谷歌2026博士奖学金名单公布，近40位华人学者入选
1300万美元投向下一代科学家
11月12日，谷歌正式揭晓了2026年度的博士奖学金（Google PhD Fellowship）名单。这笔总额1300万美元的资金，将分发给来自全球38个国家和地区的148位新晋博士研究者。
在这份名单中，华人学者的身影格外密集。据统计，今年有近40位华人背景的研究者入选，占总人数的四分之一以上。他们大多就读于北美、欧洲及亚洲的顶尖学府，研究方向覆盖了从底层系统安全到上层生成式AI的广泛领域。
谷歌设立该奖学金的历史可以追溯到2009年。十五年来，这个计划已经累计资助了1100多名研究生。回顾过往，许多获奖者后来成为了高校的终身教授、科技公司的核心研究员，或是开源社区的活跃贡献者。对于在读博士生而言，这不仅是一笔资金支持，更意味着其研究课题获得了工业界头部机构的认可。
今年的入选者中，不少人的研究焦点集中在当下最热门的大语言模型（LLM）、生成式AI以及AI安全性上。与此同时，也有相当一部分学者坚守在操作系统、编译器、量子计算等“硬核”基础领域。以下按研究领域梳理部分具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
机器学习依然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。他的工作聚焦于生成式AI的核心机制，特别是扩散语言模型以及Scaling Laws（缩放定律）。随着大模型参数量的不断膨胀，理解规模如何影响性能成为关键议题。
Dong-Dong Wu（东京大学）在Masashi Sugiyama教授的指导下，关注弱监督学习和LLM的后训练阶段。值得注意的是，他将AI安全纳入研究视野，试图在提升模型能力的同时解决潜在的风险问题。
Virginia (Ginnie) Ma（斯坦福大学）则从统计学的角度切入AI。师从著名统计学家Emmanuel Candès，她研究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。在数据日益稀缺或昂贵的今天，理解合成数据的偏差至关重要。
Jiajun He（何佳峻）（剑桥大学）拥有清华生物科学本科和哥本哈根大学生物信息硕士的背景，这种跨学科经历使他在概率推断和数据压缩方面有着独特的视角。他目前专注于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。他的目标很务实：降低大语言模型的运行成本。通过模型压缩和高效算法，他致力于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）的研究方向颇具前瞻性——因果人工智能（Causal AI）。目前的深度学习多基于相关性，而因果推断旨在让模型理解“为什么”。他探索如何利用基础模型进行因果效应估计，这对于提升AI的可信度和科学发现能力具有重要意义。
Ziheng Chen（意大利特伦托大学/德国MPI-IS）走了一条数学味更浓的路径。他在Nicu Sebe和Bernhard Schölkopf两位大佬的指导下，研究黎曼流形上的深度学习。几何深度学习试图将数据的几何结构融入神经网络，这在处理非欧几里得数据时往往更有效。
Zixuan Hu（南洋理工大学）师从Tao Dacheng教授，关注基础模型的推理能力与安全性。她的研究涉及数据无关元学习和知识蒸馏，旨在让模型在更少数据的情况下也能具备良好的泛化能力。
此外，Jinheng Xie（新加坡国立大学）、Rui-Yang Ju（京都大学）、Wenyi Wang（KAUST）、Xin Xie（新南威尔士大学）、Yiyuan Yang（牛津大学）、Zhiting Mei（普林斯顿大学）和Zichen Tian（新加坡管理大学）也在多模态理解、历史文献处理、递归自我改进、视频生成、时空数据挖掘、具身智能以及少样本学习等领域做出了扎实的工作。
机器感知：让AI看懂三维世界与人
如果说大模型是大脑，那么机器感知就是眼睛和耳朵。这一领域的入选者主要关注如何让AI更好地理解视觉、音频以及三维空间。
Chaoyue Song（宋超越）和Peiqing Yang均就读于新加坡南洋理工大学。宋超越关注3D/4D内容生成，试图让AI生成的动态场景具备真实的物体交互能力；裴庆阳则聚焦于以人为中心的视觉内容生成，包括人物外观、行为的控制以及生成内容的安全性评估。
Xiaohao Xu（密歇根大学安娜堡分校）的研究更偏向机器人领域。他关注鲁棒感知和SLAM（同步定位与地图构建），这是机器人实现自主导航的基础。他还在探索空间基础模型，试图让机器人像人一样理解周围的空间结构。
Xu Cao（伊利诺伊大学厄巴纳-香槟分校，UIUC）的研究带有强烈的社会属性。他探索社会具身智能，希望AI系统不仅能识别物体，还能理解人类的行为、社交线索，从而更好地与人交互。
Xuanjun Chen（台湾大学）专注于语音与音频。在大语言模型爆发的背景下，他研究智能体语言模型以及AI生成语音的检测。随着深度伪造技术的普及，如何鉴别真假声音已成为紧迫的安全议题。
Yuanze Lin（牛津大学）在Ronald Clark和Philip Torr的指导下，研究多模态大语言模型与3D空间智能的结合。他的工作旨在提升模型对图像、视频以及三维空间的综合理解与推理能力。
人机交互：技术如何服务于人
人机交互（HCI）领域的入选者展示了技术温情的一面。他们的研究不再仅仅追求指标的提升，而是关注技术如何融入生活，特别是如何帮助弱势群体。
Chenfeng (Jesse) Gao（西北大学）本科毕业于中国人民大学，目前研究空间AI和可穿戴感知。他探索情境感知的AR技术和创意支持工具，试图让人与数字世界的交互更加自然。
Kellie Yu Hui Sim（沈于惠）（新加坡科技设计大学）关注敏感照护场景中的人机交互。她研究AI如何在不侵犯用户自主权的前提下，提供反思和支持，尊重不同的价值观。这在老龄化社会的护理应用中极具价值。
Ran Zhou（周然）（瑞典皇家理工学院）和Ada Yi Zhao（赵艺）（科罗拉多大学博尔德分校）都关注触觉与物理空间的交互。周然研究表达性触觉和形变界面；赵艺则尝试将智能反馈嵌入真实空间，利用AR和视觉大模型为物理任务提供引导。
Yichun Zhao（维多利亚大学）和Yihao Dong（悉尼大学）的研究直接面向视障人士。Yichun Zhao设计帮助盲人获取和编辑信息的系统；Yihao Dong开发可穿戴触觉界面，帮助视障人士通过触觉感知周围空间的形状与布局。这些工作体现了技术向善的力量。
系统、安全与前沿计算：基石领域的坚守
在聚光灯之外，还有一群学者在从事着计算机科学最基础的“基建”工作。没有高效的系统和可靠的安全保障，上层的AI应用无从谈起。
Ruiquan Gao（高睿泉）（斯坦福大学）是清华大学姚班的毕业生，目前研究理论计算机科学，特别是近似算法与TFNP（全函数NP）问题。这类基础研究虽然抽象，却是算法效率提升的理论源头。
Jiaxin Wan（UIUC）和Ziming Mao（加州大学伯克利分校）关注系统与基础设施。Jiaxin Wan研究大模型的软硬件协同设计与加速；Ziming Mao在Ion Stoica和Scott Shenker两位系统界泰斗的指导下，研究分布式系统和AI基础设施。随着AI算力需求的爆炸式增长，如何构建高效、稳定的底层系统成为行业瓶颈。
Hao Sun（苏黎世联邦理工学院）和Junpeng Wan（万俊鹏）（普渡大学）深耕系统安全。Hao Sun关注操作系统内核的正确性，利用模糊测试和符号执行发现漏洞；Junpeng Wan则聚焦GPU安全，研究Rowhammer和侧信道攻击。在AI算力高度依赖GPU的今天，硬件层面的安全性不容忽视。
Joshua Ong（Jun Leang）（帝国理工学院）和Haonan Li（加州大学河滨分校）的研究与大模型紧密相关，但侧重不同。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则从程序分析和系统安全的角度，审视大模型引入的新风险。
Ying Li（UCLA）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。随着Agent逐渐具备独立行动能力，如何确保其行为符合人类意图是一个开放难题。
Zeyu (Thomas) Liu（耶鲁大学）关注隐私计算和后量子密码学。在量子计算即将突破的背景下，传统的加密体系面临威胁，他的研究为未来的数据安全提前布局。
Junyu Zhou（宾夕法尼亚大学）和Liang-Chi Chen（台湾大学）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则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。
**Xiaoming Zhang（张笑铭）和Xingyu Tan（谭星雨）**的研究则横跨医学与软件工程。Xiaoming Zhang利用AI进行医学影像分析，辅助临床诊断；Xingyu Tan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
这份名单折射出当前计算机科学研究的几个趋势：一是大模型及其衍生技术（如多模态、Agent、安全）占据了绝对主导地位；二是跨学科融合日益加深，生物学、统计学、心理学等领域的知识正在重塑CS的研究范式；三是基础系统与安全问题并未被忽视，反而因AI算力和安全需求的激增而重新获得重视。
对于这148位年轻学者而言，奖学金只是一个起点。在未来几年里，他们的研究成果可能会转化为新的算法、系统，甚至是改变行业格局的产品。而对于整个社区来说，关注这些早期研究者的工作，或许能让我们更早地窥见技术的下一个转折点。