周伯文教授致力于探索人工智能的本质，长期从事人工智能基础理论和核心前沿技术的研究，参与提出了结构化自注意力句子表征方法，以及具有广泛学术影响力的生成式和抽取式神经文本摘要模型，为自然语言表征、理解与生成技术的发展作出了重要贡献。

他的研究方向涵盖通用人工智能（AGI），大语言模型，深度学习，自然语言处理，人工智能安全，人工智能对齐，人工智能赋能科学研究等，并在相关方向开展了较为系统的研究，形成了一系列具有学术与实践影响力的成果。

代表性论文与开源模型：

智能的本质

[1]  “A Structured Self-Attentive Sentence  Embedding.” ICLR, 2017.

Zhouhan Lin, Minwei Feng, Cicero Nogueira dos Santos, Mo Yu, Bing Xiang, Bowen Zhou†, Yoshua Bengio^†.

• 开创性成果：首个任务无关的自注意力及多头机制，被Transformer采用；Transformer是GPT、BERT及所有现代大语言模型的基础。

[2] “Abstractive Text Summarization Using Sequence-to-Sequence RNNs and Beyond.” CoNLL, 2016.

Ramesh Nallapati, Bowen Zhou^†, Cicero Nogueira dos Santos, Caglar Gulcehre, Bing Xiang.

• 奠基性成果：首个基于注意力的序列到序列（seq2seq）抽象式摘要方法，确立了现代AIGC文本生成范式。

[3] “SummaRuNNer: A Recurrent Neural Network Based Sequence Model for Extractive Summarization of Documents.” AAAI, 2017.

Ramesh Nallapati, Feifei Zhai, Bowen Zhou^†.

• 基础性成果：提出用于抽取式摘要的神经序列模型，为神经文档理解奠定基础。

[4] “Process Reinforcement Through Implicit Rewards.” Transactions on Machine Learning Research (TMLR), 2026.

Ganqu Cui, Lifan Yuan, Zefan Wang, Bowen Zhou^†, Ning Ding, et al.

• 强化学习理论：利用隐式奖励塑形开展面向推理的过程级强化学习。

[5] “The Entropy Mechanism of Reinforcement Learning for Reasoning Language Models.” ICLR, 2026.

Ganqu Cui, Yuchen Zhang, Jiacheng Chen, Bowen Zhou^†, Ning Ding, et al.

• 强化学习理论：从理论上分析熵在推理模型强化学习训练动态中的作用。

人工智能实践

[6] “Integrating Speech Biomarkers and Large Language Models for Adolescent Suicide Risk Detection with Mobile Application for Real-World Evaluation.” Cell Reports Medicine, 2026.

Chang Lei, Ziyun Cui, Yinan Duan, Zhijun Wu, Diyang Qu, Wen Wu, et al.; Bowen Zhou^†.

• 人工智能助力健康：通过语音分析与大语言模型，构建用于心理健康筛查的多模态人工智能。

[7]  “TTRL: Test-Time Reinforcement Learning.” NeurIPS, 2025.

Yuxin Zuo, Kaiyan Zhang, Shang Qu, Bowen Zhou^†, et al.

• 强化学习推理：使大语言模型无需额外训练数据，即可在测试时学习并改进推理策略。

[8]  “Intern-VL Series: Open-Source Multimodal Foundation Models.” 开源模型，2022–2025。

上海人工智能实验室 Intern-VL 团队（由周伯文领导）。

• 多模态基础模型：从Intern-VL到InternVL3.5的一系列开源多模态模型，在跨模态理解与推理方面位居开源模型第一梯队。

人工智能安全与可信

[9]  “Frontier AI Risk Management Framework in Practice: A Risk Analysis Technical Report.” arXiv:2507.16534, 2025.

上海人工智能实验室安全可信人工智能中心（Xiaoyang Chen, Chaochao Lu, Jing Shao, Lewen Yan, et al.; incl. Bowen Zhou）。

• 前沿风险框架：在“AI-45°法则”指导下，采用红/黄/绿风险区分类，对七个领域的前沿人工智能风险进行全面评估。该框架已被国际人工智能安全机构采用，并被后续关于人工智能风险评估与治理的研究引用。

[10]  “Reducing Human Priors in Scalable Formal Software Verification with RL in LLMs — A Preliminary Study on Dafny.” ICLR, 2026.

Chuanhao Yan, Fengdi Che, Xuhan Huang, et al., Bowen Zhou^†, Jie Fu^†.

• 形式化验证：以强化学习引导大语言模型，自动对软件正确性进行形式化验证。

科学智能及更广领域

[11]  “Trustworthy AI: From Principles to Practices.” ACM  Computing Surveys, 2023.

Bo Li, Peng Qi, Bo Liu, Shuai Di, Jingen Liu, Jiquan Pei, Jinfeng Yi, Bowen Zhou^† .

• 一篇全面的综述，涵盖人工智能系统的公平性、鲁棒性、可解释性与隐私保护。

[12]  “Towards AI-45° Law: A Roadmap to Trustworthy AGI.” 2024.

Chao Yang, Chaochao Lu, Yingchun Wang, Bowen Zhou^† .

• 通用人工智能安全：提出“AI-45度平衡定律”，旨在平衡人工智能的能力发展与安全保障。

科学智能及其前沿探索

[13]  “Building AGI through Specialized Generalist AI: pathways and key issues.” Communications of CCF, 2024. Bowen Zhou^† .

• 通用人工智能架构：提出 SGAI 框架和 SAGE（面向通用专长的协同式通用人工智能架构）。

[14]  “Toward the Construction of a Virtual Yeast.” Nature (2026).

Liujia Qian, Zizhuo Zhou, Peijie Zhou, Bowen Zhou^† , Tiannan Guo, et al.

• 科学智能（AI for Science）：构建面向酵母系统生物学的虚拟细胞模型，推动人工智能驱动的生物学模拟研究。

[15]  “Intern-S Series: Scientific Multimodal Foundation Models.” Open-source models, 2025–2026. 上海人工智能实验室 Intern- S 团队（由周伯文领导）

• 科学智能（AI for Science）：在 SAGE 架构下构建了 Intern-S 系列科学多模态模型（S1、S1-Pro、S2）。该系列模型的数学推理能力达到奥林匹克竞赛金牌水平，并在涵盖化学、材料科学、生命科学、地球科学和物理学的100余项科学任务中取得顶尖水平的表现。

更多成果请查阅：

https://scholar.google.com/citations?hl=fr&tzom=-480&user=h3Nsz6YAAAAJ