Luyao Zhang – 昆山杜克大学经济学助理教授
luyao.zhang@dukekunshan.edu.cn

项目周期：
一年期项目

---

项目简介：
“面向可持续发展的工业元宇宙”项目旨在将元宇宙相关技术整合至苏州“1030”产业体系，助力重点制造业领域实现可持续发展。项目将通过数字孪生、人工智能和增强/虚拟现实（AR/VR）等技术，创建工业流程的虚拟仿真系统，以优化运营、减少浪费并提升能源效率。核心聚焦产业包括新能源、高端装备、生物医药、新一代信息技术及新兴数字产业等。

该项目将为学生提供前沿数字技术的实践机会，并围绕真实的可持续发展问题展开探索。学生将在产业专家与教师导师的指导下，设计、开发并测试具有创新性的解决方案，为苏州绿色发展目标做出贡献。本项目契合国家“大创计划”宗旨，鼓励学生主导的创新与创业实践，聚焦制造业中的可持续议题。

项目结束时，学生将完成一个功能性的工业元宇宙平台，并参与国家级创新创业竞赛，助力中国实现绿色工业转型发展。

---

项目预期成果：

• 开发出一个面向两个关键制造业领域的可持续工业元宇宙平台原型；

• 在可持续制造与数字技术领域发表研究论文；

• 探索项目的商业转化潜力，孵化可持续发展方向的衍生创业项目；

• 提升学生在创新、技术与创业方面的综合能力；

• 为苏州绿色产业发展战略提供实践支持；

• 参与国家级创新创业比赛，推动项目成果转化与影响力扩展。

Luyao Zhang – 昆山杜克大学经济学助理教授

luyao.zhang@dukekunshan.edu.cn

一年期项目

项目简介：

“面向人类福祉的生成式人工智能”项目旨在开发跨学科的 AI 驱动型解决方案，以应对全球性挑战，如不平等与贫困，提升人类智能，加速创造力与学习的发展。项目将人工智能与经济学、教育学、认知科学及艺术等领域相结合，重点打造有益于社会各阶层的工具与平台。

项目重点包括：

• AI 促进社会公平：开发面向弱势群体的 AI 助手，在医疗、教育和就业推荐等方面提供支持。这些 AI 工具旨在弥合资源与机会之间的差距，帮助服务不足的群体改善生活质量。

• 超级智能推动人类发展：创建能加速人类智能与创造力的超级智能系统，增强儿童学习能力、推动科学发现并激发新的艺术形式。该部分将聚焦于人工智能与认知科学、艺术等领域的融合创新。

• 公平机制设计的 AI 经济学家：开发能够设计公平包容型经济模型的“AI 经济学家”，将经济理论与人工智能结合，制定更有利于全社会的政策与机制，实现资源更公平的分配和可持续发展。

学生将参与跨学科研究，融合人工智能、经济学、教育及人文学科的知识，共同开发有益社会、惠及人类的创新解决方案。

预期成果：

• 开发面向弱势群体的跨学科 AI 助手，满足其在医疗、教育和经济方面的需求。

• 构建提升儿童学习力、激发科学与艺术领域创造力的 AI 系统。

• 实现可用于制定公平包容经济政策的“AI 经济学家”模型，促进机会平等。

• 发表关于 AI 促进平等、超级智能与经济公平的跨学科研究成果。

• 推动相关 AI 解决方案商业化，助力减少社会不平等，实现包容性增长。

• 参与国内外以“AI 造福社会”为主题的人工智能与跨学科创新竞赛。

luyao.zhang@dukekunshan.edu.cn

一年期项目

项目简介：

“面向人类福祉的生成式人工智能”项目旨在开发跨学科的 AI 驱动型解决方案，以应对全球性挑战，如不平等与贫困，提升人类智能，加速创造力与学习的发展。项目将人工智能与经济学、教育学、认知科学及艺术等领域相结合，重点打造有益于社会各阶层的工具与平台。

项目重点包括：

• AI 促进社会公平：开发面向弱势群体的 AI 助手，在医疗、教育和就业推荐等方面提供支持。这些 AI 工具旨在弥合资源与机会之间的差距，帮助服务不足的群体改善生活质量。

• 超级智能推动人类发展：创建能加速人类智能与创造力的超级智能系统，增强儿童学习能力、推动科学发现并激发新的艺术形式。该部分将聚焦于人工智能与认知科学、艺术等领域的融合创新。

• 公平机制设计的 AI 经济学家：开发能够设计公平包容型经济模型的“AI 经济学家”，将经济理论与人工智能结合，制定更有利于全社会的政策与机制，实现资源更公平的分配和可持续发展。

学生将参与跨学科研究，融合人工智能、经济学、教育及人文学科的知识，共同开发有益社会、惠及人类的创新解决方案。

预期成果：

• 开发面向弱势群体的跨学科 AI 助手，满足其在医疗、教育和经济方面的需求。

• 构建提升儿童学习力、激发科学与艺术领域创造力的 AI 系统。

• 实现可用于制定公平包容经济政策的“AI 经济学家”模型，促进机会平等。

• 发表关于 AI 促进平等、超级智能与经济公平的跨学科研究成果。

• 推动相关 AI 解决方案商业化，助力减少社会不平等，实现包容性增长。

• 参与国内外以“AI 造福社会”为主题的人工智能与跨学科创新竞赛。

Ferdinand Kappes –昆山杜克大学生物学助理教授

ferdinand.kappes@dukekunshan.edu.cn

两年期项目

项目简介：

蛋白质是生命体内不可或缺的“工作马”，它们承担着种类繁多且高度复杂的分子功能，使生命得以存在。然而，目前仅有大约 10% 的人类蛋白质被充分研究，而相当大一部分人类蛋白质组（即一个细胞中所有蛋白质的总和）仍处于未被表征、未被分类、研究不足或几乎完全未被探索的状态，被统称为蛋白质组的“暗物质”或“unknome”。

尽管近年来科学研究在多个层面取得巨大进展，至今仍有 75% 的蛋白质研究集中在 2000 个早在绘制人类基因组图谱之前就已知的蛋白质上，而约有 5000 个蛋白质至今仍完全未被表征，被称为“深度未知”蛋白质。这一问题严重阻碍了生命科学对生物系统的深入理解，也错失了发现潜在关键基因的机会，而这些基因可能为疾病治疗提供全新思路。

尽管如 Alpha Fold（https://alphafold.ebi.ac.uk/）等 AI 驱动的方法，以及多个以蛋白质为中心的国际合作项目正持续推动对“暗蛋白质组”的认知，但目前针对这些未知蛋白的实验室研究仍处于极低水平。因此，科学界迫切需要一种低风险、操作简单、直接有效的实验方法，以快速预测并验证这些“暗蛋白”的潜在功能（包括其功能结构域），并开发便于后续研究的分子工具，从而降低对未知蛋白质研究的技术门槛和风险。

我们近期开发了一种简洁、高效、低成本的筛选技术——细菌生长抑制筛选（Bacterial Growth Inhibition Screen, 简称 BGIS）。该方法基于细菌在表达某些人类蛋白质时出现的生长抑制现象（即重组蛋白毒性），通过标准平板实验可迅速筛选蛋白质的功能区域。结合错误引入型 PCR 技术（error-prone PCR），BGIS 能够快速识别关键结构域中的功能缺失突变，进而产生一系列可用于细胞研究的有用工具。

鉴于 BGIS 已在多个蛋白质中成功无偏识别其功能活性，我们提出，本研究将开展一项概念验证（proof-of-concept）研究，评估该方法是否可广泛用于快速“点亮”尚处于“黑暗”状态的人类蛋白质组。

预期成果：

本项目有望为尚未知功能的人类蛋白质赋予明确功能，最重要的是，将开发出一系列迄今为止尚未可用的分子工具，供研究人员用于相关领域的进一步探索。

 

Paul Weng – 昆山杜克大学电子与计算机工程助理教授

paul.weng@dukekunshan.edu.cn

一年期项目

项目简介：

排程与规划问题在日常生活中无处不在，例如课程表安排、任务调度、路线规划等。尽管运筹学与人工智能领域已开发出多种强大的求解器来应对这些问题，但这些工具通常需要专业知识才能使用，阻碍了普通用户的广泛应用。

本项目旨在探索如何利用大语言模型（如 ChatGPT）作为普通用户与求解器之间的自然语言接口，使用户可以用自然语言描述自己的问题，并进一步对描述进行调整，例如添加新约束，从而引导求解器生成更合适的解决方案。

该工具将有望实现对强大但复杂的求解器的“去门槛化”应用，提升其普及度，并具备未来商业化的潜力。

预期成果：

开发一个集成大语言模型与排程/规划求解器的软件原型

Dongmian Zou – 昆山杜克大学大数据科学助理教授

dongmian.zou@dukekunshan.edu.cn

一年期项目

项目简介：

几何深度学习（Geometric Deep Learning，简称 GDL）旨在将传统的神经网络架构扩展至非欧几里得空间，如图结构与流形（例如球面和双曲面）等。由于现实世界中的数据往往以复杂的几何结构呈现，因此 GDL 中的新型神经网络运算对于有效捕捉数据的内在结构与关系至关重要。

本研究聚焦于设计和开发具有良好泛化能力的创新神经网络运算方法，以适应不同几何空间。关键进展包括适用于图结构与流形的新型卷积机制与注意力机制，特别关注对称性、旋转不变性和尺度不变性等几何约束。

这些新型运算将支持更强大、更灵活的模型，在分子性质预测、社交网络分析等任务中展现潜力。

预期成果：

研究论文、开源软件、海报展示或口头报告。

Dongmian Zou – 昆山杜克大学大数据科学助理教授

dongmian.zou@dukekunshan.edu.cn

一年期项目

项目简介：

异常检测在识别数据中的异常模式或离群点（如故障、欺诈或其他异常行为）中具有重要作用。然而，随着现代系统日益复杂和敏感，对异常检测方法的要求也不仅仅是准确，更需具备可信度。

可信的异常检测方法重点在于提升系统的透明性、鲁棒性、公平性和可解释性。这类方法能够在对抗性攻击、噪声环境或不确定输入等情况下保持可靠，同时对少数群体保持公平。关键技术包括：能够提供明确异常解释的鲁棒机器学习算法，以及在数据不完整或被干扰时仍能维持性能的检测方法。

该类方法在网络安全、金融和医疗等领域具有广泛应用前景。

预期成果：

研究论文、开源软件、海报展示或口头报告。