本文转自：扬子晚报
近年来，人工智能作为引领未来的战略性通用技术，一方面能渗透到生产、消费、流通等各环节，另一方面能够把通用技术与具体产业领域相结合，并培育出新的技术，因此成为赋能各行各业培育并形成新质生产力的“原动力”，以及众多有志之士关注的“风口”。蚂蚁集团高级算法工程师，曾经的脸书人工智能研究科学家陈奕丞深刻把握行业趋势，带领团队攻坚克难，在大模型工具学习等领域取得多项重大创新成果，推动人工智能创新成果和数字技术融入城市治理，不断为前沿技术攻关和经济社会高质量发展贡献智慧和力量。
引领大模型工具学习：全面提升效率与创新
作为蚂蚁金服大模型工具学习端到端链路的核心设计者，陈奕丞带领团队完善该链路涵盖了从 线上工具描述的自动获取到工具学习数据生成、模型训练、评测和部署，以及自动化 bad case 分析与修复的全过程。这一系统实现了数百种工具的自动注册和集成，支持高效生成模型工具调用的训练数据，同时对蚂蚁金服的自研大模型进行了高效微调。通过引入自动化性能评估流程和自动化问题修复机制，该系统确保了模型的持续优化和改进。陈奕丞博士设计和实现的这套基础设施已经成为蚂蚁金服大模型战略成功的关键。例如，HR 部门利用该系统优化了 25,000 多名员工的定会议室效率；AI 驱动的移动应用智小宝，则通过这套工具来生成数据从而训练模型为超过 1,200 万用户提供订餐、打车及本地服务推荐等功能。此外，陈奕丞和团队还积极参与百灵大模型应用平台建设，这个平台还获得了中国信通院“4+”评级认证，这些成就充分证明了陈奕丞博士对蚂蚁金服持续发展的重要贡献。
解决被动雷达系统未知信号估计难题
在雷达系统中，信号发射通常是已知的，而被动雷达系统是采用空间中已有的通信信号，它面临发射信号完全未知的复杂场景。陈奕丞博士提出了在这种情况下如何联合估计目标位置和速度的创新方法。他的方法基于先进的参数估计理论，采用 Cramer-Rao Bound（CRB） 技术，在完全未知信号的背景下高效估算目标的关键参数，如位置、速度和信号幅度。同时，他还证明了如果能部分了解信号的格式，将显著提高估计性能。这一方法通过从环境中的噪声信号中推导信号信息，展现了独特的创新性和实际意义。陈奕丞博士的这一研究成果极大提升了被动雷达系统的性能，使其成为比传统主动雷达更具成本效益的选择，并为现代雷达技术的发展提供了新的理论基础。
延长传感器网络寿命：有序传输方法的突破性应用
在传感器网络中，由于每个传感器的能量有限且通信是最耗费能量的环节，如何延长传感器的使用寿命是一个基础性难题。陈奕丞博士在美国里海大学攻读博士期间提出了一种独特的有序传输方法。通过优先传输最重要的信息，并在控制单元收到足够信息后停止未传输传感器的操作，该方法理论上能够节省超过一半的能量损耗，极大地提升了传感器的寿命。
这一方法的应用范围极为广泛，从传感器网络到分布式人工智能、智能电网以及雷达网络等领域均取得了显著成效。在分布式人工智能中，陈奕丞博士进一步结合信息压缩技术，在保证模型学习效果的同时显著缓解了移动端设备与控制中心之间的通信瓶颈问题。他在该领域发表的多篇论文，不仅在 IEEE Transactions on Signal Processing 等信号处理顶级期刊刊登，还被印度、法国、挪威、澳大利亚和新加坡等多个国家的科学家引用和借鉴，展现了其研究的深远影响力。
结语：技术创新的推动者
无论是在大模型工具学习、被动雷达信号估计技术，还是传感器网络优化领域，陈奕丞博士的研究与实践都展现了非凡的创新力和影响力。他的工作不仅为相关领域的理论发展注入了新的活力，更通过实际应用创造了显著的社会和经济价值。
陈伟
