在很多同龄人刚刚走出校园，还在为求职、博士开题而奔波的时候，出生于 2002 年的李昊轩，已经成为北京大学博士生导师。这位 00 后青年学者，凭借扎实的科研积累，在因果推断、大模型人工智能领域崭露头角，活成了大众口中 “别人家的孩子”。 李昊轩的求学之路，很早就显露过人天赋。在进入大学之前，他就读于北京八中超常教育实验班，也就是大家熟知的 “少儿班”。该项目专门面向十岁左右、具备小学四年级知识水平的智力超常少年招生，学生要用短短 4年时间，完成普通学生8年的学习内容，覆盖小学高年级到高中全部课程。李昊轩就在这样高强度的培养模式下，打下了扎实的数理基础，早早开启了自己的求知之路。 15岁李昊轩考入四川大学数学学院，19岁他进入北京大学直博，师从周晓华教授，林宙辰教授共同指导。在读期间，他先后赴卡内基梅隆大学、牛津大学开展访问研究，在国际交流中拓宽学术视野，还曾与 LSTM 核心贡献者之一 Jürgen Schmidhuber 合作开展因果方向探索。 李昊轩的研究方向主要是提升人工智能模型判断的可靠性。推荐系统在实际运行中，长期受数据偏差困扰：用户没有点击某条内容，未必代表不感兴趣，很可能只是没有得到曝光机会。如果算法直接依托这类带有偏向性的数据开展训练，学到的往往只是浅层的相关性，无法还原用户真实偏好，最终造成推荐效果失真、线上表现波动。读博期间，李昊轩便将因果推理引入推荐系统，着手破解这一行业现实难题。 早在2022年，他就在 IJCAI 发表论文，搭建起一套统一的因果分析框架，把当时较为零散的因果推荐研究梳理归类，对推荐场景里各类偏见给出严谨的因果定义，区分预测与去偏任务，为后续同行提供统一的研究范式。针对业界广泛使用的双重稳健算法稳定性不足的问题，他相继提出 StableDR、TDR-CL 等方法，通过循环更新插补、倾向、预测模型，分解插补误差，在数据非随机缺失、模型假设存在偏差的现实条件下，稳住算法误差边界，提升预测准确度。 他参与提出的广义双重稳健学习框架，整合多种现有算法，衍生出 DR-BIAS、DR-MSE 两条技术路线，分别用于偏差控制、平衡偏差方差，适配广告转化预估等工业场景。2024年，他一篇聚焦去偏协同过滤的论文入选 ICLR Spotlight；博士论文《基于倾向得分的推荐系统去偏方法研究》，入选北京大学2026年优秀博士学位论文。 随着研究不断深入，他的探索从推荐系统进一步延伸到大模型可信性领域。大模型能够流畅应答，不代表推理过程始终严谨，逻辑不一致、反事实推断能力薄弱，是当前领域亟待补齐的短板。围绕这一方向，他参与构建 LogiConBench，作为 ICLR 2026 的评测基准，专门用来检验大语言模型的逻辑一致性。另有两篇 ICML 论文入选 Spotlight，分别面向医疗治疗效果预测、大模型智能体可复用技能学习开展攻关。 持续的钻研，沉淀出丰厚的学术成果。截至目前，李昊轩以第一作者或通讯作者身份，在 ICML、NeurIPS、ICLR 三大人工智能顶会发表论文 40 余篇，多篇成果获评 Oral、Spotlight，谷歌学术总引用超过 2800 次，获国家发明专利授权 17 项。他并不满足于只在实验室做理论研究，坚持推动成果落地到真实场景。由他参与研发的中医辨证论治智能辅助诊疗系统，已经在全国三十余家医院投入使用；同时他和华为诺亚方舟实验室、华为香港理论实验室、网易、字节跳动、美团等多家产业团队开展合作，把因果去偏算法落地到互联网推荐、广告评估等业务当中，打通基础研究与产业应用之间的通道。 在潜心科研之外，李昊轩也积极承担学术服务和科普工作。他受邀担任 TOIS、TPAMI、TKDE、TKDD、JASA 等多本权威期刊审稿人，出任 TMLR 执行编辑，在 ICML、NeurIPS、ICLR、KDD 等顶会担任领域主席。他多次走进北京工商大学、合肥工业大学、燕山大学等高校作学术报告，还参与北大平民学校科普讲座，向大众普及因果人工智能知识。早在 2021 年前后，他就在国内因果社区开展公益课程，带动更多青年研究者进入这个交叉方向。 亮眼的成绩，也为他赢得多项荣誉。他先后获评北京大学 “学生五・四奖章”、北京大学2024年度人物，作为国家奖学金获奖学生代表登上《人民日报》；主持国家自然科学基金青年学生项目，入选中国科协青年人才托举工程；今年7月，他斩获世界人工智能大会WAIC“云帆奖・明日之星”。 年纪轻轻走上博导岗位，让李昊轩受到不少关注。在学术圈内，同行更多关注他成果背后扎实的理论功底。不少研究者提到，AI 顶会论文产出逐年增多，但高质量一作成果来之不易，每一项结论都要经过反复推演与试错；也有业内人士表示，他的论文对数学基础要求较高，读懂之后能感受到研究思路的巧妙。 从对推荐系统偏差的溯源治理，