仅15人！首届腾讯青云奖学金揭晓：人均50万！

2026开年，中国科技界最高规格的人才争夺战终于落下帷幕。继字节跳动宣布20位奖学金得主、英伟达公布10位全球获选者之后， 腾讯最高规格的学术人才计划——首届“青云奖学金”名单正式出炉。

不同于以往“犀牛鸟”计划的广泛覆盖，这一次，腾讯选择了“极致精英”路线： 全球仅选15人。每位入选者将获得50万元的硬核支持（20万现金+30万独享云端算力） 。在算力即权力的今天，这不仅是奖金，更是为顶尖大脑提供的“核武器”。

趋势洞察：精英画像与算力导向

规模：千里挑一，优中选优

录取率极低： 首届仅授予15人。与行业普遍的“广纳贤士”趋势不同，腾讯选择了“少而精”，聚焦于前沿领域的塔尖人才。
资源升级： 首创“算力奖学金”模式。 30万元的独享算力支持，直接对标大模型时代博士生最紧缺的GPU资源，实现一定程度的“算力自由”。

核心赛道：Infra成为隐形王者

AI Infra（基础设施）： 占比显著提升。在大模型落地深水区，系统稳定性、推理加速、显存优化成为腾讯关注的头号课题。
多模态与科学智能： 另外两大核心聚集在3D内容生成（AIGC）与AI for Science（如蛋白质计算），紧扣腾讯“全真互联”与“科技向善”的战略。

高校版图：大湾区力量崛起

除了清华大学与北京大学继续保持统治力外，香港中文大学（CUHK）、香港科技大学等大湾区高校表现亮眼，展现了在AI系统与计算机视觉领域的深厚积淀。

聚焦领域：从底层基建到科学智能

浏览这15位获奖者的研究方向，可以清晰地看到腾讯对未来技术趋势的预判。 获奖者的研究领域高度集中在解决“卡脖子”的关键技术上：

极致系统：为万卡训练集群“系上安全带”

方向内容： 面向超大规模训练/推理集群，解决“跑得起来”之外的关键问题——稳定性、可观测性、故障定位与性能治理，以及算子/注意力等关键路径的系统级加速。
产业价值： 把训练从“能跑”提升到“稳跑、快跑、省跑”，降低中断与回滚成本，提升集群有效利用率与交付确定性。
代表获奖者 ：

邓洋涛（Yangtao Deng）｜香港中文大学
代表作： 《 Minder: Faulty Machine Detection for Large-scale Distributed Model Training》 （本文提出了Minder，一种针对大规模分布式模型训练中的故障机器自动检测方法，能有效识别故障机器，减少训练任务中断时间）
张金涛（Jintao Zhang）｜清华大学
代表作：《 SageAttention: Accurate 8-Bit Attention for Plug-and-play Inference Acceleration 》（ 本文提出了 SageAttention ，以低比特量化把Attention作为加速“主战场”，在尽量不损精度的前提下显著提升推理速度。）

对齐与安全：让大模型更可控、更可信、更可用

方向内容： 围绕大模型在真实场景中的“可用性边界”，重点攻关对齐训练、偏好建模、安全约束与评测闭环，让模型输出在质量、价值观与风险上可控。
产业价值： 支撑企业级部署所需的安全合规、风险控制、质量稳定，把能力从 demo 拉到生产环境。
代表获奖者：

吉嘉铭（Jiaming Ji）｜北京大学
代表作：《Language Models Resist Alignment: Evidence From Data Compression》（从“数据压缩/信息论”的视角刻画大模型对齐的“弹性/回弹”机制：即便经过对齐训练，模型内部仍可能保留可被恢复的未对齐信息；因此在后续任务微调或分布变化下，对齐效果可能被快速稀释，表现出“对齐回弹”。）
胥嘉政（Jiazheng Xu）｜清华大学
代表作：《ImageReward: Learning and Evaluating Human Preferences for Text-to-Image Generation》（提出ImageReward，用于文生图的人类偏好奖励模型，把“人更喜欢什么样的图”学习成可计算的奖励信号，用于更贴近人类审美的自动评测与训练闭环。）

多模态与生成：把“看见”和“创作”变成生产力

方向内容： 聚焦图像/视频等多模态理解与生成，强调两条主线：一是更强的多模态感知与推理，二是更高效的AIGC 生成与加速（更快、更高分辨率、更长视频）。
产业价值 ：面向内容生产、营销创意、视频生成、智能交互等场景，实现规模化生成与成本可控。
代表获奖者：

陈俊松（Junsong Chen）｜香港大学
代表作：《PixArt-α: Fast Training of Diffusion Transformer for Photorealistic Text-to-Image Synthesis》（本文提出高效DiT（Diffusion Transformer）训练范式与数据策略，在相对更低的训练成本下实现高质量、可扩展到 1024px 的写实文生图生成，为“更快训练、更强质量”的扩散 Transformer 路线提供了可复用的工程与方法论。）
林彬（Bin Lin）｜北京大学
代表作：《Video-LLaVA: Learning United Visual Representation by Alignment Before Projection》（本文提出图像与视频统一表征的 LVLM 基线：关键在“投影前对齐”（Alignment Before Projection），先在视觉侧对齐图像/视频语义，再映射进同一个 LLM 空间，从而让同一套语言模型更好地同时理解静态图像与动态视频。）

具身智能：让大模型走进机器人与真实世界

方向内容： 把大模型能力从“文本/视觉空间”延伸到“动作空间”，攻关机器人基础模型的跨任务泛化、跨硬件迁移、零样本部署与高精度操控。
产业价值： 面向智能制造、服务机器人、实验室自动化等，形成可复用的通用操控底座与工程化落地路径。
代表获奖者：

刘松铭 (Songming Liu) | 清华大学
代表作：《RDT-1B: a Diffusion Foundation Model for Bimanual Manipulation》（本文提出 1.2B 参数的双臂操作扩散基础模型（Foundation Model）：强调跨机器人动作空间的统一表达与迁移能力，使模型在不同平台/任务间具备更强的零样本泛化与少样本学习潜力，面向“双臂复杂操作”给出可规模化的基础建模范式。）

AI for Science：模型成为科研与工程的加速器

方向内容： 将大模型/图模型/统计学习用于科学问题：多组学、遗传机制、疾病解析等，通过数据整合 + 机理推断 + 可解释建模提升科研效率与发现能力。
产业价值： 直接服务医药研发、生命科学平台、科研计算基础设施，推动“AI 赋能科学发现”的规模化应用。
代表获奖者：

徐明皓（Minghao Xu）｜北京大学
代表作：《PEER: A Comprehensive and Multi-Task Benchmark for Protein Sequence Understanding》（本文提出蛋白序列理解的综合多任务基准 PEER：覆盖功能、亚细胞定位、结构相关任务以及 PPI/PLI 等交互任务，用统一评测框架系统检验蛋白表征模型的泛化能力与多任务鲁棒性，为蛋白序列模型的“可比性评测”提供标准化基座。）
宋立阳（Liyang Song）｜西湖大学（浙江大学联培）
代表作：《Mixed model-based deconvolution of cell-state abundances (MeDuSA) along a one-dimensional trajectory3》（本文提出 MeDuSA：用混合模型将单细胞参考映射到 bulk RNA-seq，并沿“一维轨迹”对细胞状态丰度进行高分辨率反卷积估计；在连续生物过程（如分化/激活）中，实现更细粒度的细胞状态组成重建与动态变化刻画。）

学术前沿：AMiner深度画像

我们利用 AMiner 学者库，对部分代表性获奖者进行了深度挖掘。

01. 白雨石（Baishi Bai）｜清华大学

学术背景： 导师李涓子；长期聚焦长上下文大模型与大模型评测。
硬核成果： 在 NeurIPS / ICML / ICLR / ACL 等发表多篇论文（含 10 篇一作），总引用 4000+，单篇引用 2000+。
技术突破： 开源 LongBench、LongWriter、LongAlign 等评测/数据工作，形成可复用的长上下文能力度量体系。
开源影响： 相关项目 GitHub 3000+ stars、300+ forks；HuggingFace 开源数据集/模型下载 200 万+。
产业结合： 可支撑云上大模型长上下文能力评测、训练/推理回归与指标体系建设。

02. 陈俊松（Junsong Chen）｜香港大学

学术背景： 导师罗平；主攻 AIGC 高效视觉生成大模型。
硬核成果： 深耕扩散模型高效部署；早期贡献 PixArt，近期主导 SANA 系列效率突破。
技术突破： SANA 原生支持 4K 图像生成；SANA-Sprint 达成 0.1 秒实时成像；SANA-Video 支持分钟级长视频合成。
开源影响 ：成果累计引用 2500+；GitHub 1.9 万+ stars。
产业结合： 适配大规模内容生成的降本增效与端到端加速落地（面向云与消费级场景）。

03.张金涛（Jintao Zhang）｜清华大学

学术背景： 导师朱军；研究方向为高效机器学习系统。
硬核成果： 以一作发表 A 类国际顶会长文 9 篇（覆盖 ML/DB 三大顶会）。
技术突破： SageAttention 聚焦低比特量化加速注意力计算；并产出 TurboDiffusion、Sparge-Attn、Sparse-Linear Attention 等系统方向工作。
开源影响： SageAttention GitHub 3000+ stars；被 200+ 家知名企业真实产品采用。
产业结合： 直接对应训练/推理加速、算力成本优化与系统工程落地