1. 人工智能

核心围绕构建具备感知、推理、学习与决策能力的智能系统展开，涵盖机器学习（含深度学习）、自然语言处理、计算机视觉、知识表示、强化学习等关键技术方向，既致力于算法理论的创新突破（如神经网络架构设计、迁移学习机制），也注重在医疗诊断、自动驾驶、智能交互、复杂系统优化等场景的落地应用。

2. 大语言模型

聚焦于构建具备深度语义理解与复杂推理能力的神经网络系统，以 Transformer 架构为核心，通过海量文本数据预训练形成通用语言表征，其核心研究方向涵盖：①高效训练与微调技术，如检索增强生成（RAG）结合外部知识库提升生成准确性，LoRA、QLoRA 等低秩适配方法在冻结主干参数的同时实现轻量微调；②动态推理与泛化能力，包括上下文学习（ICL）通过提示示例实现零样本 / 少样本任务适配，思维链（CoT）和多模态交互技术（如 MLLM 融合视觉编码）突破单一模态限制；③工程化与应用落地，如大模型 Agent 在自动化网页导航（AUTOWEBGLM）、软件开发（AutoDev）等复杂场景的部署，以及 RAG 在问答系统、代码生成中的垂直领域优化。

3.  生物信息学

聚焦于利用算法与计算模型解析海量生物数据的内在规律，核心研究涵盖：通过高通量测序等技术产生的基因组、转录组、蛋白质组等多组学数据的整合分析，基于机器学习（如深度学习）构建基因调控网络、蛋白质结构预测及序列功能注释模型，结合进化生物学开展物种亲缘关系推断与功能元件演化分析。