清华大学刘菁菁万国数据教授

报告生成时间：2026年8月20日
个人主页：刘菁菁
所属团队：清华大学智能产业研究院（AIR，Institute for AI Industry Research）

一、学者基本信息

项目	信息
姓名	刘菁菁（Jingjing Liu）
当前职务	清华大学智能产业研究院首席研究员、万国数据教授、博士生导师
研究方向	多模态与推理大语言模型、AI for Science、强化学习
教育背景	MIT EECS 计算机科学博士；英国剑桥大学 Judge 商学院 MBA
学术产出	官方主页列示：顶级期刊与会议论文 120 余篇、引用 23,000 余次
代表性技术	UNITER、HERO、Emu/Emu2、DAPO 等多模态或推理模型及训练体系
主要职业节点	MIT CSAIL 研究科学家；Microsoft Research / Microsoft 资深首席研究部门主管；2021 年加入清华 AIR
公开联系	liujingjing@air.tsinghua.edu.cn

刘菁菁教授的关系网络以“基础模型研究—产业级研发—面向真实问题的跨学科应用”为主轴。其学术身份横跨 MIT 的计算机科研训练、微软研究院的大规模模型研发与清华 AIR 的博士培养平台；因而网络中同时存在长期论文合作者、共同指导的青年研究人员、产业研究机构以及面向 AI for Science 的跨学科伙伴。下文的“学生/青年研究者”认定严格区分了公开明确导师关系与论文协作关系：仅禹棋赢有 AIR 官方页面明确标注为其博士生；其余列为在其研究组成果中持续以第一作者或骨干作者出现的青年研究者，不将其无依据地表述为独立、唯一导师关系。

二、教育背景与职业履历

刘菁菁教授获得麻省理工学院电子工程与计算机科学系（MIT EECS）计算机科学博士学位。公开可得的 AIR 官方履历确认其博士院系，但未披露博士导师姓名；因此，不能仅依据共同发表论文或 CSAIL 任职经历推定其博士导师。博士阶段之后，她继续在 MIT 计算机科学与人工智能实验室（CSAIL）担任研究科学家，研究重点为语音对话系统。这一阶段为其后续从语言交互走向视觉—语言融合、再走向大模型与智能体提供了研究连续性。

她还获得英国剑桥大学 Judge 商学院 MBA 学位。英国文化协会的校友介绍指出，MBA 课程中的 ESG 议题促使其进一步关注环境、伦理、净零与医疗健康等现实问题；这一经历与其当前 AI for Science 的问题导向形成互补，而非仅是职业管理训练的附加标签。

2014 年，刘菁菁加入 Microsoft Research；至 2021 年加入清华前，任美国微软资深首席研究部门主管，带领多模态 AI 研究团队。该团队的学术脉络包括视觉—语言大规模预训练、视频—语言表征、对抗训练和跨语言理解；UNITER 被 AIR 定位为早期多模态基础模型之一，HERO 等工作则将表征预训练扩展至视频语言场景。微软时期建立的合作者网络，以 Zhe Gan、Linjie Li、Yu Cheng、Shuohang Wang、Yen-Chun Chen、Lijuan Wang 等为代表，构成其国际多模态网络的重要来源。

2021 年，她加入清华大学智能产业研究院（AIR），成为首席研究员、万国数据教授和博士生导师。此后网络重心转向国内开放研究生态：一端是与 AIR 的张亚勤、马维英、周浩、詹仙园等研究者的交叉合作，另一端是与字节跳动、北京智源人工智能研究院等机构围绕 Emu、DAPO 等大模型的联合研发。其 2026 年 Nature 论文 Multimodal Learning with Next-token Prediction for Large Multimodal Models 进一步显示了该网络在大规模多机构协同、统一 next-token 多模态学习上的聚合能力。

三、学生培养情况

刘菁菁教授的培养模式具有显著的“研究题目—开源系统—产业验证”闭环特征：青年研究者并非只在单一算法题目上产出论文，而是参与多模态基础模型、具身智能、推理强化学习与 AI for Science 等方向的连续项目。在 AIR 的联合指导环境中，论文常同时出现张亚勤、詹仙园、周浩、马维英等资深研究者；下列关系标注以公开材料的强弱为准。

1. 禹棋赢（AIR博士生，公开明确的导师—学生关系）

AIR 于 2022 年发布的“新星”介绍明确标注：禹棋赢为“导师：刘菁菁教授”的 AIR 博士生，本科毕业于哈尔滨工业大学计算机科学与技术专业，入学时研究兴趣为自监督表示学习。这是本报告检索范围内唯一能够由 AIR 官方页面直接确认的专属导师关系。

在后续成果中，Yu Qiying（禹棋赢）持续进入刘菁菁的核心作者网络：参与 Emu 的多模态生成式预训练、CapsFusion 图文数据研究、DAPO 大规模推理 LLM 强化学习系统及 MemAgent 长上下文记忆智能体。这条成长路径反映出培养从表征学习出发，逐步延展到数据、模型、强化学习系统与智能体的全栈研究能力。尤其 DAPO 与 MemAgent 使其进入“模型训练方法与系统工程协同”的研究链条，而不仅限于单篇模型论文。

2. 李建雄（具身智能青年研究者，长期论文协作/联合指导网络）

Jianxiong Li 在 2023—2026 年的多篇论文中与刘菁菁重复合作，包括 When Data Geometry Meets Deep Function、Mind the Gap、DecisionNCE、Robo-MUTUAL、Universal Actions 与 X-VLA。其研究主题由离线强化学习的泛化与奖励问题，延展至具身多模态表征、机器人任务规范与跨本体视觉—语言—动作模型。

公开材料未单列其为刘菁菁教授的学生，因此本报告将其标作长期青年协作/联合指导网络成员，而非作单一导师归属判断。他与詹仙园、张亚勤等共同出现的频率很高，说明其处于 AIR 具身智能方向的交叉培养节点；刘菁菁在其中提供多模态表征、偏好学习和基础模型方面的研究连接。

3. 郑一楠（具身强化学习青年研究者，长期论文协作/联合指导网络）

Yinan Zheng 是刘菁菁在扩散式决策与自动驾驶规划方向的高频青年合作者。其参与论文包括 ICLR 2024 的 Safe Offline Reinforcement Learning with Feasibility-guided Diffusion Model、ICLR 2025 Oral 的 Diffusion-Based Planning for Autonomous Driving with Flexible Guidance，以及 2026 年的 Dichotomous Diffusion Policy Optimization 和 X-VLA。

该作者链条显示，培养和合作并非将视觉语言模型孤立处理，而是把生成模型、离线强化学习、自动驾驶与具身行动模型串接。与刘菁菁、詹仙园、盛博、李升波等人的共同署名，构成“基础模型—决策—真实物理任务”的联合指导结构。其公开身份及唯一导师信息未见可靠披露，故仅作协作网络认定。

4. 宋宇轩（AI for Science青年研究者，长期论文协作/联合指导网络）

Yuxuan Song 与刘菁菁、马维英、周浩等合作开展生成式科学建模：包括 ICLR 2024 的 Unified Generative Modeling of 3D Molecules with Bayesian Flow Networks、ICLR 2025 Spotlight 的 A Periodic Bayesian Flow for Material Generation、NeurIPS 2025 的蛋白质全原子设计和 MOF 结构预测相关工作。

该系列工作体现了刘菁菁团队的另一类培养路径：将多模态/生成建模迁移至分子、材料和蛋白质等科学对象。青年作者需要同时理解生成建模、科学数据表征与领域任务评价，合作对象也因此扩展到化学、材料、生命科学和科学计算研究者。公开资料没有将宋宇轩列为刘菁菁的直属学生，关系应表述为长期共同研究与交叉培养。

5. 吴翰林（AI for Science青年研究者，长期论文协作/联合指导网络）

Hanlin Wu 与刘菁菁共同署名 ICLR 2025 Spotlight 的材料生成研究，并在 NeurIPS 2025 的全原子蛋白设计、MOF 结构预测等工作中持续合作。其作者位置与连续产出表明其是 AIR “生成模型 + 科学问题”研究链中的关键青年研究者。

该网络同时连接周浩、马维英、杨柳等 AIR 研究者，强调从贝叶斯流、扩散式生成到蛋白/材料设计的统一方法学。由于公开来源未提供其培养身份、学籍或导师信息，将其列为论文可观察到的长期协作/联合指导成员，避免超出证据的师生关系推断。

6. 郑锦良（具身多模态青年研究者，长期论文协作/联合指导网络）

Jinliang Zheng 参与了 Instruction-Guided Visual Masking、DecisionNCE、Robo-MUTUAL、Universal Actions 和 X-VLA 等一系列具身智能成果。AIR 对前两项研究的报道指出，刘菁菁、张亚勤、詹仙园课题组共同推进相关工作，并获得 ICML 2024 MFM-EAI workshop 杰出论文奖。

其研究轨迹从指令引导视觉定位，进一步拓展至隐式偏好表征、机器人多模态任务规范和跨具身视觉—语言—动作模型，反映了刘菁菁网络中“视觉理解服务于行动”的培养主题。其直属导师关系无公开明确材料，故仍以长期青年协作/联合指导网络描述。

7. 孙泉（多模态大模型青年骨干作者，长期论文协作网络）

Quan Sun 在 Emu、Emu2 及 Multimodal Learning with Next-token Prediction for Large Multimodal Models 等方向与刘菁菁共同署名，是多模态生成和统一 next-token 范式中的重要青年作者。其合作还连接崔玉峰、张晓松、张帆、王新龙、黄铁军等跨团队研究者，呈现出大模型研究依赖数据、训练、评测与系统协同的组织特征。

现有公开材料不足以确认其学籍或师生隶属，因此不称其为刘菁菁的学生；但从连续共同作者记录可将其视为多模态基础模型方向的核心青年协作节点。

四、学术合作网络

4.1 核心研究共同体：多模态基础模型、推理与具身智能

刘菁菁的核心合作者可按研究阶段划分。微软阶段的 Zhe Gan、Linjie Li、Yu Cheng、Shuohang Wang、Yen-Chun Chen、Lijuan Wang 等人，围绕 UNITER、HERO、VILLA、FILTER、ClipBERT、VALUE 等形成视觉—语言、视频—语言、鲁棒与跨语言学习的紧密共同体。这些合作使她在预训练范式、跨模态对齐及模型鲁棒性三个方向积累了长期网络资本。

AIR 阶段的协作网络更强调跨方向共研。张亚勤在具身智能与产业化场景中提供机构和学术枢纽；詹仙园在离线强化学习、扩散决策与具身行动方向高频合作；周浩、马维英、魏英玛等将推理语言模型、长上下文、生成式科学建模接入网络。DecisionNCE 与 Instruction-Guided Visual Masking 由 AIR、商汤研究院、上海交通大学、香港中文大学 MMLab 和上海人工智能实验室共同参与，说明网络已从个人共同作者关系升级为跨机构研发联盟。

2026 年 Nature 论文的作者名单横跨王新龙、崔玉峰、王金生、孙泉、禹棋赢、刘菁菁、林永华、王仲远、黄铁军等，呈现大规模联合研究的特征。其研究问题是以 next-token prediction 统一多模态大模型学习；该论文可视作多模态数据、模型架构、训练工程和评测能力聚合的结果。

4.2 AI for Science 与国际学术连接

在 AI for Science 方向，刘菁菁的合作网络以生成式建模为方法核心：分子三维结构、周期性材料、金属有机框架和全原子蛋白设计，分别连接 Yuxuan Song、Hanlin Wu、Jingjing Gong、Hao Zhou、Wei-Ying Ma、Yang Liu 等研究者。该网络的突出特点是“算法共性强、领域对象多”：同一生成式/贝叶斯流框架可以迁移至不同科学对象，从而需要计算机科学与领域科学的双向沟通。

其国际连接主要来自 MIT 与微软研究院经历：MIT EECS/CSAIL 提供了对话系统与语言智能的早期学术根基；微软研究院的全球研究团队则将合作范围扩展至北美的视觉、自然语言处理与机器学习研究者。剑桥 Judge MBA 则补强了学术成果面向企业、ESG 与真实社会问题的转译视角。需注意的是，公开资料未披露 MIT 博士导师，故本报告不虚构导师节点，而以已确认的机构经历说明该连接。

五、业界合作关系深度分析

5.1 从微软研究院到字节跳动、智源：大模型研发的纵深合作

刘菁菁的业界联系不是单纯的项目赞助关系，而是长期驻留产业研究机构、带队攻关后形成的研发组织网络。她在微软研究院及微软任职约七年，担任资深首席研究部门主管，领导多模态 AI 团队；UNITER、HERO 以及一系列视觉语言、视频语言和鲁棒训练成果，说明企业研究环境在算力、数据、工程和跨学科人才配置上对其研究形成了实质支撑。该阶段沉淀的合作者之后也构成其国际论文网络。

进入 AIR 后，官方主页明确说明其团队与字节跳动、北京智源人工智能研究院合作研发 DAPO 与 Emu。Emu/Emu2 对应多模态生成与上下文学习，DAPO 对应大规模强化学习训练系统；两者分别解决“看懂并生成多模态内容”和“让推理模型通过强化学习提升能力”的问题。合作关系的深度体现在三层：第一，共同定义研究问题和模型路线；第二，联合开展大规模训练和公开研究产出；第三，把研究成果沉淀为可复用的开源模型、代码或训练体系。DAPO 被 AIR/周浩页面描述为框架、数据和训练策略均开放的大规模强化学习系统，体现了学界—产业界联合研发外溢到开放生态的路径。

5.2 具身智能、AI for Science 与产业落地接口

具身智能是其业界合作网络最具应用牵引的一支。AIR 对 DecisionNCE 和 IVM 的官方介绍显示，合作方包括商汤研究院、上海交通大学、香港中文大学 MMLab 与上海人工智能实验室。DecisionNCE 以偏好学习构造可迁移的视觉—语言表征和通用奖励，并在实体机械臂多任务操作中进行测试；IVM 则以指令引导视觉遮罩改善复杂场景的视觉定位与推理。这些成果的合作深度在于：从数据生成、基础模型训练到实体机器人测试，均需要产业研究机构所长的数据、系统与工程条件。

AI for Science 是另一条重要产业化接口。材料、分子、蛋白质设计天然需要高质量科学数据、实验闭环和领域知识，因此刘菁菁与周浩、马维英等人的生成模型合作，将多模态学习从互联网内容转入生命科学与材料研发。其剑桥 MBA 所强调的 ESG、医疗和净零问题，也为这一方向提供了明确的现实问题牵引。现有公开信息充分说明研究方向和论文合作，但不足以支持对具体商业客户、合同规模或产品部署效果的断言；因此，宜将其定位为“以开放研究、联合研发和产业验证为主的深度协作网络”。

六、重要奖项与学术兼职

类别	事项	说明
论文影响	120+ 篇论文、23,000+ 引用	AIR 官方主页的汇总数据，反映其在多模态、语言与强化学习领域的累计影响力。
论文荣誉	CVPR 最佳学生论文荣誉提名奖	AIR 官方主页列示；未在该主页披露对应年份和论文题目。
论文荣誉	WACV 最佳学生论文荣誉提名奖	AIR 官方主页列示；未在该主页披露对应年份和论文题目。
团队成果	ICML 2024 MFM-EAI workshop 杰出论文奖	AIR 报道称，刘菁菁、张亚勤、詹仙园课题组的 DecisionNCE 与 Instruction-Guided Visual Masking 获奖。
代表性发表	Nature 2026	Multimodal Learning with Next-token Prediction for Large Multimodal Models，刘菁菁为合作者之一。
学术岗位	AIR 首席研究员、万国数据教授、博士生导师	现任岗位。
学术兼职	公开材料未见可确认的期刊编委、会议主席或学会职务	为避免把论文审稿、企业管理职位或共同作者身份误作学术兼职，本报告不作推测性列示。

七、Connection圈层总结

第一圈层：直属培养与核心青年研究者。 禹棋赢是由 AIR 官方明确标注的博士生，代表自监督学习、多模态预训练、推理强化学习与记忆智能体的连续培养链。李建雄、郑一楠、郑锦良、宋宇轩、吴翰林、孙泉等是从论文序列可识别出的长期青年协作节点，分别覆盖具身决策、自动驾驶、视觉定位、材料/蛋白生成与多模态大模型。该圈层的特点是共同指导和跨课题组协作显著，不能简单压缩为单一导师树。

第二圈层：AIR 机构内的交叉合作者。 张亚勤、詹仙园、周浩、马维英、魏英玛等将具身智能、强化学习、推理语言模型和 AI for Science 汇聚在 AIR 平台。AIR 的组织方式让研究者能够共享博士培养、工程资源与产业接口，是刘菁菁从多模态基础研究向真实任务扩展的关键枢纽。

第三圈层：微软研究院国际学术网络。 MIT CSAIL 的对话系统经历与微软多模态团队经历共同构成其国际网络来源。Zhe Gan、Linjie Li、Yu Cheng、Shuohang Wang、Yen-Chun Chen、Lijuan Wang 等长期合作者对应视觉语言预训练、视频语言建模、鲁棒学习和跨语言理解，是其早期至中期高影响力研究的共同体。

第四圈层：产业与跨机构联合研发网络。 字节跳动与智源研究院围绕 DAPO、Emu 形成大模型联合研发；商汤研究院、上海交通大学、香港中文大学 MMLab、上海人工智能实验室参与具身智能研究；材料、分子、蛋白方向则延伸至 AI for Science 的跨学科伙伴。该层的价值在于将基础算法、训练系统、开放资源和实体任务验证联结起来。

总体而言，刘菁菁教授的 Connection 网络并非以单一学派传承为中心，而是以多模态基础模型为技术核心，以微软—AIR 的研究组织经验为支撑，以博士生与青年研究者的跨方向培养为内部纽带，并通过字节跳动、智源及多家研究机构将研究推进至推理、具身智能与科学发现等产业相关场景。

主要公开来源

清华大学 AIR：刘菁菁教授主页（履历、统计数据、研究方向、论文及合作说明）
AIR 新星：禹棋赢博士生介绍（明确导师—学生关系）
AIR：两篇具身智能论文获 ICML 2024 workshop 杰出论文奖（跨机构合作及技术、实验信息）
British Council：Jingjing Liu Cambridge Judge Business School 校友介绍（MBA 与现实问题导向）
AIR：周浩主页（DAPO、MemAgent 及 AIR 推理/科学智能合作背景）

清华大学 刘菁菁 万国数据教授