在大多数同龄人仍在校园中忙于求职与博士开题之际，出生于2002年的李昊轩已经蜚声学界，成为北京大学的博士生导师。这位年轻的学者凭借扎实的科研基础，特别是在因果推断和大型人工智能模型领域，展现出了过人的才能，赢得了“别人家的孩子”的称誉。
李昊轩的学术之路早期便展现出他非凡的天赋。在进入大学之前，他便在北京八中超常教育实验班接受教育，这个广为人知的“少儿班”旨在培养具备超常智力的学生。这个项目专为十岁左右、拥有小学四年级知识水平的孩子设计，学生们需在短短四年内完成普通学生八年的课程，包括从小学高年级到高中全部内容。在这种高强度的学习环境下，李昊轩以极其出色的表现奠定了坚实的数理基础，早早走上了求知的道路。
他在15岁时考入四川大学数学学院，19岁顺利进入北京大学的直博项目，师从周晓华教授和林宙辰教授。在求学期间，李昊轩不仅深入研究，还曾前往卡内基梅隆大学和牛津大学进行学术交流，这些经历极大地拓展了他的学术视野。他更是在与LSTM的重要贡献者Jürgen Schmidhuber的合作中，深入探索因果推断的前沿领域。 谈球吧网页登录
李昊轩目前的研究主要集中于提高人工智能模型判断的可靠性。实际应用中，推荐系统常常受到数据偏差的困扰：用户未点击某个内容，并不意味着他们对其不感兴趣，往往是缺乏曝光机会。如果算法直接利用这些有偏向性的数据进行训练，结果往往只能挖掘出表面的关联性，而无法真实反映用户的真正偏好，最终导致推荐效果失真、线上表现不稳定。为了应对这一现实挑战，他在博士期间将因果推理引入推荐系统，致力于解决这一行业难题。
早在2022年，李昊轩便在国际人工智能会议IJCAI上发表了论文，构建了一套统一的因果分析框架，对当时零散的因果推荐研究进行梳理与分类，给出推荐场景中的各种偏差的严格因果定义，明确了预测与去偏的任务，为同行提供了统一的研究方法论。他针对业内普遍使用的双重稳健算法的稳定性问题，提出了包括StableDR、TDR-CL等在内的多种方法，通过循环更新插补、倾向和预测模型，成功分解插补误差，在数据非随机缺失和模型假设存在偏差的条件下，稳住算法误差边界，提升了预测准确度。
他参与提出的广义双重稳健学习框架，将多种现有算法进行了整合，衍生出DR-BIAS和DR-MSE两条技术路线，这些路线分别应用于偏差控制和偏差方差的平衡，适应广告转化估计等实际工业场景。2024年，他的一篇关于去偏协同过滤的论文被ICLR大会评选为Spotlight，而他的博士论文《基于倾向得分的推荐系统去偏方法研究》则被评选为北京大学2026年的优秀博士学位论文。 谈球吧网页登录
随着研究的不断深化，他的探索由推荐系统进一步扩展到大型模型的可信性领域。尽管大模型能够流畅地生成回答，但并不意味着其推理过程始终严格，逻辑不一致和反事实推断能力的不足，仍是这一领域亟待突破的短板。围绕这个方向，他参与构建了LogiConBench，作为ICLR 2026的评测基准，专门用于检验大语言模型的逻辑一致性。此外，他又有两篇论文在ICML大会中荣登Spotlight，分别针对医疗治疗效果预测和大模型智能体的可复用技能学习进行攻关。
持续的深入研究使得李昊轩积累了丰厚的学术成果。目前，他作为第一作者或通讯作者，在人工智能顶级会议ICML、NeurIPS、ICLR上发表论文超过40篇，其中多篇成果被评为Oral和Spotlight，谷歌学术的总引用量已突破2800次，并获得17项国家发明专利。他并不仅仅满足于在实验室进行理论研究，始终坚持将理论成果落地于真实应用场景。由他参与开发的中医辨证论治智能辅助诊疗系统，已在全国超过三十家医院投入使用。同时，他还与华为诺亚方舟实验室、字节跳动、美团等多家企业团队展开合作，将因果去偏算法应用于互联网推荐和广告评估等业务，打通基础研究与产业应用之间的联系。
在全心投入科研的同时，李昊轩也积极参与学术服务和公共传播。他受邀担任《TOIS》《TPAMI》《TKDE》《TKDD》《JASA》等多个权威期刊的审稿人，并担任TMLR执行编辑，及在ICML、NeurIPS、ICLR、KDD等顶级会议中担任领域主席。他还多次前往北京工商大学、合肥工业大学、燕山大学等高校做学术报告，同时参与北大平民学校的科普讲座，向公众普及因果人工智能的知识。早在2021年左右，他便已在国内的因果研究社区开设公益课程，鼓励更多年轻研究者投身这一交叉学科。 谈球吧网页登录
李昊轩的卓越成就为他赢得了多项荣誉，包括被评选为北京大学“学生五·四奖章”获得者、北京大学2024年度人物，并作为国家奖学金获奖学生代表出现在《人民日报》上；他主持的国家自然科学基金青年项目也使他入选了中国科协青年人才托举工程。今年7月，他又获得了世界人工智能大会WAIC“云帆奖·明日之星”。
如此年轻便升任博导，李昊轩引起了广泛关注。在学术圈中，同行们更为注重他成果背后扎实的理论功底。不少研究者指出，尽管人工智能顶会的论文数量逐年攀升，但高质量的一作成果却实属不易，每一项结论都需经过反复推演与严谨的试错过程；而有业内人士表示，李昊轩的论文在数学基础方面要求较高，读后会感受到其研究思路的独特巧妙。通过对推荐系统偏差的深入研究，他正在为学术界贡献一种崭新的视角与理解。
