不少人后来做了高校的终身教授、科技公司的核心研究员，也有人成为开源社区的活跃贡献者。对在读博士生来说，拿到这笔钱不只是资金支持，更代表研究课题得到了工业界头部机构的认可。

今年入选者的研究焦点，很大一部分落在当下最热的大语言模型（LLM）、生成式AI以及AI安全性上；同时也有相当一部分人坚守操作系统、编译器、量子计算这类“硬核”基础领域。下面按研究领域梳理部分有代表性的华人获奖者及其工作方向。

机器学习与基础理论：从Scaling Laws到因果推断

机器学习还是竞争最激烈的赛道，今年的入选者在模型效率、理论基础以及新兴的因果AI方向上都有深入探索。

Chen-Hao Chao（多伦多大学）师从Rahul G. Krishnan教授，同时在Vector Institute进行研究，工作聚焦生成式AI的核心机制，尤其是扩散语言模型和Scaling Laws（缩放定律）。大模型参数量不断膨胀，规模究竟如何影响性能，成了关键议题。

Dong-Dong Wu（东京大学）在Masashi Sugiyama教授指导下，关注弱监督学习和LLM的后训练阶段。他把AI安全也纳入了研究视野，想在提升模型能力的同时处理潜在的风险问题。

Virginia (Ginnie) Ma（斯坦福大学）从统计学角度切入AI。她师从著名统计学家Emmanuel Candès，研究AI辅助下的统计推断，以及合成数据对传统统计方法的影响。数据越来越稀缺、越来越贵的今天，搞清楚合成数据的偏差很要紧。

Jiajun He（何佳峻）（剑桥大学）本科在清华读生物科学，硕士在哥本哈根大学读生物信息，跨学科的背景让他在概率推断和数据压缩上有不一样的视角。他目前专注生成式模型中的随机采样技术。

Jiale Chen（奥地利ISTA）在Dan Alistarh领导的深度算法与系统实验室工作，目标很务实：把大语言模型的运行成本降下来。他通过模型压缩和高效算法，力求在保持精度的前提下减少内存占用和计算资源消耗。

Xin Liu（阿德莱德大学）研究的是颇有前瞻性的因果人工智能（Causal AI）。当下深度学习多建立在相关性之上，因果推断则要让模型弄明白“为什么”。他探索如何借助基础模型做因果效应估计，这对提升AI的可信度和科学发现能力意义不小。

Ziheng Chen 的路线数学味道更浓，他同时在意大利特伦托大学和德国 MPI-IS 开展研究，由 Nicu Sebe 与 Bernhard Schölkopf 两位学者指导，主攻黎曼流形上的深度学习。几何深度学习想的是把数据的几何结构塞进神经网络，面对非欧几里得数据时，这种做法常常更管用。南洋理工大学的 Zixuan Hu 则跟着 Tao Dacheng 教授，盯的是基础模型的推理能力与安全性；数据无关元学习、知识蒸馏都是他的研究内容，目标是在数据更少的情况下，模型照样能有不错的泛化表现。

名单里还有一长串名字：新加坡国立大学的 Jinheng Xie、京都大学的 Rui-Yang Ju、KAUST 的 Wenyi Wang、新南威尔士大学的 Xin Xie、牛津大学的 Yiyuan Yang、普林斯顿大学的 Zhiting Mei，以及新加坡管理大学的 Zichen Tian。他们各自在多模态理解、历史文献处理、递归自我改进、视频生成、时空数据挖掘、具身智能、少样本学习等方向上都做了扎实的工作。

机器感知：让AI看懂三维世界与人

大模型好比大脑，机器感知则相当于眼睛和耳朵。这一方向的入选者，关心的正是怎么让 AI 把视觉、音频和三维空间理解得更好。

Chaoyue Song（宋超越）和 Peiqing Yang 都在新加坡南洋理工大学就读。宋超越做的是 3D/4D 内容生成，想让 AI 生成的动态场景里，物体之间的交互真实可信；裴庆阳把注意力放在以人为中心的视觉内容生成上，人物外观怎么控制、行为怎么控制，生成内容的安全性又该怎么评估，都在他的研究范围内。

密歇根大学安娜堡分校的 Xiaohao Xu 更靠近机器人方向。鲁棒感知和 SLAM（同步定位与地图构建）是他的研究重点，机器人要自主导航，这两项是底子。他还在琢磨空间基础模型，希望机器人理解周围空间结构的方式能接近人。

Xu Cao 来自伊利诺伊大学厄巴纳-香槟分校（UIUC），研究带着明显的社会属性。他做的是社会具身智能，想让 AI 系统不光认得出物体，还能读懂人的行为和社交线索，从而更顺畅地与人打交道。

台湾大学的 Xuanjun Chen 专攻语音与音频。大语言模型火起来之后，他把研究放到智能体语言模型和 AI 生成语音的检测上。深度伪造技术越来越常见，怎么分辨声音的真假，已经成了绕不开的安全问题。

牛津大学的 Yuanze Lin 由 Ronald Clark 和 Philip Torr 指导，研究多模态大语言模型与 3D 空间智能怎么结合。他的工作指向一个目标：让模型对图像、视频和三维空间的的理解与推理更全面。

人机交互：技术如何服务于人

人机交互（HCI）方向的入选者，让人看到技术温情的那一面。他们追求的已经不只是指标上涨，而是技术怎样融进日常生活，尤其是怎样帮到弱势群体。

Chenfeng (Jesse) Gao 在西北大学，本科念的是中国人民大学。他做的是空间AI和可穿戴感知，眼下在琢磨情境感知的AR技术，也做创意支持工具，目标就一个：让数字世界跟人打交道时更自然。

Kellie Yu Hui Sim（沈于惠）来自新加坡科技设计大学，她盯的是敏感照护场景里的人机交互。AI怎么做到既尊重用户自主权、又不越界，还能给出反思和支持、照顾到不同价值观？她正在研究这个问题。放到老龄化社会的护理场景里，这类工作的分量不轻。

Ran Zhou（周然）与Ada Yi Zhao（赵艺）都在做触觉和物理空间的交互，前者在瑞典皇家理工学院，后者在科罗拉多大学博尔德分校。周然的方向是表达性触觉和形变界面。赵艺走的是另一条路，把智能反馈塞进真实空间，靠AR和视觉大模型给物理任务做引导。

Yichun Zhao（维多利亚大学）和Yihao Dong（悉尼大学）则把研究对准了视障人群。Yichun Zhao在做系统，帮盲人获取信息、编辑信息；Yihao Dong开发的是可穿戴触觉界面，让视障人士通过触觉摸出周围空间的形状和布局。

系统、安全与前沿计算：基础领域的坚守

聚光灯之外，还有一批学者在做计算机科学最底层的“基建”。系统和安全如果没有高效、可靠的保障，上层的AI应用根本无从谈起。

高睿泉（Ruiquan Gao）来自斯坦福大学，是清华大学姚班毕业生，眼下研究理论计算机科学，重点是近似算法和TFNP（全函数NP）问题。这类基础研究看着抽象，却是算法效率提升的理论源头。

UIUC的Jiaxin Wan和加州大学伯克利分校的Ziming Mao都把目光放在系统与基础设施上。前者研究大模型的软硬件协同设计与加速；后者在Ion Stoica和Scott Shenker两位系统界泰斗指导下，钻研分布式系统和AI基础设施。AI算力需求正在爆炸式增长，怎么搭出高效、稳定的底层系统，成了行业的瓶颈。

苏黎世联邦理工学院的Hao Sun和普渡大学的万俊鹏（Junpeng Wan）深耕系统安全。Hao Sun盯的是操作系统内核的正确性，用模糊测试和符号执行找漏洞；万俊鹏聚焦GPU安全，研究Rowhammer和侧信道攻击。眼下AI算力高度依赖GPU，硬件层面的安全性不容忽视。

帝国理工学院的Joshua Ong（Jun Leang）和加州大学河滨分校的Haonan Li都与大模型紧密相关，侧重却不同。Joshua Ong关注大模型的定理证明和数学推理，探索可验证的合成数据；Haonan Li则站在程序分析和系统安全的角度，审视大模型带来的新风险。

UCLA的Ying Li研究自主AI智能体的安全与可信性，关注隐私边界和人类监督。Agent正逐渐具备独立行动能力，怎么确保其行为符合人类意图，仍是一个开放难题。

耶鲁大学的Zeyu (Thomas) Liu关注隐私计算和后量子密码学。量子计算突破在即，传统加密体系面临威胁，他的研究是在为未来的数据安全提前布局。

宾夕法尼亚大学的Junyu Zhou和台湾大学的Liang-Chi Chen分别聚焦量子计算和嵌入式系统。Junyu Zhou在Penn Quantum System Lab研究量子计算的软件栈；Liang-Chi Chen关注嵌入式系统中的内存与存储优化，这是物联网设备高效运行的关键。

张笑铭（Xiaoming Zhang）和谭星雨（Xingyu Tan）的研究横跨医学与软件工程。张笑铭用AI做医学影像分析，辅助临床诊断；谭星雨在数据与软件系统的交叉领域，探索知识驱动的系统优化。

结语

从这份名单还能看出当下计算机科研的几处走向：大模型以及由它衍生出的多模态、Agent、安全等技术，已经占了绝对上风；生物学、统计学、心理学等领域的知识正改写着CS的研究范式，跨学科结合越扎越深；基础系统与安全方向也没有被冷落，AI算力需求和安全需求一起猛涨，反倒让它们重新受到重视。

对这148位年轻学者来说，奖学金只是一个起点。未来几年，他们的研究成果可能变成新的算法、系统，甚至是改变行业格局的产品。对整个社区而言，关注这些早期研究者的工作，或许能让人更早窥见技术的下一个转折点。