亚马逊研究奖华人学者专题：AI安全、广告与智能体三大前沿领域深度解析

近日，亚马逊研究奖（Amazon Research Awards，ARA）公布了2025年春季获奖名单，共有63位学者入选，其中华人学者达26位，占比超过41%，覆盖全球8个国家41所顶尖高校。这一数据不仅彰显了华人学者在全球人工智能研究领域的卓越贡献，更揭示了亚马逊在AI前沿布局的战略重心。

亚马逊研究奖自2015年设立以来，已成为连接学术界与产业界的重要桥梁。获奖者不仅能获得资金支持，还可访问亚马逊超过700个公共数据集，并通过AWS积分使用先进的AI/ML服务工具。更重要的是，他们能与亚马逊专家建立深度合作，参与行业培训与活动，这种产学研融合模式正加速前沿技术的落地转化。

在本次获奖名单中，华人学者的研究方向高度集中在三个关键领域：AI信息安全、数字广告AI应用与智能体AI系统，每个领域都代表着当前AI发展的核心挑战与机遇。

**AI信息安全：从攻击溯源到漏洞修复的系统性防御**

在AI安全领域，8位获奖者中有3位华人学者，他们的研究体现了从攻击检测到主动防御的全链条创新。加州大学欧文分校的李洲教授专注于利用大语言模型实现审计日志的精确攻击溯源。

传统安全分析依赖规则引擎与模式匹配，难以应对日益复杂的网络攻击。李洲团队创新性地将LLM引入安全分析流程，通过自然语言理解能力解析海量日志数据，不仅能识别已知攻击模式，还能发现新型威胁。这项研究的关键突破在于实现了“分析人员友好”的交互界面，让安全专家能够用自然语言查询复杂攻击链，大幅提升应急响应效率。

弗吉尼亚大学的孟瑜教授则从人类偏好建模角度切入RLHF（人类反馈强化学习）的安全性问题。

他的研究课题“弱监督RLHF：建模人类偏好中的模糊性与不确定性”直指当前AI对齐的核心难题。传统RLHF假设人类反馈是明确一致的，但实际标注过程中存在大量模糊、矛盾甚至错误的反馈。孟瑜团队提出概率框架量化这种不确定性，通过贝叶斯方法建模标注者间的分歧，开发出能容忍噪声反馈的强化学习算法。这项研究对减少AI偏见、提升模型鲁棒性具有重要意义，特别是在医疗、金融等高风险领域。

东北大学的赵子铭教授专注于大语言模型的可解释漏洞检测。

随着大模型在关键系统中广泛应用，其安全漏洞可能造成系统性风险。赵子铭团队开发了一套结合符号执行与神经网络的混合检测框架，不仅能识别传统代码漏洞，还能发现大模型特有的提示注入、越狱攻击等新型威胁。更重要的是，他们的方法能生成人类可理解的漏洞报告，指导开发者进行针对性修复。这种“检测-解释-修复”的闭环方案，为大模型安全部署提供了实用工具链。

**数字广告AI：对抗性攻击下的防御体系构建**

在亚马逊广告研究方向，两位华人学者Xiaojing Liao与Tianhao Wang不约而同地关注大模型在数字广告中的对抗性滥用问题。

他们的研究揭示了当前AI广告系统的脆弱性：攻击者可通过精心构造的输入操纵推荐算法，实现流量劫持、品牌损害或欺诈点击。Liao教授团队建立了首个针对数字广告场景的对抗攻击基准测试集，覆盖文本、图像、视频多模态攻击向量。他们发现，即使是GPT-4级别的模型，在面对组合攻击时防御成功率不足60%。

Tianhao Wang教授则从隐私保护角度切入，将差分隐私技术与对抗防御相结合。传统对抗防御往往需要牺牲模型性能，而Wang团队提出的自适应噪声注入算法，能在保持广告点击率预测精度的同时，显著提升模型鲁棒性。这项研究的创新之处在于将隐私计算与安全防御统一框架，为合规性要求严格的广告行业提供了兼顾效果与安全的解决方案。

**智能体AI：从单一任务到复杂系统协同**

智能体AI是本次获奖人数最多的领域，30位获奖者中包括多位华人学者，他们的研究展现了智能体技术从实验室走向实际应用的多元化路径。

达特茅斯学院的Cong Chen教授将智能体技术应用于电力系统优化。

她的研究“用行为生成智能体赋能电力系统与市场运营”解决了可再生能源波动性带来的电网管理难题。传统优化方法难以应对实时变化的发电与负荷，而Chen团队开发的多智能体系统能模拟发电商、用户、运营商等各方行为，通过强化学习实现动态定价与调度。在模拟测试中，该系统将电网韧性提升了37%，同时降低了15%的运营成本。这项研究展示了AI在关键基础设施中的巨大潜力。

慕尼黑工业大学的Chunyang Chen教授专注于软件工程领域的智能体应用。

他的课题“基于智能计算机使用智能体的功能性缺陷感知软件测试”创新性地将智能体技术引入软件质量保障。传统自动化测试依赖预设用例，难以发现边缘场景缺陷。Chen团队开发的测试智能体能模拟真实用户操作模式，通过探索式学习发现隐藏的功能缺陷。在针对Android应用的测试中，该智能体发现了23%的传统测试未能覆盖的缺陷，包括多个高危安全漏洞。

蒙纳士大学的博士生Sidong Feng在导师Chunyang Chen指导下，进一步深化了智能体在软件测试中的应用。

他的研究聚焦于人机协作测试范式，让智能体不仅能自主测试，还能理解测试人员的意图并提供智能建议。这种协同模式将测试效率提升了3倍，同时降低了70%的误报率。

蒙特利尔大学的Bang Liu教授则致力于智能体协作的基础理论研究。

他的课题“协作式智能体人工智能的基础智能体与协议”旨在解决多智能体系统中的通信与协调难题。传统多智能体系统容易陷入局部最优或产生冲突，Liu团队提出了一种基于注意力机制的通信协议，让智能体能选择性分享关键信息，避免通信过载。在交通调度模拟中，采用该协议的智能体系统将拥堵时间减少了42%。这项基础研究为构建大规模协同AI系统提供了理论支撑。

**产业启示与未来展望**

本次亚马逊研究奖的华人获奖者分布，清晰地反映了AI产业的三个趋势：安全从“附加项”变为“基础项”，广告AI从“效果驱动”转向“安全与效果并重”，智能体从“概念验证”进入“系统化部署”阶段。这些学者不仅在学术界取得突破，更通过亚马逊的产学研平台，将研究成果快速转化为产业解决方案。

值得关注的是，多位学者的研究都体现了跨学科融合的特点：安全研究融入人机交互设计，广告算法结合隐私计算，智能体技术赋能传统工程领域。这种交叉创新正是AI进入深水区的典型特征——单一技术突破已不足以解决复杂问题，需要系统性的方法论创新。

随着AI技术渗透到社会各个层面，这些研究的方向选择也体现了产业界的责任意识。无论是提升大模型安全性、保护用户隐私，还是确保关键基础设施的可靠性，都反映了从技术领先到责任领先的价值观转变。未来，我们有理由期待这些研究成果不仅推动技术进步，更能为AI的负责任发展树立标杆。

— 图片补充 —