研究方向

• 基础Generative AI框架以及可控生成方法： Diffusion Model, Flow Matching, Tokenization+AR （LLM）等主流生成模型和相关的生成方法。我们相信，“What we can’t generate, we don’t understand”，生成3D Scenes，Dynamics (如Video)等构成真实世界的基础元件，是通向超级智能的必经之路：能够创造世界的AI，才真正理解了世界。

• 多模态表征学习： Vector Tokenization以及衍生的Modality Fusion等多模态统一的表征模型。多模态表征与生成研究结合，探索多模态统一、生成，World Model等AI焦点和前沿方向。

• AI for Science: 主要关注上述方法在生物分子生成（小分子和蛋白质等），多组学表征，细胞调控等相关生物领域的应用，将AI基础方法创新与AI4Science应用结合，实现互相促进，正向循环。