智猩猩AI整理
编辑：六六
近日， 微软应用研究办公室（Office of Applied Research）高级应用科学家黄腾昊 主页更新，宣布将于2027年秋季加入美国犹他大学（University of Utah），担任长聘教轨助理教授。
黄腾昊本科毕业于北卡罗来纳大学教堂山分校（UNC-Chapel Hill），期间曾与 Snigdha Chaturvedi、Colin Raffel 等学者开展研究。此后，他进入南加州大学（USC）Viterbi工程学院攻读计算机科学博士学位，师从 Muhao Chen 和 Jonathan May，并于今年5月完成博士阶段学习。
他在2025年就开始在微软应用研究办公室开展研究工作，先后担任研究科学家实习生、兼职研究实习生，之后正式加入微软，担任高级应用科学家。
黄腾昊的研究主要关注语言模型如何实现长程规划、工具使用和记忆，如何主动获取用户需求中的缺失信息，以及如何在复杂的社会交互中与人有效协作。此外，他也持续探索AI创造力，关注生成内容的质量与多样性。
之前黄腾昊主要研究自然语言理解与文本生成。2024年，他以共一身份参与的《Are Large Language Models Capable of Generating Human-Level Narratives?》收录于EMNLP 2024，并获得杰出论文奖（Outstanding Paper Award）。
这项研究探讨大语言模型能否生成接近人类水平的叙事，以及如何评价AI生成故事的质量。
随着大语言模型逐渐从内容生成走向任务执行，黄腾昊也开始关注智能体的工具使用能力。在一项收录于 NAACL 2024 Findings，并获最佳论文提名的研究中，他探索了如何通过规划和编辑检索到的信息，提升语言模型调用外部工具的效果。
此外，他参与的 R2D2（ACL 2025）研究，聚焦智能体在执行长程网页任务时容易遗忘过往操作、重复尝试的问题，并提出了一种反思式智能体记忆框架，使智能体能够记录、回放历史交互，并将过往经验运用到后续任务决策中。
在微软应用研究办公室，黄腾昊进一步将研究推进到语言模型后训练与人类偏好对齐。他在微软实习期间完成的《Teaching Language Models To Gather Information Proactively》收录于EMNLP 2025 Findings。
这项工作体现了他对下一代智能体交互方式的关注：智能体不仅要能够执行任务，还需要主动理解用户需求，获取完成任务所需的信息。
与此同时，他的研究也逐渐拓展到更加复杂的社会交互场景。 他参与的 NewsInterview（ACL 2025 Oral）和 FoodPuzzle（KDD 2025）研究，分别从信息访谈和自主风味科学研究切入，探索语言模型智能体如何在真实场景中主动获取信息、理解需求并完成复杂任务。
从AI叙事生成到工具学习、智能体记忆，再到微软期间的后训练与主动信息收集，黄腾昊的研究逐渐形成了一条清晰主线： 让语言模型不再只是被动响应指令的工具，而是能够理解人的需求、主动获取信息，并在开放环境中持续完成任务的智能系统。
2027年秋季，黄腾昊将开启新的学术阶段，在犹他大学继续开展语言模型智能体、模型后训练与以人为中心的AI研究。
