招生说明
📢: 招收对人工智能、大模型感兴趣,有较好编程基础的学生,可通过邮箱guolz@nju.edu.cn联系我,请附上带普通生活照的个人简历、成绩单。
如果你是南大本科生,想提前加入课题组从事科研工作,可通过邮件与我联系或与我约时间到办公室交流。
1. 我是谁?
我是南京大学智能科学与技术学院助理教授,博士生导师,也是周志华教授领导的机器学习与数据挖掘研究所(LAMDA)的一员。2. 做什么?
我的主要研究方向是人工智能/机器学习中的算法、模型、应用,致力于做有源头创新的科学研究、有趣有用的创新应用。目前主要关注:如何提升大模型的推理与规划能力(LLM Reasoning and Planning),包括大语言模型、多模态大模型等,通常是基于神经符号(Neuro-Symbolic Learning)的方式。
- What is Reasoning and Planning?
- 推理(Reasoning):是人类或智能系统基于已知信息(前提),通过逻辑规则或经验法则,得出新的结论或进行逻辑判断的认知过程。通常包括:演绎推理(deductive learning)、 归纳推理(inductive learning)、反绎推理(abductive learning)。
- 规划(Planning):是指在给定目标和环境约束下,制定一系列合理的步骤或行动,以实现目标的过程。通常可以建模成MDP(Markov Decision Process)的形式, 包含状态空间S、动作空间A、初始状态S_0,目标状态S_G,以及转移模型T。
- 常见的推理与规划任务包括但不限于:数学推理、定理证明、逻辑推理、代码生成、多模态推理、具身智能、Agent等。
- What is Neuro-Symbolic Learning?
- 神经符号学习(Neuro-Symbolic Learning):人工智能的发展经历了搜索/逻辑推理/知识/规则驱动的符号主义人工智能、数据驱动的机器学习/深度学习/大模型两个重要阶段,符号主义人工智能具有较好的可信可靠性,但是难以利用海量数据,存在扩展性不足、 泛化性不足等问题,机器学习模型善于从大量数据中学习,但存在模型黑盒、可靠性不足、可解释性不足等问题。Neuro-Symbolic AI试图融合符号推理与机器学习,以数据知识双驱动的方式提升人工智能系统的能力,被认为是迈向第三代人工智能的重要途径。
- 代表性的方法包括:
- Neuro Helps Symbolic:利用机器学习善于从大量数据中学习的能力,解决符号系统效率不足、扩展性不足等问题,例如,AlphaGo,通过机器学习训练策略网络与价值网络,并基于此加速蒙特卡洛树搜索。
- Symbolic Helps Neuro:利用符号系统正确性、可靠性、可解释性高的优势,缓解神经网络可解释性不足、可靠性不足的缺点,例如,将逻辑规则约束作为神经网络优化的正则项等。
- Hybrid Neuro-Symbolic Architecture: 尝试将符号系统与神经网络建模成一个混合的优化框架,使两者能够在同一个框架内协同发挥优势,例如DeepProlog、Abductive Learning等方法。
- 更多神经符号学习相关的工作可见我们的Github库:Awesome-Neuro-Symbolic-Learning-with-LLM。

3. 为什么做?
实现具有强大推理与规划能力的智能系统自人工智能诞生以来就一直是人工智能的重要目标。在人工智能的早期发展过程中,符号主义人工智能通过利用逻辑推理、知识规则等,构建了具有一定推理能力的AI系统,但面临可扩展性、动态适应性等关键挑战,随着机器学习和深度神经网络的兴起,AI模型具有了强大的感知能力,近年来,随着LLM的成功,展现了LLM可以具备初步的推理能力,OpenAI O1、DeepSeek-R1等一系列推理模型的发布, 标志着探索AI模型推理与规划能力的提升,受到了学术界和工业界的高度重视。构建具有强大推理与规划能力的模型,被认为是实现通用人工智能(AGI)的重要里程碑。 但是这其中仍然存在着许多关键的科学问题,简单举几个例子:- 如何提升AI模型在涉及更多模态任务的认知、推理与决策能力?
- 如何让模型具有从物理世界中交互学习的能力?
- 如何实现神经网络与符号推理的高效融合?
- 如何利用大量专家模型、专业工具提升AI系统解决更广泛任务的能力?
- 如何理论界定AI模型的推理能力边界?
- 如何提升大模型推理效率,避免过度思考?
- ...
这是一个热门行业,从国家、政府、到社会各界广泛关注,往大了说,人工智能正在促进人类社会的变革,探索AGI是一个宏伟的目标,往小了说,可以为你谋得一份不错的工作(你可以看到,目前几乎各大互联网大厂的算法岗都有在做与大模型推理/规划相关的方向,就业去向: 互联网大厂算法岗、金融量化岗等,薪资丰厚)。
4. 培养方式
- 课题组充分尊重学生的研究兴趣,引导、支持学生积极探索新的领域和思路
- 老师不懂的方向怎么办?
- 一方面,我本人处于科研一线,会积极努力地去扩展新方向,另一方面,会积极为学生提供相关资源,例如去国内外其他课题组交流访问、去有相关任务场景的业界实习等
- 是否允许实习?
- 允许并且会为学生推荐相关实习,我们的研究方向与很多企业的研究部门都比较一致,因此会推荐学生到相关的部门去实习(蹭卡😀),借助企业的算力资源和真实场景反哺科研,实现三赢
- 倡导高质量的科学研究,但也尊重多元化发展,例如做落地应用创造经济效益、做开源项目贡献学术社区等
- 希望课题组每一位学生毕业的时候都能觉得有收获😊
- 提供包括科研方向、科研思路、实验设计、论文写作、成果汇报等多方面的指导
- 多方位、全流程、全方面,从基础知识到独立分析解决问题的能力到成果的撰写与汇报
- 希望每个人都能得到完整的科研训练,不会把学生当工具人
- 每周组会前沿论文分享、不定期热点话题研讨
- 每周组会由同学挑选顶会顶刊论文进行讲解,大家对论文进行讨论与交流
- 相似方向的同学,定期组织论文交流会,互相分享和讨论最近阅读的文章
- 不定期组织对学术前沿热门话题进行tutorial分享,扩展视野,发现新问题
- 每周师生一对一交流(至少一次),及时响应学生遇到的障碍
- 针对具体的研究问题、研究思路、当前进展与面临的问题进行深入讨论
- 积极支持学生参加国内外学术会议、交流等
- 公费资助
- 丰富多彩的团建活动,打造积极活跃的科研氛围与和谐融洽的人际关系
- 轰趴、聚餐、KTV、棋牌桌游、户外活动等等
- 科研道路上,难免遇到各种压力和困难,课题组不会放弃每一个学生,始终与学生站在一起,克服困难,共同成长
5. 招生要求
- 就读于计算机、人工智能、统计、数学等相关专业
- 对科研有足够的热情,有好奇心和自驱力
- 具有良好的数学功底或编程能力
- 具有良好的英语阅读与写作能力
- 具有良好的沟通协作能力,工作积极主动,能够与团队较好的配合
- 满足以下条件者将优先考虑:
- 有过人工智能、机器学习科研/竞赛经历
- 发表过人工智能、机器学习相关学术论文
- 熟练掌握pytorch等机器学习框架,有较强的代码复现能力
- 在神经符号学习方面有一定研究基础
- 完成过LLM相关的项目实践