在时隔14年之后，有着“统计学诺贝尔奖”之称的考普斯奖（COPSS Presidents’ Award），又一次迎来了华人得主。
2026年考普斯奖颁给了北大校友、现宾夕法尼亚大学副教授苏炜杰。
奖项委员会给他的评语是：“为大语言模型的多项应用建立了严格的统计基础；在隐私保护数据分析方面取得突破性进展，并成功应用于2020年美国人口普查；设计了AI顶级会议的同行评审机制，并于ICML 2026正式落地；在凸优化领域开展了奠基性研究；以及在深度学习的数学理论与高维统计推断方面作出了广泛而深远的贡献。”
作为国际统计学和数据科学领域的最高荣誉，考普斯奖的地位相当于数学界的菲尔兹奖，每年只颁发给一位年龄在40岁以下的统计学家。该奖项由五大顶级统计学会（国际数理统计学会IMS、美国统计学会ASA、加拿大统计学会SSC及美国东西部生物统计学会ENAR与WNAR）共同评选，旨在表彰对统计学理论、方法或应用做出杰出贡献的学者。
在历史上，考普斯奖的获得者几乎都是后来定义了该领域的宗师级人物。统计学是华人的优势学科，曾有多位华人获得考普斯奖，包括近期回国的美国国家科学院院士、哈佛统计教授刘军（现清华大学统计与数据科学系创系主任）；哈佛大学文理研究生院院长孟晓犁；宾夕法尼亚大学沃顿商学院前副院长蔡天文；哈佛大学统计系终身教授寇星昌等人。不过，最近14年来没有华人获得过该奖，苏炜杰是14年来的第一位华人得主。
苏炜杰
苏炜杰现任教于宾夕法尼亚大学沃顿商学院统计与数据科学系，同时在数学系、计算机系担任兼职，是宾大机器学习研究中心联合主任。
2016年，苏炜杰从斯坦福大学博士毕业后，未经博士后阶段便直接加入这所常青藤名校。在人才培养方面，他已指导多名学生走上学术道路，目前分别任教于北京大学、清华大学、厦门大学等国内一流高校。
在学术荣誉方面，苏炜杰此前已获得多项重量级奖项与认可，包括首届斯坦福大学Anderson博士论文奖、美国NSF CAREER奖、斯隆研究奖、国际数理统计学会Peter Hall早期职业奖、首届SIAM数据科学青年奖、国际基础科学大会ICBS数学前沿论文奖、国际数理统计学会会士及Medallion讲座、中国数学发展述评暨中青年学术研讨会杰出青年奖。
从高中到本科，一路开挂
苏炜杰的学术轨迹，早在中学阶段便已显露锋芒。高一时，他代表浙江省参加中国数学奥林匹克竞赛并获得银牌，随即被保送进入清华大学数理基科班，成为余姚中学建校以来首位获得该资格的学生，这一经历在浙江宁波地区引发广泛关注。高三阶段，苏炜杰在中国数学奥林匹克竞赛中获得金牌，并由此保送进入北京大学数学科学学院，同时入选中国IMO国家集训队。
2007年至2011年，苏炜杰就读于北京大学数学科学学院基础数学专业，以年级第一的成绩毕业。其同级同学中，包括王虹、邓煜、唐云清等后来在国际数学界崭露头角的青年学者。该年级也被国内数学爱好者称为北大数院的黄金二代或白金一代。与部分同学继续深耕纯数学不同，苏炜杰选择了应用数学与统计方向，并在随后获统计与数据科学的最高荣誉，被认为在应用数学方向补齐了这一代数学人才的版图。
本科期间，他获得首届丘成桐大学生数学竞赛全能金奖，除纯数学基础外，苏炜杰在应用数学领域的潜力亦较早显现。本科阶段，他曾多次在数学建模竞赛中获奖。2010年，他与同学组队参加美国大学生数学建模竞赛（MCM/ICM），获得中国大陆赛区第一名。
苏炜杰在斯坦福的科研突破
2011年至2016年，苏炜杰在斯坦福大学攻读博士学位，期间获得斯坦福大学最高级别奖学金。同时，他亦收到了来自哈佛大学、麻省理工学院、普林斯顿大学等多所世界顶尖高校的博士录取通知。
博士期间，苏炜杰师从美国国家科学院院士、Waterman奖获得者、麦克阿瑟天才奖得主Emmanuel Candes（他与Terence Tao共同开创压缩感知领域）。博士初期研究压缩感知（compressed sensing）。在深度学习兴起之前，2010年代初压缩感知是机器学习和应用数学最热门的研究方向。
在斯坦福期间，苏炜杰还与优化领域国际知名学者Stephen Boyd展开合作，并曾在微软研究院硅谷分院实习，师从美国两院院士、Gödel奖和Dijkstra奖获得者Cynthia Dwork。
博士毕业时，苏炜杰凭借其博士论文获得斯坦福统计系最高论文奖Anderson毕业论文奖。2016年博士毕业后，苏炜杰未经过博士后阶段，即直接受聘于宾夕法尼亚大学沃顿商学院执教，成为少数在博士毕业当年即进入常青藤名校任教的青年学者之一。
学术成就
苏炜杰的研究以严谨的数学推导为基石，通过构建原创性的理论框架研究深度学习泛化性、大模型可信对齐、隐私保护计算以及学术评审机制设计等一系列前沿难题。
人工智能领域的数学领军人物
苏炜杰是极少数数学出身却深度活跃于人工智能前沿的学者。2026年，他受邀担任国际顶级AI会议ICML的学术诚信主席（Scientific Integrity Chair），主导制定了AI时代的会议审稿政策，总揽超过24,000篇论文的审稿进程，彰显其在国际AI学术界的核心影响力。
大模型的统计与优化理论基础
大模型的可信部署是当前人工智能的核心挑战，涉及生成内容的可追溯性与人类偏好对齐。苏炜杰团队系统性地将这一类关键问题形式化为严谨的统计框架，发展出最优的水印检测假设检验方法，并提出了首个能完全保证人类偏好对齐的无偏正则化方案。他独作讨论大模型的统计基础的论文在X上引发广泛讨论；近期提出的矩阵结构优化器分析框架同样在学术社区引起热烈关注。
论文地址：https://arxiv.org/pdf/2505.19145
论文地址：https://arxiv.org/pdf/2511.00674
隐私保护机器学习的理论突破
随着深度学习对敏感数据的依赖日益加深，如何在保护隐私的同时维持模型性能已成为核心难题。苏炜杰与其学生提出的高斯差分隐私（GDP）框架能够精确刻画每次迭代的隐私损耗，并实现了隐私保护与模型准确率的最优平衡。该框架的里程碑式应用是2020年美国人口普查——迄今全球规模最大的差分隐私实践。研究表明，在相同隐私保护水平下，噪声方差可降低约15%，显著提升人口普查数据在经济学与社会学研究中的应用价值。该成果发表于《美国国家科学院院刊》（PNAS）。
地址：https://www.pnas.org/doi/abs/10.1073/pnas.2500337122
AI学术评审的机制设计
面对AI顶会投稿量激增与审稿质量下滑的双重困境，苏炜杰提出的保序机制开创了“作者参与评审”的全新范式。该机制要求作者对自己的多篇投稿进行质量排序，并在博弈论框架下严格证明了其激励相容性，即如实汇报排序是作者的最优策略。这一设计将原本对立的作者与审稿人转化为信息互补的合作方，该机制已于2026年正式在ICML投入使用。
论文地址：https://arxiv.org/pdf/2110.14802
凸优化加速算法的理论奠基
苏炜杰在最优化理论上的开创性工作，将离散的凸优化加速算法纳入连续微分方程的分析框架，系统性地在数值分析与最优化这两大领域之间建立了深刻的数学联系。这一成果已成为应用数学界的教科书级经典。在2018年国际数学家大会上，机器学习泰斗Michael Jordan在其一小时大会报告中对此作了重点介绍。值得注意的是，OpenAI研究员Ernest Ryu近期的突破性AI for Math成果正是基于苏炜杰的优化分析框架。
深度学习理论的数学解释
深度神经网络的优良泛化性能长期缺乏严格的理论解释，其高度非凸、非光滑的特性使得数学分析极为困难。苏炜杰团队提出的层间剥离模型另辟蹊径，将网络部分层视为整体并聚焦于特征与参数的相互作用，不仅为“神经坍缩”现象提供了严格的数学证明，更从纯理论分析中预测出全新的“非均衡坍缩”现象，即在样本不平衡时，少数类特征会被挤压聚拢。这是深度学习领域极为罕见的理论驱动型发现，相关成果有两篇发表于《美国国家科学院院刊》。
论文地址：https://www.pnas.org/doi/10.1073/pnas.2103091118
论文地址：https://www.pnas.org/doi/10.1073/pnas.2221704120
参考链接：https://community.amstat.org/copss/awards/presidents
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/20687
