2026-03-16 11:44:09 西盟科技资讯
前文介绍
北京时间2026年3月1日上午5:00， World Science Hill独家专访了明尼苏达大学丁杰教授。
World Science Hill创始人Mia王璟晗
独家专访丁杰教授视频截图
【本期人物专访】
丁杰教授
清华大学2008级校友丁杰，现任明尼苏达大学统计学副教授(兼电子工程与计算机科学研究生导师)。他的研究聚焦生成式人工智能、AI for Science、以及人机协作系统，曾担任Amazon Scholar，与Amazon Alexa及AGI团队合作开展数据隐私和基础模型研究。
他在哈佛大学获得博士学位，2018年加入明尼苏达大学，2023年提前晋升终身教职，并获得美国国家科学基金会CAREER Award等多项荣誉。
近年来，丁杰将研究重心从理论转向AI Agent系统的工程化与落地实践，作为AI平台 MorphMind.ai的联合创始人兼CEO，专注于让任何专业领域的个人快速搭建并持续优化自己的AI团队，探索人与AI的长期协作模式。
问题一：请您概述您近期最关注的研究问题与正在推进的工作方向。
当前人工智能技术迭代极为迅速，模型与方法的更新几乎以天为单位发生。与此同时，技术门槛的降低使得非专业开发者也能够构建并发布应用，近期“多智能体协作”等概念的流行进一步强化了这种趋势。
然而，我们观察到一个日益突出的矛盾：模型能力在增强的同时，用户对系统的可控性与可理解性却在下降。许多用户在输入提示后只能被动等待输出，难以判断模型在中间经历了何种推理、检索或计算过程;当结果出现错误时，也难以定位问题来源，最终往往只能通过反复修改提示词进行“试错式”迭代。这种体验类似于一辆动力很足可没有方向盘的汽车。
在此背景下，我们创立并推进 MorphMind 的核心目标，是通过系统设计将“控制权”重新交还给用户，使人机协作从一次性生成结果，转向可追溯、可校验、可迭代的长期协作过程。我们在与生命科学等多个领域的研究者合作时持续发现，高质量知识工作并不只需要快速的输出，更需要可验证、可审计的输出。
因此，我们正在构建一套面向复杂知识工作流的系统，使用户可以“组织并调度”一个具备明确分工的 AI 专家团队(例如研究员、分析师、写作与整理模块等)，并在全过程中以交互方式参与、监督、纠错与指导，从而实现可控的人机协作。
问题二：您在明尼苏达大学的研究长期横跨机器学习、统计与信号处理。是什么契机促使您将相关研究思想进一步产品化，并最终推动 MorphMind 的创业实践?是否存在某个关键的科研痛点触发了这一决定?
在与不同学科研究者的长期合作过程中，我们曾开发过多类自动化工具，用于实验数据处理、文献调研、乃至更复杂的实验设计与流程管理。这些工具在效率层面确实能够产生显著提升。然而，在更广泛的用户群体中——包括学生、学者，以及产业界从事知识密集型工作的专业人员——我们反复遇到一个难以通过“工具自动化”本身解决的核心障碍：对 AI 输出可信度的系统性担忧。
以文献调研为例，模型可以在短时间内生成大量相关来源与摘要，但其结论往往经不起严格核查，甚至存在明显的事实错误与编造内容。这一问题在学术共同体中已引发高度关注，部分会议与期刊对“生成式幻觉”采取严格处理原则，一旦发现将导致直接退稿。若在相对基础的任务(如文献梳理)上用户仍无法建立充分信任，那么更复杂、更高风险的任务就更难被 AI 可靠地承担。
我们基于对数百名用户的调研发现：任务越复杂、质量要求越高，用户越倾向于降低对 AI 的依赖，仅将其用于低风险的问答或交流。这促使我们形成一个判断：模型能力可能在持续增强，但若缺乏可验证机制，其可用性会被系统性削弱。
MorphMind 的关键切入点因此明确为“让用户能够验证与干预 AI 的工作过程”。我们希望用户不仅看到结论，更能看到过程;当出现问题时，能够定位、修正并迭代，像管理团队一样管理 AI，而非被动等待并反复祈祷模型输出正确答案。
问题三：MorphMind 强调“可检查的输出”，并将事实、计算与解释进行分离。这一理念与统计学对可验证性与不确定性的强调高度一致。请问统计训练与数据分析的思维方式，具体如何影响 MorphMind 的产品架构与关键决策?
统计学训练的核心之一，是对不确定性进行量化表达：我们通常不将结论表述为“绝对正确”，而是明确其成立条件、误差来源与置信程度。这种思维方式深刻影响了 MorphMind 的系统架构。我们更关注“可操纵的智能系统”(即用户能够对系统进行检查、干预与纠偏)，而不是单纯追求输出更“自信”的黑箱答案。
具体而言，我们的架构将工作流拆解为多个具备明确职责的 AI 角色，并要求每个角色对其输出承担可追溯的证据链：例如，“研究员”模块需要标注信息来源与引用依据;“分析师”模块需要呈现计算过程与关键中间量;“写作”模块需要区分事实陈述与推断性表述。通过这种结构化拆分，用户看到的不再是一段看似权威但不可质疑的结论，而是一份可以审计的“工作报告”：每一步均可追问、复核与修正。
在我们看来，这是一种以可验证性为中心的系统设计选择。其目标是将人机协作从“结论交付”转变为“过程协作”，使用户获得可控性与可解释性，从而在高质量任务中建立可持续信任。
问题四：您曾与 Cisco Research 等机构开展多年合作，并参与多项学术界与产业界的联合研究。在您看来，“合作研究”与“创业并交付产品”之间最大的差异是什么?
二者之间确实存在一定相似性，但可以说有着更大的差异：学术研究同样需要不断调整方向，初期提案与最终成果之间也常常存在差距。但创业与产品交付在节奏与约束条件上显著不同。
第一，创业的迭代周期更短，反馈更直接。在学术研究中，我们可能投入较长时间去论证一个想法的正确性或理论价值;而在产品开发中，一个想法可能在一两天内快速形成原型，并在一周内收到用户反馈——如果用户不需要或无法使用，就必须迅速否定并转向。
第二，学术研究可以接受“具有学术意义但短期不实用”的成果;而产品必须回应真实且强烈的用户痛点。MorphMind 的定位演化就体现了这一点：我们最初从科研工作流切入，但用户反馈显示，“可验证、可追溯、可控”的需求并非科研所独有，在咨询、投资研究、生命科学乃至其他更广泛行业的知识工作中同样普遍存在。因此，我们逐步将产品从特定领域工具，调整为面向通用知识工作者的基础平台，聚焦于跨行业共同存在的核心问题。
问题五：许多团队在构建通用 AI 工具，而 MorphMind 更倾向于以高质量工作流为目标，强调可追溯性、可复现性与可验证性。您认为科研场景最困难的部分是什么?该困难是科研特有，还是一种更普遍的知识工作问题?
我们的判断是，科研只是一个典型且高要求的起点，但问题本质并非科研特有，而是所有高质量知识工作者共同面临的普遍矛盾：当 AI 变得更强大时，用户往往反而更缺乏控制感。如果无法解释答案从何而来、模型做了什么、关键假设是什么，那么用户能采取的策略往往只有反复尝试不同提示词，这不仅带来时间效率的损失，也带来资源成本的上升。
科研场景之所以具有代表性，是因为其对可追溯性、可复现性与可验证性的要求天然更高，不能仅满足于“看起来合理”的结果。因此我们以科研为出发点，但最终目标是构建一个适用于所有高标准知识工作的通用平台，使用户能够稳定交付可验证的高质量成果，并在全过程中保持对系统的可控性与审计能力。
嘉宾：丁杰
主持：Mia王璟晗
作者：Mia王璟晗
