在大模型狂飆突進(jìn)的敘事里，算力是入場券，而那些曾親手拆解過全球頂級模型“黑盒”、并見證其從陣痛到翻盤的核心人才，才是真正的勝負(fù)手。

近日，隨著阿里通義千問團(tuán)隊(duì)的一系列重磅人事調(diào)整，一個(gè)此前低調(diào)、卻在 Google DeepMind 內(nèi)部極具分量的名字——周浩，正式走到了聚光燈下。這位從中科大數(shù)學(xué)系走出的頂級學(xué)子，在過去的五年里，完整參與了谷歌大語言模型從 LaMDA 時(shí)代到 Gemini 3.0 的全周期演進(jìn)。

周浩的職業(yè)路徑，幾乎就是一部縮影版的谷歌 AI 進(jìn)化史。他不僅曾師從 AI 傳奇人物、谷歌大腦創(chuàng)始成員 Quoc Le，更是 Gemini 團(tuán)隊(duì)中負(fù)責(zé)后訓(xùn)練（Post-training）核心推手。從助力 Gemini 登頂 LMSYS 全球榜首，到主導(dǎo)模型在 IMO、ICPC 等硬核競賽中摘得金牌，周浩的名字始終鐫刻在那些定義“深度推理”與“思維模式”的關(guān)鍵節(jié)點(diǎn)上。

而在 2026 年初，這位大模型老兵選擇轉(zhuǎn)身回國，加盟阿里通義實(shí)驗(yàn)室，并直接向阿里云 CTO 周靖人匯報(bào)。這一變動(dòng)正值通義千問團(tuán)隊(duì)技術(shù)負(fù)責(zé)人林俊旸、后訓(xùn)練負(fù)責(zé)人郁博文相繼離職的關(guān)鍵時(shí)刻。周浩的“火速履新”與其深厚的技術(shù)背景，迅速引發(fā)了行業(yè)對于通義千問下一代演進(jìn)路線的無限遐想。

當(dāng)大模型競速進(jìn)入下半場，行業(yè)共識(shí)正從“預(yù)測下一個(gè)詞”轉(zhuǎn)向構(gòu)建具備自主學(xué)習(xí)、長程推理能力的智能體。周浩在 Gemini 框架下積累的關(guān)于強(qiáng)化學(xué)習(xí)、多步規(guī)劃與自我進(jìn)化的實(shí)戰(zhàn)范式，正是當(dāng)下千問邁向“深度智能”最迫切的一塊拼圖。

圖片來源：Linkedln

一、從中科大出發(fā)

和許多在大模型浪潮中被迅速看見的研究者不同，周浩的起點(diǎn)并不帶有太強(qiáng)的“時(shí)代風(fēng)口”色彩。在2010年到2014年，周浩就讀于中國科學(xué)技術(shù)大學(xué)數(shù)學(xué)與統(tǒng)計(jì)專業(yè)，成績十分優(yōu)異，以接近滿績點(diǎn)的成績畢業(yè)，并獲得過國家獎(jiǎng)學(xué)金。這樣的背景，決定了他最早接受的并不是面向應(yīng)用的熱門訓(xùn)練，而是一套更偏底層的方法論教育：概率、統(tǒng)計(jì)、數(shù)學(xué)建模、嚴(yán)謹(jǐn)推導(dǎo)，以及對“不確定性”本身的處理能力。

圖片來源：LinkedIn

這類底層數(shù)學(xué)訓(xùn)練的價(jià)值，往往不會(huì)在最開始就顯得耀眼。它不像“做出一個(gè)爆款產(chǎn)品”那樣容易被看見，也不像“趕上某個(gè)技術(shù)熱點(diǎn)”那樣容易被傳播。但如果把視角放長，就會(huì)發(fā)現(xiàn)，今天大模型領(lǐng)域最棘手的問題——模型輸出是否可信、訓(xùn)練數(shù)據(jù)中的噪聲如何影響能力、推理鏈條如何驗(yàn)證、不同階段的能力如何穩(wěn)定遷移——本質(zhì)上都離不開這種底層方法能力。也就是說，周浩后來的研究路徑，雖然看起來一路走到了生成模型、推理系統(tǒng)和大模型前沿，但它真正的底色，其實(shí)很早就埋在了數(shù)學(xué)與統(tǒng)計(jì)的訓(xùn)練里。

本科階段的周浩，并不只是一個(gè)成績優(yōu)異的學(xué)生，更像是一個(gè)已經(jīng)完成底層訓(xùn)練雛形的研究者。后來他在威斯康星大學(xué)麥迪遜分校繼續(xù)走向統(tǒng)計(jì)機(jī)器學(xué)習(xí)與計(jì)算機(jī)科學(xué)的交叉訓(xùn)練，其實(shí)正是這一階段的自然延伸。

二、在威斯康星成型：統(tǒng)計(jì)機(jī)器學(xué)習(xí)與計(jì)算機(jī)科學(xué)的雙重訓(xùn)練

離開中科大之后，周浩來到威斯康星大學(xué)麥迪遜分校，繼續(xù)向更高層次的研究訓(xùn)練推進(jìn)。他在2014年至2019年，他在這里攻讀統(tǒng)計(jì)機(jī)器學(xué)習(xí)博士；與此同時(shí)，他在2015年至2017年，又同時(shí)完成了計(jì)算機(jī)科學(xué)碩士的學(xué)習(xí)，研究方向包括機(jī)器學(xué)習(xí)與優(yōu)化。這兩段碩士和博士的學(xué)習(xí)都是以接近滿分的成績畢業(yè)。在碩博期間，他的學(xué)術(shù)路徑逐漸從“數(shù)學(xué)與統(tǒng)計(jì)”延伸到更完整的“統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、計(jì)算機(jī)科學(xué)”交叉體系。

如果只看履歷，這段經(jīng)歷已經(jīng)足夠亮眼；但真正讓這一階段重要的，是他在威斯康星大學(xué)期間已經(jīng)寫出了一批方向很清楚、質(zhì)量也很扎實(shí)的論文。

威斯康星這幾年里，周浩的研究范圍一點(diǎn)點(diǎn)展開了。早期更偏向統(tǒng)計(jì)學(xué)習(xí)和數(shù)據(jù)問題，后來逐漸進(jìn)入高維時(shí)間序列與網(wǎng)絡(luò)建模，再往后，又開始接觸貝葉斯神經(jīng)網(wǎng)絡(luò)中的結(jié)構(gòu)、可解釋性和不確定性這些更復(fù)雜的主題。

這一階段，一篇很有代表性的論文，是他在NeurIPS 2016發(fā)表的《Hypothesis Testing in Unsupervised Domain Adaptation with Applications in Alzheimer’s Disease》。這篇論文討論的是無監(jiān)督領(lǐng)域自適應(yīng)中的統(tǒng)計(jì)檢驗(yàn)問題，并把方法應(yīng)用到阿爾茨海默病相關(guān)任務(wù)上。

在這篇與阿爾茨海默病應(yīng)用相關(guān)的論文中，周浩處理的是一個(gè)很典型、也很現(xiàn)實(shí)的問題：不同醫(yī)院、不同站點(diǎn)采集到的數(shù)據(jù)，往往因?yàn)闇y量方式、設(shè)備條件和處理流程不同，看起來并不完全一致。對研究者來說，真正困難的地方在于，數(shù)據(jù)之間的差異到底來自疾病本身，還是來自采集和轉(zhuǎn)換過程中的“扭曲”，并不容易直接判斷。周浩在這項(xiàng)工作里參與提出了一套統(tǒng)計(jì)檢驗(yàn)方法，試圖在存在測量變換和域偏移的情況下，判斷不同來源的數(shù)據(jù)是否仍然對應(yīng)同一個(gè)底層分布。換句話說，他關(guān)心的不是簡單地把數(shù)據(jù)拼在一起，而是先弄清楚這些數(shù)據(jù)到底能不能被放在同一個(gè)分析框架里。這項(xiàng)研究后來被用于阿爾茨海默病相關(guān)場景，希望為跨站點(diǎn)整合臨床與影像生物標(biāo)志物提供更穩(wěn)健的統(tǒng)計(jì)基礎(chǔ)。

圖片來源：谷歌學(xué)術(shù)

在威斯康星大學(xué)時(shí)期，周浩還參與了一篇很有代表性的工作，這篇文章也是他學(xué)生時(shí)期被引用最多的文章，題目是《DUAL-GLOW: Conditional Flow-Based Generative Model for Modality Transfer》。

這篇論文關(guān)注的是醫(yī)學(xué)影像里的一個(gè)非?，F(xiàn)實(shí)的問題：PET 對神經(jīng)系統(tǒng)疾病的診斷很重要，但檢查成本高，而且需要向患者體內(nèi)注射放射性物質(zhì)；相比之下，MRI 更常見、獲取也更方便，那么能不能根據(jù) MRI 去生成某些類型的 PET 圖像？周浩和合作者在這篇工作里提出了一個(gè)基于flow-based generative model的方法，用兩個(gè)可逆網(wǎng)絡(luò)和一個(gè)關(guān)系網(wǎng)絡(luò)去學(xué)習(xí)不同影像模態(tài)之間的對應(yīng)關(guān)系，使模型能夠在小樣本條件下完成從 MRI 到 PET 的模態(tài)遷移。論文還進(jìn)一步把年齡等屬性信息納入條件控制，使生成結(jié)果不僅在圖像層面更接近真實(shí) PET，也能更好地反映腦部代謝隨年齡變化的特征。

這不僅體現(xiàn)了周浩在學(xué)生時(shí)代就已經(jīng)進(jìn)入生成模型與跨模態(tài)學(xué)習(xí)問題，也說明他的研究很早就帶有一種很強(qiáng)的現(xiàn)實(shí)關(guān)懷——不是為了做一個(gè)抽象的模型，而是希望讓復(fù)雜的機(jī)器學(xué)習(xí)方法真正進(jìn)入具體場景，幫助解決真實(shí)世界里的診斷與分析問題。

圖片來源：谷歌學(xué)術(shù)

三、進(jìn)入谷歌：走進(jìn)Gemini的核心能力建設(shè)區(qū)

如果說前面的威斯康星的學(xué)生時(shí)期時(shí)期，周浩是在一步步把自己的研究能力做深，那么進(jìn)入谷歌之后，他真正站上的，是過去幾年人工智能世界里最熱、也最核心的一條技術(shù)主線——Gemini。

在博士畢業(yè)后，周浩首先加入Meta，擔(dān)任資深研究科學(xué)家，主要研究深度學(xué)習(xí)方向，并應(yīng)用在對話式AI、Reels（Meta旗下對標(biāo)抖音的產(chǎn)品）、AR/VR、廣告領(lǐng)域。

圖片來源：LinkedIn

隨后，周浩在2021年12月進(jìn)入谷歌DeepMind體系。但是在這個(gè)時(shí)間點(diǎn)，今天大家熟悉的 Gemini 還沒有正式亮相，ChatGPT 也還沒有把生成式人工智能徹底推到全民討論的中心。換句話說，周浩不是在Gemini已經(jīng)成名之后才加入，而是在這條路線還沒有完全走到臺(tái)前的時(shí)候，就已經(jīng)進(jìn)入了谷歌最核心的AI研究區(qū)，并且完整見證并參與了谷歌AI在大語言模型路線上從陣痛期到“逆風(fēng)翻盤”的全過程。

也正因?yàn)檫@樣，后來當(dāng)最早的LaMDA模型，到后來的Gemini一路從1.0推進(jìn)到1.5，再到3時(shí)，周浩的名字會(huì)出現(xiàn)在這條主線里，就顯得格外有分量。在他的谷歌學(xué)術(shù)頁面上，最醒目的幾篇論文幾乎就是 Gemini 過去幾年的公開技術(shù)坐標(biāo)：

《Gemini: a family of highly capable multimodal models》、《Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context》、《Gemini 2.5: Pushing the frontier with advanced reasoning, multimodality, long context, and next generation agentic capabilities》。

光看題目，其實(shí)已經(jīng)能看出這條線是怎么一步步往前推的：從“高能力多模態(tài)模型”，到“百萬級上下文元素”，再到“高級推理、長上下文和 agentic capabilities”。這幾篇論文不只是火，而且?guī)缀蹙褪?Gemini 每一個(gè)階段最核心的公開名片。

圖片來源：谷歌學(xué)術(shù)

其中，Gemini 1.0更像是這條主線第一次完整地站到臺(tái)前。它讓外界第一次看到。周浩出現(xiàn)在這篇工作里，而且在官方技術(shù)報(bào)告中以“Gemini App Factuality”聯(lián)合負(fù)責(zé)人的身份被提到，這件事本身已經(jīng)很能說明他在團(tuán)隊(duì)里的位置——他做的不是邊緣問題，而是大模型最難、也最核心的部分：模型說的話到底準(zhǔn)不準(zhǔn)確。這意味著周浩已經(jīng)步入AI發(fā)展的核心領(lǐng)域。

在周浩及其團(tuán)隊(duì)的研發(fā)下，接下來的Gemini 1.5，則把谷歌在大模型上的另一個(gè)優(yōu)勢徹底打響——超長上下文。如果說很多模型強(qiáng)在單輪能力，那么 Gemini 1.5 最讓人印象深刻的地方，是它把“記憶長度”這件事往前推了一大截。論文標(biāo)題里那句“millions of tokens of context”已經(jīng)非常說明問題：它不只是想讓模型看得更多，而是想讓模型在更長、更復(fù)雜的信息流里，依然保持理解和推理能力。到了這個(gè)階段，Gemini 已經(jīng)不再只是“谷歌的大模型”，而是開始形成自己非常清晰的技術(shù)標(biāo)簽。

再往后到Gemini 2.5，周浩和他的隊(duì)伍將AI這條路線又往前推進(jìn)了一步。這篇論文最能說明問題的地方，是標(biāo)題里那幾個(gè)關(guān)鍵詞幾乎全是今天最卷的能力：高級推理，多模態(tài)，長上下文，下一代代理能力。換句話說，到 2.5 這一代時(shí)，Gemini 已經(jīng)不滿足于“能回答”“能看圖”“能處理長文本”，而是開始往更強(qiáng)的推理、更完整的行動(dòng)能力去推進(jìn)。這時(shí)候再回頭看周浩的研究方：事實(shí)性、推理、多步強(qiáng)化學(xué)習(xí)、工具使用。你會(huì)發(fā)現(xiàn)他并不是碰巧“蹭上了 Gemini”，而是他的工作內(nèi)容本身就在 Gemini 最核心的能力區(qū)里。

到Gemini 3的時(shí)候，作為關(guān)鍵貢獻(xiàn)者，他負(fù)責(zé)后訓(xùn)練，主攻多步強(qiáng)化學(xué)習(xí)（RL）、模型思維模式（Thinking）及自我進(jìn)化。其團(tuán)隊(duì)的工作直接助力Gemini強(qiáng)勢登頂LMSYS全球榜首，并在IMO、ICPC等競賽中摘金，同時(shí)推動(dòng)了DeepThink、智能體編程及思維模式的重大突破。

圖片來源：LinkedIn

四、轉(zhuǎn)向阿里：從Gemini走進(jìn)千問前線

2026年初，周浩正式加入阿里巴巴，曾在夸克短暫落腳，但很快他便被調(diào)往核心技術(shù)部門——通義實(shí)驗(yàn)室，并且直接向阿里云CTO周靖人匯報(bào)。

2026年3月，阿里千問團(tuán)隊(duì)迎來了一次備受關(guān)注的關(guān)鍵調(diào)整。先是大模型技術(shù)負(fù)責(zé)人、集團(tuán)最年輕的P10級專家林俊旸宣布離開，隨后負(fù)責(zé)后訓(xùn)練方向的郁博文也在同天離職。傳言稱，周浩被推到更靠前的位置，承接起千問后訓(xùn)練方向的核心工作。

不管是哪個(gè)職位，周浩之于千問都是戰(zhàn)略級的技術(shù)契合。隨著通義千問正從傳統(tǒng)的“預(yù)測下一個(gè)詞”的語言模型，深度轉(zhuǎn)向具備自主學(xué)習(xí)、邏輯推理與規(guī)劃能力的智能體演進(jìn)，周浩此前在 DeepMind 的核心探索顯得至關(guān)重要。

周浩的加入，意味著千問在追趕甚至對標(biāo) Gemini 系列的最前沿特性上，獲得了一條“近路”。

[1] 量子位

，《阿里批準(zhǔn)林俊旸離職，CTO周靖人接管千問，Gemini周浩確定加盟》，

https://36kr.com/p/3709665960636552

[2] Linkedin，https://www.linkedin.com/in/hao-henry-zhou-ml/

Google Scholar，

https://scholar.google.com/citations?hl=en&user=6Va6E-gAAAAJ

[4] UniFunc，shttps://s.unifuncs.com/?sid=d5fbe097-19f8-449a-9f29-4e8647c8b265

加入ZF討論群，請先添加小助手微信

我們相信認(rèn)知能夠跨越階層，

致力于為年輕人提供高質(zhì)量的科技和財(cái)經(jīng)內(nèi)容。

稿件經(jīng)采用可獲邀進(jìn)入Z Finance內(nèi)部社群，優(yōu)秀者將成為簽約作者，00后更有機(jī)會(huì)成為Z Finance的早期共創(chuàng)成員。

我們正在招募新一期的實(shí)習(xí)生