具身涌现获悉清华大学姚班校友、加州大学伯克利分校（UC Berkeley）电气工程与计算机科学系（EECS）助理教授陈立杰（Lijie Chen）已正式全职加入OpenAI，研究方向聚焦数学推理与AI底层理论。
据透露，陈立杰目前在伯克利的任职状态为停薪留职（On Leave），并未辞去助理教授职务，将同时兼顾学术研究与产业实践。截至发稿，其个人主页及LinkedIn页面仍未更新这一任职变动。
01 从竞赛冠军到学术新锐 姚班走出的理论新星
1995年生于浙江湖州的陈立杰，早年曾因沉迷游戏受到关注，接触编程后逐渐展现出过人天赋。就读于杭州外国语学校期间，他深耕信息学竞赛（OI）领域，凭借高强度的投入与钻研，两年内从竞赛新人成长为全球顶尖选手。
2011年，16岁的陈立杰斩获全国青少年信息学奥林匹克竞赛（NOI）金牌，凭借该成绩保送清华大学姚班——这所被誉为计算机天才摇篮的学府，为他搭建了从竞赛到科研的转型平台。2013年，他代表中国队参加第25届国际信息学奥林匹克竞赛（IOI），不仅顺利摘金，更以全球第一名的成绩刷新纪录，时隔五年为中国重夺IOI冠军，成为竞赛圈公认的顶尖选手。据悉，高三时期，他曾婉拒谷歌抛出的实习橄榄枝，坚定选择深耕学术领域，为后续投身理论研究奠定基础。
进入姚班后，陈立杰快速实现从竞赛高手到科研人员的转型。凭借对理论计算机科学的敏锐感知，他在本科阶段便展现出突出的科研潜力，不仅在《高等理论计算机科学》课程中取得全校唯一满分及附加分的优异成绩，还于2016年斩获清华大学本科生最高荣誉——特等奖学金。在奖学金答辩现场，他曾公开表示：有生之年，希望能看到P vs NP问题被解决。这一学术目标引发业内关注。
大三学年，陈立杰前往麻省理工学院（MIT）开展科研交流，师从著名量子信息科学家Scott Aaronson教授。这段经历成为他学术生涯的重要转折点，2017年，尚未毕业的他以合作作者身份，将研究成果发表于理论计算机领域顶级会议FOCS（IEEE计算机科学基础年会），成为首位在该会议发文的中国本科生，打破了欧美学者在这一领域的主导格局。
该论文解决了量子信息学者John Watrous于2002年提出的量子统计零知识证明（QSZK）开放性问题，创新性引入量子区分复杂度概念，明确论证了其与QSZK查询复杂度的内在关联，同时指出传统分析方法的局限性，为量子计算理论研究提供了新的思路。论文链接：https://arxiv.org/pdf/1609.02888。
02 MIT博士阶段成果丰硕 斩获顶会大奖筑牢学术地位
本科毕业后，陈立杰进入MIT攻读博士学位，师从计算复杂性领域权威学者Ryan Williams教授，研究方向聚焦计算复杂性、电路复杂度、伪随机性等核心领域，进入学术成果爆发期。博士在读期间，他在多个理论难题上取得突破性进展，逐步建立起自身的学术影响力。
在硬度放大研究领域，他与合作者探索出一条绕过自然证明壁垒的可能路径：通过证明部分问题在极弱电路模型下的困难性，可推导其在极强电路模型下的困难性，为破解P≠NP这一世纪难题提供了新的研究方向。同时，他还提出局部性壁垒理论，客观分析了当前技术应用的局限，体现了严谨的学术态度。
在非黑盒去随机化方向，他提出的全新框架颠覆了传统认知，证明在比现有要求更弱的假设下，可有效去除算法中的随机性，甚至证实特定条件下随机性对计算的无用性，为高效算法设计提供了新范式。而在量子计算领域，他参与证明了存在一个Oracle使得量子多项式时间（BQP）不包含在多项式层级（PH）中，这一成果为量子计算机在理论上超越经典计算机提供了坚实的数学支撑，成为量子霸权理论体系的重要基石。
卓越的研究成果让他成为理论计算机顶会的常客与获奖专业户：2019年，他包揽STOC（ACM计算理论研讨会）Danny Lewin奖与FOCS Machtey奖两大顶会最佳学生论文奖，创造了该领域的年度纪录；2022年，其博士论文同时获得ACM博士论文奖荣誉提名与MIT George M. Sprowls最佳博士论文奖，成为全球理论计算机领域的焦点人物。
03 从米勒学者到伯克利教授 跨界AI埋下伏笔
2022年博士毕业后，陈立杰凭借过人实力获得UC Berkeley米勒基础科学研究所的Miller Fellowship——这项被誉为诺奖预备役的全额资助计划，每年仅面向全球选拔8-10名杰出青年科学家，历史上曾诞生多位诺贝尔奖、菲尔兹奖得主。在为期三年的研究员生涯中，他拥有完全的学术自由，与量子计算奠基人Umesh Vazirani等大师深度合作，2024年凭借《复杂性下界的逆向数学》一文，为困扰学界近50年的计算复杂性难题提供了突破性思路。
2025年7月，陈立杰正式入职UC Berkeley EECS系担任助理教授，主讲研究生课程《Computational Complexity Theory》，研究方向进一步延伸至量子物理与AI安全领域。此时的他，已不再是单纯的理论学者——2023年，他参与的关于大模型幻觉机制的研究论文，被OpenAI 2024年出圈论文《Why Language Models Hallucinate》引用，成为首个用计算复杂性理论解释生成式AI幻觉问题的学者之一，为理论与产业的结合埋下关键伏笔。他近期聚焦的扩散语言模型研究，更精准契合了生成式AI的核心演进路线，使其成为顶尖AI企业眼中的香饽饽。
04 加盟OpenAI 有望推动模型推理框架快速迭代
当前，大模型发展正遭遇明显瓶颈，单纯依靠堆参数、堆算力的暴力美学已触及天花板，幻觉问题、数学推理能力不足、决策逻辑不透明等缺陷，本质上均是底层理论缺失导致的难题。而OpenAI开启AI4S（AI for Science）战略后，对理论计算机科学、数学等基础学科人才的需求愈发迫切。
更值得关注的是，陈立杰的导师Scott Aaronson早已于2022年加入OpenAI从事AI安全研究，这种师承关系为双方合作搭建了天然桥梁。业界普遍认为，陈立杰深耕的计算复杂性理论，有望为OpenAI构建更严谨的模型推理框架，破解数学推理瓶颈，同时为AI安全与对齐问题提供底层理论支撑，推动大模型从复述知识向真正推理跨越。
