陈勇超
助理教授（拟入职）
大模型、机器人、神经-符号人工智能以及AI for Science的交叉领域
教育背景
2021年，于中国科学技术大学工程科学学院获得学士学位（获郭沫若奖学金，中科大本科生最高荣誉）
2021年-2026年，于哈佛大学工程科学学院(SEAS)和麻省理工学院信息和决策系统实验室(LIDS)获得博士学位（导师是Chuchu Fan, Na Li, Nicholas Roy）
有在工业界，包括Google Research、DeepMind、Microsoft Research、MIT-IBM Watson AI Lab等研究经历。
研究方向
陈勇超助理教授核心目标是探索面向自主系统的通用性强、可扩展的神经-符号模型（General, Scalable Neuro-Symbolic Models for Autonomy），以提升智能体和机器人在复杂环境中的理解、推理、规划与决策能力。
主要包括：
（1）基础模型与神经-符号方法（Foundation Models & Neuro-Symbolic AI）
聚焦大语言模型与多模态模型（LLM/VLM）的后训练（Post-Training）、推理（Reasoning）、规划（Planning）与工具使用（Tool-Use），探索融合符号结构与学习机制的神经-符号模型，以提升模型的系统性推理能力与泛化性能。
（2）机器人与自主系统（Robotics & Autonomous Systems）
研究机器人任务与运动规划（Task and Motion Planning）、机器人基础模型（Robotic Foundation Models, VLAs），以及触觉感知、人形机器人、操作、导航、控制与优化、多机器人系统和机器人力学等方向，推动具备长期自主性与复杂操作能力的智能机器人系统发展。
（3）科学智能（AI for Science）
探索基础模型与机器人技术在自主科学发现（Autonomous Scientific Discovery）中的应用，研究面向科学问题的模型构建、实验决策与自动化系统，加速科学研究流程与知识发现。
研究成果
围绕“构建可扩展、可泛化的神经符号自治系统”这一核心目标，系统性地推进了 Foundation Models 与符号计算、搜索优化及机器人任务与运动规划（TAMP）的深度融合，提出 AutoTAMP、NL2TL 和 TravelPlanner 等框架，实现 LLM 与形式化规划器的可靠集成；进一步提出 Code-as-Symbolic-Planner 范式，将代码作为统一中间表示，构建 CodeSteer、R1-Code-Interpreter 与 TUMIX 等模型，使大模型能够在文本推理、代码执行与工具调用之间动态切换；
同时将搜索方法拓展至多机器人协作、Prompt 优化与 AI for Science，在机器人规划、智能体推理与科学发现等方向形成系统性贡献，多项工作发表于 ICLR、ICML、EMNLP、NAACL、ICRA 等顶级会议，并产生广泛学术与社区影响。开源的模型和数据集被多次下载，在HuggingFace上已累计超过50万次。工作多次被MIT News、MIT News Spotlight、麻省理工科技评论报道。
*更多信息可以参考其个人主页：https://yongchao98.github.io/YongchaoChen/。