智猩猩AI整理
编辑：林夕
2026年9月，石兆阳全职加入复旦大学应用数学中心。
从复旦本科，到加州大学戴维斯分校统计学博士，再到哈佛大学统计系博士后，如今回到母校，石兆阳的研究方向也逐渐聚焦到一个越来越受到关注的交叉领域：
机器学习与AI中的统计推断，以及基础模型背后的记忆与生成机制。
石兆阳本科就读于复旦大学数学科学学院，2019年获得数学学士学位。随后，他前往美国加州大学戴维斯分校攻读统计学博士，并于2024年获得博士学位。
博士毕业后，他进入哈佛大学统计系从事博士后研究，研究工作进一步向机器学习、生成模型以及统计学习理论延伸。
2026年9月，石兆阳回到复旦，加入复旦大学应用数学中心。
从他的研究经历来看，数学和统计学始终是主线，而近年来研究的问题则越来越靠近人工智能。
目前，石兆阳主要关注机器学习与人工智能中的统计推断、基础模型中的记忆与生成机制，以及统计学习理论。
其中，基础模型的记忆是他关注的一个重要问题。
今天的大模型能够从海量训练数据中学习知识，并在推理过程中生成新的内容。
但模型究竟如何存储这些信息，又是如何在需要时将相关信息“取出来”的，背后仍然存在大量理论问题。
石兆阳的研究涉及关联记忆（Associative Memory）等方向，并尝试从统计学习理论和能量模型等角度理解神经网络中的信息存储与检索机制。
这一问题与Transformer以及现代大模型中的注意力机制也存在联系。
除了记忆机制，生成模型也是他的研究重点之一。
近年来，扩散模型、Flow Matching等生成方法不断成为基础模型的重要技术路线。
与单纯追求模型效果不同，石兆阳关注的是这些模型背后的统计问题，包括模型如何学习数据分布、生成误差如何刻画，以及计算效率与生成质量之间存在怎样的关系。
这也是统计学习理论与生成式AI逐渐交叉的一个方向。
从学术履历来看，石兆阳近年来已经在统计学和机器学习领域持续发表研究成果，论文发表于《Annals of Statistics》以及NeurIPS、UAI、AISTATS等会议。
其中，他参与的关于Dense Associative Memory的研究发表于NeurIPS 2025，并获得Spotlight论文荣誉。
此外，石兆阳在求学期间也获得过多项学术荣誉，曾获得 Peter Hall Graduate Student Research Award，该奖项用于表彰UC Davis统计学博士阶段表现出色的研究生。
本科就读复旦期间，他还曾入围 Graduate Star Award 前十名候选人，并获得国家奖学金。
与此同时，他也在研究生成模型中的统计问题，希望利用统计理论解释基础模型的训练与生成过程。
这让石兆阳的研究形成了一个比较清晰的交叉方向：一端连接数学与统计学习理论，另一端连接机器学习、生成模型和基础模型。
如今，基础模型的规模不断扩大，模型能力也从单纯的预测和生成逐渐走向推理、记忆和复杂任务执行。
模型为什么能够学到这些能力、信息究竟如何被存储和调用，以及模型生成结果的可靠性如何从理论上得到解释，正在成为AI基础研究中的重要问题。
石兆阳此次回到复旦，也将继续围绕这些问题展开研究。
对于复旦大学应用数学中心来说，这类研究也与其在机器学习基础理论、新一代模型与算法等方向的布局形成了连接。
从复旦数学本科，到UC Davis统计学博士，再到哈佛统计系博士后，最终回到复旦，石兆阳的学术路径始终围绕数学、统计与机器学习展开。
而这一次回到母校，他所面对的问题已经从传统统计学习进一步延伸到了基础模型的记忆、生成与推断机制。
这也是当前数学、统计学与人工智能不断交叉融合的一个缩影。
