亚马逊"Build on Trainium"项目公布34项研究奖项

亚马逊云科技近日宣布，"Build on Trainium"项目新一轮34位学术研究奖项获得者名单正式出炉。

"Build on Trainium"是一项总额1.1亿美元的计算积分计划，聚焦于AI研究与高校教育领域，旨在支持下一代研究者基于AWS Trainium芯片开展创新与开发工作。该计划向在Trainium上从事前沿AI研究的团队提供算力积分，重点投资顶尖学术团队，推动新型模型架构、机器学习库、性能优化、大规模分布式系统等关键领域的技术突破。

本次公布的奖项资助来源于2025年秋季"Build on Trainium：负责任AI"提案征集活动。所有提案均经过科学内容质量及其对研究社区和社会潜在影响力的综合评审。本轮次聚焦"负责任AI"方向，重点征集涵盖以下五个优先议题的研究方案：AI安全与对齐、多语言大语言模型、表征工程、可持续性与小型语言模型，以及用于合成数据生成的深度学习模型——所有研究均基于AWS Trainium基础设施开展。获奖者可访问超过700个亚马逊公共数据集，并通过AWS推广积分使用AWS AI/ML服务与工具；此外，每位获奖者将获得一位亚马逊研究联络人提供咨询与建议，同时享有教程、实践课程等AWS Trainium专属资源支持。

AWS AI首席应用科学家王一达表示："'Build on Trainium'为新一代AI研究者提供了强大且可扩展的算力支持，让他们唯一的限制是想象力，而非计算预算。借助该项目的支持，伊利诺伊大学厄巴纳-香槟分校的研究人员正在研究面向大规模专家混合模型的拓扑感知并行化策略，模型参数量高达一万亿，可在多达1024块Trainium芯片上运行。华盛顿大学的研究团队则正在开发一套推理优化框架，旨在提升基于Trainium构建应用的Token效率，目标是在Trainium上实现可移植、高性能的大语言模型推理。"

以下为本轮获奖者名单：

获奖者 所在院校 研究课题

魏贝 悉尼大学 FACTOR：基于文本梯度的联邦对抗协同训练，用于提升大语言模型安全性与鲁棒性

Viveck Cadambe 乔治亚理工学院 利用公私数据混合实现差分隐私合成数据生成

蔡宇俊 昆士兰大学 Trainium上的负责任AI：对逃避性多模态诈骗内容的可扩展检测与缓解

陈海鹏 威廉与玛丽学院 DELA：可编辑扩散语言模型

陈天龙 北卡罗来纳大学教堂山分校 面向高效稀疏与量化大语言模型的算法-系统协同设计

Saadia Gabriel 加利福尼亚大学洛杉矶分校 MANSA：以高效多模态基础模型推动语音AI民主化

Haewon Jeong 加利福尼亚大学圣巴巴拉分校 利用公私数据混合实现差分隐私合成数据生成

金浩健 加利福尼亚大学圣地亚哥分校 通过价值清单治理AI图像生成中的社会偏见

Marios Kogias 帝国理工学院 迈向确定性模型推理

Sachin Kumar 俄亥俄州立大学 原生多模态与多语言语音-文本大语言模型

Emanuele La Malfa 去中心化AI研究所（ADAI） 大语言模型智能体的安全社会预训练

李晓晓 不列颠哥伦比亚大学 面向机器遗忘的记忆感知偏好优化

李英聪 新泽西理工学院 基于子模型搜索的高效可适应语言模型

刘志健 加利福尼亚大学圣地亚哥分校 面向高效稀疏与量化大语言模型的算法-系统协同设计

卢松涛 香港中文大学 M3-Align：面向多语言大语言模型的可扩展多层次多目标对齐

卢瑶 伦敦大学学院 突破多语言数据壁垒：为低资源语言模型预训练扩展合成数据

Sasa Misailovic 伊利诺伊大学厄巴纳-香槟分校 Cratos：面向视觉语言模型量化与剪枝感知训练及微调的认证鲁棒性

Tinoosh Mohsenin 约翰·霍普金斯大学 TRIM-LLM：从二次复杂度到线性注意力与结构化剪枝，实现在Trainium上低碳低成本的大语言模型部署

ThanhVu Nguyen 乔治·梅森大学 利用AWS Trainium推动可验证AI与机器学习辅助数学推理

Frank Rudzicz 达尔豪西大学 Trainium上的表征免疫化：可扩展噪声注入与权重锁定

Anuj Sharma 爱荷华州立大学 基于Trainium的物理驱动合成碰撞生成：面向弱势道路使用者的视频扩散与视觉语言模型表征工程

沈申 麻省理工学院 智能体工具使用安全基准测试与MCP专用LoRA缓解方案

Ryan Shi 匹兹堡大学 多语言大语言模型在真实印度语系医疗对话上的基准测试与能力提升

石乃晨 西北大学 大语言模型幻觉检测与缓解

Jaideep Srivastava 明尼苏达大学双城分校 知识注入时间序列预训练与基于知识校验的安全机制，面向可信临床AI

谭程 东北大学 面向具备ε-正确性的可靠可信大语言模型服务

王越 中佛罗里达大学 面向多元对齐的负责任AI博弈论框架

王阳 伊利诺伊大学厄巴纳-香槟分校 多模态生成式AI中的青少年保护：迈向基于Trainium的安全与对齐框架

魏尔民 西北大学 基于高阶方法的快速大语言模型训练方案

吴军 密歇根州立大学 模型越大，风险越大？探究大语言模型规模扩展中的安全格局

肖小奎 新加坡国立大学 Trainium加速、大语言模型引导的分层关系数据差分隐私合成

徐敏 卡内基梅隆大学 面向视觉Transformer与3D模型的语言引导可解释性研究

姚子玉 乔治·梅森大学 面向安全代码生成的大语言模型表征工程

张俊哲 雪城大学 用于鲁棒因果预测的去混淆图像编辑

Q&A

Q1："Build on Trainium"项目能为获奖研究者提供哪些支持？

A：获奖研究者可获得AWS算力积分，用于访问超过700个亚马逊公共数据集，并使用AWS AI/ML服务与工具。每位获奖者还将获得一位亚马逊研究联络人，提供一对一的咨询与建议，同时享有Trainium专属教程和实践课程等资源支持。

Q2："Build on Trainium"本轮征集的"负责任AI"方向包含哪些具体研究议题？

A：本轮"负责任AI"方向共涵盖五大优先议题：AI安全与对齐、多语言大语言模型、表征工程、可持续性与小型语言模型，以及用于合成数据生成的深度学习模型。所有入选研究均基于AWS Trainium基础设施开展，旨在兼顾科学价值与社会影响力。

Q3：AWS Trainium芯片在支撑超大规模AI研究方面具体能达到什么水平？

A：根据AWS AI首席应用科学家王一达介绍，伊利诺伊大学厄巴纳-香槟分校的研究团队正借助Trainium研究参数量高达一万亿的专家混合模型拓扑感知并行化策略，可在多达1024块Trainium芯片上运行，充分体现了Trainium在大规模分布式AI训练场景中的强大算力支撑能力。