2026 BAIR 研究生展示：Berkeley AI 博士毕业生去向一览

祝贺 Berkeley Artificial Intelligence Research (BAIR) Lab 2026 届毕业生！今年，BAIR 庆祝又一批杰出的博士毕业生，他们的好奇心、创造力和毅力推动了人工智能与机器学习的前沿。

他们的工作横跨现代 AI 的各个领域——机器人与具身智能、大语言模型与推理、计算机视觉、生成建模、AI 安全、人机交互、AI 用于科学与医疗等等。一路走来，他们发表了有影响力的研究，构建了具有现实影响的系统，指导了同伴，并让 BAIR 社区变得更好。

如今他们正奔赴思想所及之处：前往教职和博士后岗位、产业研究实验室，以及他们自己创办的初创公司——还有几位仍在探索下一步，并很乐意听到你的消息。

请与我们一起庆祝这些优秀毕业生的成就。我们为他们 在 Berkeley 取得的一切感到骄傲，也迫不及待想看到他们接下来做什么！

感谢我们的朋友 Stanford AI Lab 提供了这个想法！

Baifeng Shi

Email: baifeng_shi@berkeley.edu
Website: https://bfshi.github.io/
Advisor(s): Trevor Darrell
Research Blurb: 我致力于构建通用视觉与机器人模型。
What's next: Physical Intelligence 的技术人员

Charlie Snell

Email: csnell22@berkeley.edu
Website: https://sea-snell.github.io
Advisor(s): Dan Klein
Research Blurb: 我的工作旨在理解不同的 LLM 扩展范式何时以及如何能够相互权衡和互换。特别是，测试时扩展独立处理每个提示，引出长链推理，然后在提示之间完全遗忘它们。这与预训练有着关键区别，预训练是从大型数据集中学习压缩表示。我相信弥合这些计算扩展方法之间的差距，是该领域的一个关键开放挑战：我们如何开发方法，将测试时得出的推理重新转化为模型能够在交互之间保留的学习表示。

Devin Guillory

Email: dguillory@berkeley.edu
Website: https://devinguillory.com
Advisor(s): Trevor Darrell
Research Blurb: 在计算机视觉模型中考虑数据偏移 What's next: 构建协作式 AI 系统，寻找同谋。

Eve Fleisig

邮箱： efleisig@berkeley.edu
网站： https://efleisig.com
导师： Dan Klein
研究简介： 我设计语言模型，使其能够可靠且公平地服务于广泛的真实 LLM 用户。首先，我的研究利用用户偏好之间的分歧作为信号，从而为整个用户群体训练和评估 LLM。其次，我致力于设计严谨的评估方法，以揭示多样化用户所面临的具有挑战性的 LLM 危害。最后，我研究 LLM 的核心技术缺陷，例如置信度校准不当，以降低模型部署给具有不同需求的用户时所产生的下游风险。综合来看，这些干预措施有助于构建能够最小化社会危害、并最大化对更广泛真实用户群体益处的 LLM。
下一步： 普林斯顿 CITP 博士后研究员

Grace Luo

邮箱： graceluo@berkeley.edu
网站： https://graceluo.net
导师： Trevor Darrell
研究简介： 我的研究聚焦于生成模型的可解释性与控制。例如，我曾研究将图像生成器重新用于计算机视觉任务，以及通过对语言激活进行元建模，以实现更好的 LLM 探测与引导。
下一步： 业界研究科学家

Hanlin Zhu

邮箱： hanlinzhu@berkeley.edu
网站： https://hanlinzhu.com/
导师： Stuart Russell, Jiantao Jiao
研究简介： 我的研究核心是理解和提升大语言模型（LLM）的推理能力。
下一步： OpenAI 技术团队成员

Haozhi Qi

邮箱： hqi@berkeley.edu
网站： https://haozhi.io/
导师： Jitendra Malik, Yi Ma
研究简介： 灵巧操作与机器人学习
下一步： Amazon 研究科学家；芝加哥大学教职

J.D. Zamfirescu-Pereira

邮箱： zamfi@berkeley.edu
网站： https://zamfi.net
导师： Bjoern Hartmann
研究简介： 我的研究聚焦于有效的人机协同设计。我研究语言界面作为与 AI 交互媒介的边界，创建将语言为中心的交互与借鉴不同抽象层次的结构化用户界面相结合的系统。我关注面向语言的技术，如 LLM 和文本到图像模型，它们是设计过程的强大中介。这些技术使人类能够在几乎任何抽象层次上描述他们的愿望，从模糊指定的高层目标（“我想要一个帮助我孩子学习阅读的游戏”）到对不期望输出的低层修正（“在谈论食谱替代品的味道时，不要说‘我知道因为我尝过’”）。
下一步： 加州大学洛杉矶分校计算机科学助理教授

Jiachen Lian

邮箱： jiachenlian@berkeley.edu
网站： https://jlian2.github.io
导师： Gopala Anumanchipalli
研究简介： 我的研究聚焦于语音、医疗和系统领域的以人为本的 AI。
寻找： 寻找 AI 人才加入我们的初创公司

Josh Kang

邮箱： minwoo_kang@berkeley.edu
网站： https://joshuaminwookang.github.io/
导师： John Canny
研究简介： 我研究语言建模及 NLP 相关主题；具体兴趣是人类用户模拟和构建对话式、协作式 AI 智能体。
下一步： Mistral AI 的 AI 科学家

Junhao (Bear) Xiong

邮箱： junhao_xiong@berkeley.edu
网站： https://www.linkedin.com/in/junhao-bear-xiong
导师： Jennifer Listgarten, Yun Song
研究简介： Junhao (Bear) Xiong 是加州大学伯克利分校的博士生，导师为 Jennifer Listgarten 和 Yun S. Song。他的工作聚焦于生物学的机器学习方法，重点在蛋白质的生成建模。此前，他在约翰斯·霍普金斯大学学习应用数学和计算机科学。
寻找： 研究科学家

Kaylo Littlejohn

邮箱： kaylo_littlejohn@berkeley.edu
网站： https://kaylolittlejohn.com
导师： Gopala Anumanchipalli
研究简介： 我的研究聚焦于语音建模和自然语言处理。我共同领导了多模态 AI 工具的开发，将大脑活动准确翻译为文本、可听的个性化语音，以及高保真的“数字说话头像”（Nature 2023, Nature Neuroscience 2025）。我还是 Roblox 语音建模的技术负责人。
求职意向： 研究科学家 / 工程师

Kent Chang

邮箱： kentkchang@berkeley.edu
网站： https://kentkc.org
导师： David Bamman
研究简介： 我从事 NLP 和多模态机器学习研究，重点关注大型语言模型的评估，以及构建用于理解对话、叙事和社会互动的多模态系统。我的研究包括 LLM 记忆基准、来自剧情片和电视节目的多模态数据集，以及模型行为研究。我感兴趣的是将计算方法与人文学科和社会科学的问题相结合，探讨哪些声音在 AI 系统中得到代表，以及 AI 的更广泛影响。我的研究成果发表于 EMNLP 和 ACL 等会议。
求职意向： （教职）教师、研究科学家、ML/AI 软件工程师

Kevin Black

邮箱： kvablack@berkeley.edu
网站： https://kevin.black
导师： Sergey Levine
研究简介： 我从事大规模机器人学习研究：包括模仿学习、强化学习、生成建模、实时控制，以及让机器人在现实世界中工作所需的一切！
下一步： Physical Intelligence 研究科学家

Kunhe Yang

邮箱： kunheyang@berkeley.edu
网站： https://www.kunheyang.com/
导师： Nika Haghtalab
研究简介： 我的研究聚焦于在受人类激励和 AI 能动性影响的环境中设计和评估 AI 算法的理论基础。我的工作涵盖以人为本的策略学习、激励感知评估，以及多智能体协作与信息传递，借鉴了机器学习理论和计算经济学的工具。
下一步： 斯坦福大学博士后研究

Long (Tony) Lian

Email: longlian@berkeley.edu
Website: https://tonylian.com/
Advisor(s): Trevor Darrell, Adam Yala
Research Blurb: 我的研究主要聚焦于通过端到端 RL 开发实时多模态多智能体系统和并行推理系统。
What's next: Thinking Machines Lab 的技术员工成员

Maulik Bhatt

Email: maulikbhatt@berkeley.edu
Website: https://maulikb.com
Advisor(s): Negar Mehr
Research Blurb: 我的研究开发能够在共享环境中与人类和其他机器人安全协作的自主机器人。我构建基于博弈论和扩散模型的可扩展算法，让智能体能够推理周围其他智能体的意图和行为。我的工作涵盖实时多智能体轨迹规划以及在存在多模态情况下的模仿学习。我已在从四旋翼飞行器到机械臂的硬件平台上验证了这些方法，目标是使多智能体协作稳健、可解释，并能在现实世界中部署。
What's next: 加入 Toyota Woven 的端到端自动驾驶团队。

Michael Psenka

Email: psenka@berkeley.edu
Website: https://www.michaelpsenka.io/
Advisor(s): Aditi Krishnapriyan
Research Blurb: 工作涉及多个领域（强化学习、世界模型、AI+生物/化学），通常研究规划和插值中更长时域和分布外的问题（例如从起始状态到目标的机器人操作、基态之间蛋白质的分子动力学）。我的论文直接从环境的深度生成模型出发，采用变分方法（想想变分法），将路径寻找表述为最小化由学习模型本身（其 score、其 critic 或其动力学）诱导的泛函。通过我的研究，我深入了解了如何在深度学习系统中正确处理动力学，并计划继续开发动态且自适应的系统。
What's next: Baseten 的首席研究科学家

Neerja Thakkar

邮箱： nthakkar@berkeley.edu
网站： https://neerja.me/
导师： Jitendra Malik
研究简介： 我的研究专注于扩展预测性世界模型，以应对真实场景中运动的复杂性。利用自回归和扩散框架，我开发更好的表征用于真实世界预测，并提出方法高效地将这些模型适配到新领域。
求职意向： 研究科学家

Nikita Mehandru

邮箱： nmehandru@berkeley.edu
网站： https://n-mehandru.github.io/
导师： Ahmed Alaa 和 David Bamman
研究简介： 我的研究开发并应用机器学习方法，利用电子健康记录中的非结构化文本和时间序列数据进行临床推理和疾病进展建模。我与 UCSF 的医生合作，将方法开发与临床验证相结合，旨在构建医学领域可靠、可解释的 AI 系统。
求职意向： 研究科学家

Niklas Lauffer

邮箱： nlauffer@berkeley.edu
网站： https://niklaslauffer.github.io/
导师： Stuart Russell 和 Sanjit Seshia
研究简介： Niklas 的研究专注于 AI 安全和强化学习，特别是在多智能体交互和 LM 智能体领域。他致力于在合作和混合动机场景中实现对抗性学习，解决在长时程任务上训练 LM 智能体时的协变量偏移问题，以及评估 LM 智能体在多智能体场景中带来的安全风险。
下一步： Google Deepmind 研究科学家

Qiyang Li

邮箱： qcli@berkeley.edu
网站： https://colinqiyangli.github.io/
导师： Sergey Levine
研究简介： 机器人操作策略学习的最新进展在很大程度上得益于（1）大规模先验数据集日益丰富，以及（2）动作分块（action chunking）的成功，即策略预测未来一小段动作序列而非单个动作。然而，大多数动作分块策略都是通过监督模仿学习训练的，因为使用强化学习（RL）进行高效的在线自我改进仍然具有挑战性——这限制了其在现实世界中的适用性。我的博士研究探讨了如何利用先验数据通过RL优化动作分块策略，将实证结果与理论洞见相结合。
求职意向： 机器人及LLM领域RL方向的博士后/研究科学家！

Sampada Deglurkar

邮箱： sampada_deglurkar@berkeley.edu
网站： https://sdeglurkar.github.io/
导师： Prof Claire Tomlin
研究简介： 我的研究致力于为AI赋能的自主系统提供安全保障，涵盖机器人、自动驾驶汽车到航空系统。为此，我研究了机器学习模型的不确定性量化、不确定性下的决策算法，以及为系统运行提供概率性保证的工具。
求职意向： 研究科学家、研究工程师

Vinamra Benara

邮箱： vbenara@berkeley.edu
网站： https://cs.berkeley.edu/~vbenara
导师： Ion Stoica
研究简介： 我的研究聚焦于LLM后训练，包括数据整理、RLHF、基于VLM的RLVR、评估、推理、智能体工作流以及可解释性。我在分布式计算系统基础设施方面也有深厚的专业能力。
求职意向： 研究科学家 / 研究工程师

Vongani Maluleke

邮箱： vongani_maluleke@berkeley.edu
网站： https://people.eecs.berkeley.edu/~vongani_maluleke/
导师： Jitendra Malik 和 Angjoo Kanazawa
研究简介： Vongani Maluleke 是 UC Berkeley（BAIR，由 Jitendra Malik 和 Angjoo Kanazawa 指导）的博士生，她主导开发了 MAGNet，一个统一的多智能体运动生成框架，无需重新训练或架构更改即可支持广泛的运动生成任务，性能优于任务专用的最先进基线。她目前正在扩展这项工作，将其部署在 Unitree G1 人形机器人上，使其具备社交智能。在攻读博士之前，她曾是 Deloitte 的高级 AI 顾问，连续两年获得杰出表现奖，领导媒体、电信、零售和金融服务领域的 AI 系统开发。
求职意向： 研究科学家

Wei-Jer Chang

邮箱： weijer_chang@berkeley.edu
网站： https://weijer-chang.github.io/
导师： Masayoshi Tomizuka
研究简介： 我的研究专注于为复杂、以人为中心的环境开发安全且智能的自主系统。我工作在机器学习、生成模型和强化学习的交叉领域，并应用于自主性。我的工作解决了多智能体交互、交互式人类行为和大规模长尾安全关键场景中的挑战。
求职意向： 研究科学家、应用科学家、机器人专家

Xiuyu Li

邮箱： xiuyu@berkeley.edu
网站： https://xiuyuli.com/
导师： Kurt Keutzer
研究简介： 我的研究专注于开发可扩展且自我改进的大型语言模型智能体，重点在于面向复杂、长时程任务的编码智能体。这一方向建立在我并行推理的工作基础上，以及在语言和视觉领域使生成模型在训练和推理中更高效的广泛专业知识上。
下一步： xAI 的技术人员成员

Yichen Xie

邮箱： yichenxie0928@gmail.com
网站： https://yichen928.github.io/
导师： Masayoshi Tomizuka
研究简介： 我的研究专注于构建能够理解和与复杂物理环境交互的多模态基础模型和世界模型。我致力于开发跨模态的统一表示，使 AI 系统能够对空间、时间和动态进行推理，从而实现通用具身智能。
下一步： Luma AI 研究科学家

Yigit Efe Erginbas

邮箱： erginbas@berkeley.edu
网站： https://www.linkedin.com/in/erginbas/
导师： Kannan Ramchandran, Thomas A. Courtade
研究简介： 我的博士研究涵盖两条主线：大规模市场中的在线学习，以及大型机器学习模型的可解释性。在第一条主线中，我研究序列决策及其在推荐、定价和选品中的应用。我的重点是为福利最大化、收入最大化和稳定性设计具有可证明保证的算法。在第二条主线中，我开发可扩展的归因方法，利用现实世界交互中稀疏、低阶的结构，使用信号处理和信息论的工具。最近，我一直在探索评估模型自我解释忠实性的原则性方法。
下一步： Hudson River Trading 的 AI Labs (HAIL) 研究员

Yiheng Li

邮箱： yhli@berkeley.edu
网站： https://Yihengli.com
导师： Masayoshi Tomizuka
研究简介： 我正在研究视觉世界建模，此前在扩散模型的效率以及自动驾驶方面有经验。
下一步： Waymo 研究科学家

Zhe Fu

邮箱： zhefu@berkeley.edu
网站： https://fu-zhe.com/
导师： Alexandre Bayen
研究简介：我的研究聚焦于混合自主系统的物理信息学习与控制，并应用于交通领域。我设计物理信息神经网络来学习非线性偏微分方程的解，从而实现对交通动态的准确且数据高效的预测。在这些模型的基础上，我开发基于模型和基于学习的控制策略，协调自动驾驶车辆以提升系统级性能。我的工作连接了机器学习、控制与真实世界部署，并已在大规模现场实验中得到验证。更广泛地说，我致力于推进可信、可解释的人工智能，用于复杂真实世界系统中的决策。
下一步：毕业后我将成为斯坦福大学的能源研究员。同时也在寻找人工智能、控制和自主性领域的教职或研究科学家职位。