交叉信息院袁洋长聘副教授

报告生成时间：2026年8月20日
个人主页：袁洋
所属团队：清华大学交叉信息研究院

一、学者基本信息

项目	信息
姓名	袁洋（Yang Yuan）
现职	清华大学交叉信息研究院院长助理、长聘副教授；兼属清华大学人工智能学院
研究方向	智能医疗、AI基础理论、应用范畴论；近期重点延伸至拓扑斯理论、AI数学、自动证明、软件生成与大规模智能体系统
研究主线	以数学结构而非纯数据驱动方式理解并构造AI系统：一端是面向中医诊疗、脉诊和复方药发现的智能医疗，另一端是面向模型推理、代码与数学证明生成的形式化AI
教育背景	北京大学计算机学士（2008—2012）；康奈尔大学计算机科学博士、机器学习理论方向（2012—2018）
博士导师	Robert D. Kleinberg，康奈尔大学计算机科学教授，研究算法、在线学习、网络随机过程及机制/经济问题
博士后经历	MIT大数据科学基础研究院（MIFODS，2018—2019），在 Piotr Indyk 与 Aleksander Madry 指导下开展研究
代表性成果	独著《On the Power of Foundation Models》（ICML 2023）；对比学习、解释性、表示学习与大模型推理/形式化数学方向的系列论文
官方公开团队信息	与姚期智共同担任“结构智能”课题组PI；团队以范畴论、拓扑斯理论与人工智能结合为方向

袁洋的网络特征并非单一的“医疗AI”或“机器学习理论”路径，而是由理论机器学习—算法与优化—姚班/交叉信息院—形式化AI—中医智能医疗几条链路交织而成。其研究表述强调以范畴论及拓扑斯理论统一刻画复杂系统中的对象、关系和组合规则，并将这一思路同时投向医疗知识表达与大模型推理/自动证明。

二、教育背景与职业履历

1. 北京大学本科阶段：并非姚班校友，而是姚班培养体系的组织者与回流教师

公开简历显示，袁洋于2008年9月至2012年6月在北京大学计算机系学习，获计算机学士学位；本科绩点3.77/4.0、全系第二，并获北京大学优秀毕业论文奖，毕业论文指导教师为郭耀。因此，用户提供的“姚班校友”线索与其公开履历不符：袁洋不是清华姚班本科毕业生。

但“姚班”仍是理解其网络位置的关键。袁洋在清华交叉信息院任职后曾担任计算机科学实验班（姚班）项目主任，并持续承担教学、学生培养和组织工作。姚班由姚期智于2005年创办，强调扎实理论、尽早科研、交叉训练与国际化；袁洋的回归路径体现的是“非姚班本科出身、但深度嵌入姚班—交叉信息院人才培养共同体”的角色，而非“姚班学生回流任教”。这使其既连接北大计算机的本科校友网络，又连接姚班的高密度本科生、校友与教师网络。

2. 康奈尔博士阶段：理论计算机与机器学习理论的学术谱系

2012年8月至2018年5月，袁洋在康奈尔大学计算机系攻读博士，研究方向为机器学习理论，博士导师为 Robert Kleinberg。Kleinberg 的研究覆盖算法、理论计算机、在线学习及其应用、网络随机过程和算法经济学；这与袁洋早期论文中的随机优化、机制设计、网络流量工程、在线/组合多臂老虎机、深度学习优化和泛化问题形成连贯谱系。

博士期间还有两段重要的访问经历：2014年9月至2015年6月访问微软新英格兰研究院，2016年9月至12月访问普林斯顿大学。前者将其纳入工业研究实验室的理论研究网络，后者强化了其与美国东海岸理论计算机及机器学习社区的学术接点。其博士阶段与 Kleinberg 合著了机制设计、随机梯度逃逸局部极小值、近邻搜索等成果，反映出导师关系不仅是行政性指导，也是实际共同研究链路。

3. MIT博士后阶段：算法、鲁棒性与大规模数据研究的桥梁

2018年7月至2019年6月，袁洋在 MIT MIFODS 从事博士后研究，公开简历列示指导者为 Piotr Indyk 和 Aleksander Madry。Indyk 在近似算法、近邻搜索和大规模数据算法方面具有影响力，Madry 的研究则连接机器学习鲁棒性、安全与优化。袁洋在这一阶段及其前后与 Indyk、Ali Vakilian合著低秩近似研究，与 Guang-He Lee、Shiyu Chang、Tommi Jaakkola 合著随机平滑分类器鲁棒性研究；这使其研究网络从康奈尔的算法/在线学习进一步延伸到MIT的算法与可靠机器学习群体。

4. 回到清华：从助理教授到长聘副教授、从课程培养到结构智能

袁洋2019年7月加入清华大学交叉信息研究院和人工智能学院，任助理教授；公开简历显示其于2025年7月起任副教授，交叉信息院当前人员页列为“院长助理、长聘副教授”。在清华期间，他连续开设机器学习、人工智能入门、AI交叉项目、人工智能研究实践，以及“类型安全的前后端系统实践”等课程；后者尤其显示其从纯理论走向复杂软件系统、形式化方法和工程训练的延展。

目前其与姚期智共同担任“结构智能”课题组PI。该团队的公开定位是从范畴论、拓扑斯理论出发，分析数学证明、自动编程与AI训练算法的内在结构，并据此设计新算法；核心方法论是“用理论指导AI，而不只是用理论解释AI”。这一共同PI关系将袁洋直接置于姚期智领导的交叉信息院、姚班、理论计算机与AI人才培养网络的核心交汇处。

三、学生培养情况

袁洋公开页面列出了博士生、硕士生和博士后信息；“结构智能”课题组页又列出了当前成员。以下按公开信息梳理，未将未公开身份、去向或作者贡献作推断。可以看到，学生课题主要集中于自监督表示学习、对比学习、可解释性、LLM推理、代码/数学文本与形式化证明，而非传统意义上的临床AI；这与其主页所称当前主要招收AI数学、软件生成和大规模复杂系统方向学生相一致。

1. 何昊伟（博士毕业生，2019—2024；导师学生）

何昊伟为袁洋博士生，2024年毕业后进入中国电信。其与袁洋共同署名于 NeurIPS 2019 Spotlight 论文《Asymmetric Valleys: Beyond Sharp and Flat Local Minima》，并参与 NeurIPS 2023 的 removal-based explanations 研究。其轨迹连接了深度学习优化理论、模型解释性与通信行业技术场景，是团队“理论—工业界”人才流动的一条可见路径。

2. 滕佳烨（博士毕业生，2020—2024；导师学生）

滕佳烨为袁洋博士生，毕业后任上海财经大学助理教授。合作论文覆盖保序/保覆盖的共形预测（ICML 2021）、泛化误差动力学（ICLR 2022）、信号与噪声对照下的泛化度量（ICML 2023）、数据—算法相关泛化（NeurIPS 2023）等。这一去向说明袁洋学生网络已向高校教职扩散，其研究脉络也集中于统计学习理论、可靠预测与泛化问题。

3. 杨景钦（博士生，2021—；导师学生）

杨景钦是团队长期活跃成员，与袁洋、张伊凡、谭志权等共同发表对比学习和自监督学习系列工作，包括 ICLR 2024《Contrastive Learning is Spectral Clustering on Similarity Graph》、ICML 2024《Matrix Information Theory for Self-Supervised Learning》及《Information Flow in Self-Supervised Learning》。他还参与“累积推理”框架相关工作与对外报告，代表团队从表示学习理论迈向大模型复杂推理的延续性。

4. 林真如（博士生，2022—；导师学生）

林真如参与 COLM 2024《CatCode: A Comprehensive Evaluation Framework for LLMs On the Mixture of Code and Text》。该工作将学生培养延展到代码—文本混合场景下的大模型评测，关联软件生成、模型能力边界与可验证性议题，是“AI数学/软件生成”招生方向在评测基础设施层面的体现。

5. 罗逸凡（博士生，2024—；导师学生）

罗逸凡列于袁洋团队当前学生名单，并与张伊凡、袁洋、姚期智共同完成 ACL 2025 Findings 论文《Autonomous Data Selection with Zero-shot Generative Classifiers for Mathematical Texts》。该合作把数学文本的数据选择与生成式分类器联系起来，表明其参与了团队面向形式化数学和数学推理训练数据构建的研究线。

6. 徐康平（博士生，2024—；与姚期智共同指导）

徐康平由袁洋与姚期智共同指导。该共同指导关系具有网络意义：学生同时嵌入袁洋的范畴论/拓扑斯理论与AI数学研究线，以及姚期智所代表的理论计算机、姚班和交叉信息院主干网络，是团队代际传承和跨方向协同的直接节点。

7. 张伊凡（硕士生，2021—；后续赴普林斯顿大学读博）

袁洋个人页将张伊凡列为硕士生；结构智能团队页进一步标注其2021—2025年在组、毕业后赴普林斯顿大学攻读博士。她与袁洋、杨景钦、谭志权在对比学习和自监督学习论文中持续合作，并是“累积推理”框架的重要青年作者/报告人。其赴普林斯顿深造使团队与袁洋本人曾访问的普林斯顿理论AI网络形成新的代际连接。

8. 张淑芯（硕士毕业生，2019—2022；后续赴北京大学读博）

张淑芯于2022年毕业后赴北京大学读博。该去向构成袁洋本科母校与现任单位之间的学术人才回流链路，也体现其研究生培养网络向国内顶尖高校博士项目的延伸。

9. 李朝（博士后，2021—2023；出站后任职上海期智研究院）

李朝为袁洋合作培养的博士后，出站后进入上海期智研究院。该流向连接清华交叉信息院与以AI基础研究为重点的新型研究机构，具有知识转移和科研共同体扩展意义。

四、学术合作网络

1. 导师及海外训练圈：算法、学习理论与鲁棒AI

袁洋最明确的学术谱系核心是博士导师 Robert Kleinberg。双方共同署名《On the Ratio of Revenue to Welfare in Single-Parameter Mechanism Design》（EC 2013）、《Simple and Near-Optimal Mechanisms for Market Intermediation》（WINE 2014）、《An Alternative View: When Does SGD Escape Local Minima?》（ICML 2018）等。由此可见，其合作从机制设计和算法经济学延伸到深度学习优化理论。

MIT博士后网络则以 Piotr Indyk、Aleksander Madry 为关键节点。与 Indyk、Ali Vakilian的《Learning-Based Low-Rank Approximations》（NeurIPS 2019）连接大规模算法；与 Tommi Jaakkola 等人的随机平滑鲁棒性研究连接可靠机器学习。早期合作者还包括 Elad Hazan、Adam Klivans、Zeyuan Allen-Zhu、Yuanzhi Li、Rong Ge、Chi Jin 等，形成优化、非凸学习、加速坐标下降、随机梯度和张量分解等理论机器学习网络。

2. 清华—姚期智圈：共同PI、共同论文与人才培养枢纽

姚期智是袁洋当前最重要的院内协作节点之一。二人共同担任结构智能课题组PI，并在大模型推理、数学文本数据选择、注意力机制与自动证明等议题中形成团队共建关系。公开论文列表中，姚期智与袁洋及学生共同署名 TMLR 2025《Cumulative Reasoning with Large Language Models》、ACL 2025 Findings《Autonomous Data Selection with Zero-shot Generative Classifiers for Mathematical Texts》，以及 ACL 2025 Main《Hierarchical Attention Generates Better Proofs》。

“累积推理”工作是这一圈层的代表：团队以提议者、验证者、报告者三种角色组织多模型推理过程，在逻辑推理、24点和数学题基准上展示性能提升。该成果的网络价值在于，它把姚期智的理论计算机与人才培养影响力、袁洋的学习理论/系统化推理兴趣，以及张伊凡、杨景钦等青年研究者的具体研究连接为可持续的团队协作机制。

3. 学生—青年合作者圈：表示学习、可解释性与LLM评测

近年最稳定的合作簇由张伊凡、谭志权、杨景钦、黄伟然、何昊伟等构成。围绕自监督学习，团队连续发表：

ICLR 2024《Contrastive Learning is Spectral Clustering on Similarity Graph》：张伊凡、谭志权、杨景钦、袁洋；
ICML 2024《Matrix Information Theory for Self-Supervised Learning》：张伊凡、谭志权、杨景钦、黄伟然、袁洋；
ICML 2024《Information Flow in Self-Supervised Learning》：谭志权、杨景钦、黄伟然、袁洋、张伊凡；
NeurIPS 2023《Trade-off Between Efficiency and Consistency for Removal-based Explanations》：张伊凡、何昊伟、谭志权、袁洋。

这一系列体现出袁洋的合作方式并非单篇松散合作，而是将学生和青年研究者围绕同一理论问题持续组织：从对比学习的谱聚类视角，到矩阵信息理论、信息流，再到解释性中的效率—一致性权衡。它是其目前学术网络中合作密度最高、学生主导程度最高的一层。

4. 跨机构与跨学科合作：统计可靠性、深度学习、知识图谱和网络系统

袁洋合作网络还具有多方向外延。与 Yoshua Bengio、Yang Gao、滕佳烨等合作的 ICLR 2023《Predictive Inference with Feature Conformal Prediction》将其纳入共形预测与可靠机器学习的国际网络；与 Hang Zhao 等合作的 ICML 2023多模态特征学习工作连接多模态学习；与 Yexiang Xue、Ashish Sabharwal 等合作的 NIPS 2018知识补全工作连接知识表示和推理；与 Nate Foster、Robert Soulé 等人的 SOSR/NSDI 工作则连接网络流量工程与系统研究。

因此，其学术网络可被概括为：以理论机器学习为底座，通过“泛化—鲁棒—可解释—表示学习—推理—形式化AI”的问题链扩张，并保留算法、网络系统、机制设计等早期训练带来的多学科接口。

五、业界合作关系深度分析

5.1 智能医疗与中医场景：以临床任务为导向，但公开可核实的企业合作有限

袁洋对智能医疗的公开阐述包括三个具体应用方向：中医辅助诊断、脉诊仪和复方药发现。其早期院内页面称，辅助诊断系统基于临床数据统计，在许多情况下可给出与资深中医相近的处方；脉诊研究尝试从脉象推断失眠、焦虑、胃胀、疲惫等身体与精神状态；新药研发则试图将中医理论、范畴论与大模型结合，为特定病证寻找复方药。

这些描述表明其医疗关系网络至少需要临床医生、患者/诊疗数据、传感设备和药物知识等多类主体协同，且研究目标强调诊疗过程记录、辅助辨证开方、知识自洽与可解释性。不过，截至本报告日期，所检索的袁洋个人页、交叉信息院教师页和团队页未公开列明具体合作医院、企业名称、联合实验室、持股/创业实体或产品落地伙伴。因此，不能把“中医辅助诊疗”概念外推为已确认的某家医疗机构或商业公司的深度合作；其业界化程度更适合表述为“具有明确应用接口、但公开合作名录尚不充分”。

5.2 AI数学与工程团队：从学术原型走向工程化能力的内部路径

袁洋主页明确表示正在组建全职工程团队，方向聚焦AI数学；招聘页面进一步将工作拆解为数学文本到Lean等形式化语言的翻译、证明搜索/补全/生成，以及对Lean证明的可读解释。岗位面向全栈工程师，强调系统搭建、工具开发、流程打通、数据建设和迭代，而非仅进行模型训练或微调。

这是一种值得区分的“产学研工程化”关系：它不是对外企业合作的公告，却是将科研想法转化为持续运行系统的组织能力建设。该路径对外可连接大模型平台、形式化证明工具生态、数学内容与软件工程人才市场；对内则把教师、学生、全职工程师与研究项目编排为复合团队。其潜在竞争力在于把理论研究、数据/工具链和可验证工程系统结合起来，但截至公开资料所及，尚不宜推断已有特定商业客户或企业联合开发项目。

5.3 大模型、软件生成与学术生态：跨产业影响的主要出口

袁洋团队在大模型推理、代码—文本评测、自动证明、类型安全前后端系统等方面的工作，与通用AI产业高度相关。具体而言，CatCode针对代码和文本混合环境的模型评测，累积推理关注复杂推理的过程组织，自动证明团队关注Lean证明生成、解释和数学文本数据选择；这些方向分别对应模型评估、智能体工作流、软件开发和AI for Science等产业技术环节。

其外部影响还体现在公共学术生态活动：2026年世界人工智能大会上，袁洋以《智能积分：一个智能体的理论框架》作报告，并介绍清华创办的AI期刊 iFuture 与学术协作平台 Oscholar。该事项更接近学术基础设施与社区建设，而非通常意义上的商业合作，但体现其正在通过出版/平台生态连接研究者、工程人员和潜在技术使用者。

综合判断：袁洋的业界连接以“医疗场景问题定义 + 校内工程团队 + AI数学/软件生成技术外溢 + 学术平台生态”为主。公开证据支持其具备强应用导向和工程化布局；但关于具体公司、医院、产品、收入或产业资本的关系，公开资料不足，应保持审慎。

六、重要奖项与学术兼职

1. 可确认的荣誉与学术认可

本科阶段获北京大学优秀毕业生、北京市优秀毕业生及优秀毕业论文奖；公开简历记载其本科成绩为全系第二。
其合著论文《Asymmetric Valleys: Beyond Sharp and Flat Local Minima》获 NeurIPS 2019 Spotlight 展示，属于论文遴选层面的重要学术认可。
近年作为作者或合作者持续在 ICML、ICLR、NeurIPS、ACL、COLM等国际会议/期刊发表，覆盖机器学习理论、表示学习、解释性、LLM推理和自动证明。
2022年智源大会“AI赋能生命健康”专题论坛资料将其列为“智源青年科学家”。

公开检索未发现能够由一手资料稳定确认的国家级人才计划、基金类称号、个人最佳论文奖或院士/学会会士资格。因此，本节不将常见的媒体推断、同名信息或会议录用误写为个人奖项。

2. 教学、组织与学术服务角色

交叉信息院院长助理、长聘副教授：体现其在院内教学科研与组织治理上的职责。
姚班项目主任（曾任/公开报道所载）：这是其在姚班人才培养体系中的关键组织角色。应注意，该角色说明其服务姚班，而非其本人为姚班本科校友。
结构智能课题组共同PI：与姚期智共同组织范畴论、拓扑斯理论和AI交叉研究，形成学生、博士后和工程化项目的协作枢纽。
课程建设者：长期承担机器学习课程，并开设类型安全的前后端系统实践、AI研究实践等课程，将理论学习、工程系统和交叉培养结合。
学术传播与平台活动：参与智源大会生命健康专题论坛，并于WAIC 2026介绍AI学术期刊与协作平台相关建设。

七、Connection圈层总结

袁洋的Connection网络可按影响力和协作机制分为五个层次：

第一圈层：导师与海外训练网络。 Robert Kleinberg 是最直接的博士学术谱系节点；Piotr Indyk、Aleksander Madry 代表MIT博士后阶段的算法和鲁棒AI训练节点。该圈层为其提供了理论计算机、优化、在线学习、算法经济学和可靠机器学习的共同语言。
第二圈层：清华交叉信息院—姚期智—姚班共同体。 袁洋虽非姚班本科校友，但作为曾任姚班项目主任、交叉信息院院长助理和与姚期智共同担任PI的教师，深度进入这一人才培养与理论AI网络。该圈层是其在国内学术组织、课程和学生招募中的关键枢纽。
第三圈层：团队学生与青年合作者。 何昊伟、滕佳烨、杨景钦、林真如、罗逸凡、徐康平、张伊凡、张淑芯及博士后李朝构成可观察到的人才培养网络。学生论文合作高度聚焦于自监督学习、泛化、可解释性、LLM推理、数学文本和自动证明；其中张伊凡赴普林斯顿、滕佳烨进入高校教职等去向，使网络向国际高校与国内学术机构持续外延。
第四圈层：跨机构理论AI合作网络。 与 Yoshua Bengio、Tommi Jaakkola、Elad Hazan、Zeyuan Allen-Zhu、Yuanzhi Li、Hang Zhao等的论文合作，连通共形预测、鲁棒性、优化、深度学习理论、多模态学习等社区。这一层说明其并非只在单一院系或单一主题内合作。
第五圈层：医疗应用与工程化生态。 中医辅助诊断、脉诊、复方药发现为其提供医疗临床、设备、知识工程和药物研发的潜在协作接口；AI数学全职工程团队、Lean/自动证明、代码评测与学术平台活动，则构成技术落地和社区扩展接口。需要强调的是，当前公开信息对具体企业/医院合作披露不足，因此该圈层应理解为“应用与工程化能力网络”，而非已完全公开的商业伙伴名单。

总体而言，袁洋的核心稀缺性在于：从北大计算机本科、康奈尔机器学习理论博士和MIT算法/鲁棒性博士后训练出发，回到清华后嵌入姚期智—交叉信息院—姚班共同体，并将学生培养和共同PI机制用于连接表示学习、复杂推理、形式化数学与智能医疗。其网络的未来扩张点不是简单增加论文合作者，而是能否将范畴论/拓扑斯理论的结构化方法沉淀为可验证的AI系统，并在医疗、软件生成和数学研究场景中形成更可公开核实的临床、工程与产业协作。

交叉信息院 袁洋 长聘副教授