🔬 基礎研究 高校 運營中 成立 2009

SUTD

主管部委
教育部(MOE)
規模 / 指標
在校生 ~2000;與 MIT 合作建校;強項在 AI + 設計 + 工程交叉
官網
sutd.edu.sg
資訊更新
2026-05-02

SUTD(Singapore University of Technology and Design)是新加坡 4 所國立大學中最年輕、最特殊的一所——2009 年與 MIT 合作創立,定位是"科技 + 設計 + 創業"的交叉型大學。在 AI 領域,它的特色是 **AI + 工程 + 設計** 的跨界路線。

📖 是什麼

SUTD 的與眾不同之處:

  • 跨學科本質:所有學生都要學設計、工程、人文
  • MIT 基因:課程體系部分參考 MIT,強調動手做
  • 小而精:只有 2000 學生,但人均資源充足

AI 相關單位:

  • Information Systems Technology and Design(ISTD):CS / AI 主力
  • Design AI Lab:AI 在設計領域的應用
  • iTrust:網路安全與 AI 安全研究

特色研究方向:

  • AI for Design:生成式 AI 在建築、產品設計的應用
  • AI Safety:與 iTrust 結合的對抗性 AI 研究
  • Embedded AI:AI 與硬體、機器人的結合

🤖 與 AI 的關係

SUTD 在 AI 上的差異化非常清楚:不和 NUS / NTU 比規模和論文數量,而在"AI + X"交叉領域找空間

AI for Design 是最有特色的方向——SUTD 的設計學院讓它能做"AI 輔助創意工作"的前沿研究,這是其他工科大學做不了的。Generative AI 時代這個方向的價值進一步放大。

技術上 SUTD 的產出規模有限(學校體量小),但單點突破能力強。

🇸🇬 與新加坡的關係

SUTD 在新加坡 AI 戰略裡是"實驗性的小而精節點"。

在「七條傳導槓桿」裡:

  • 槓桿 1(基礎研究):在小眾交叉領域的探索
  • 槓桿 2(人才):培養"懂設計、懂技術"的複合型 AI 人才

觀點:SUTD 的存在讓新加坡高校體系避免了"NUS 和 NTU 同質化競爭"的風險——它走交叉創新路線,與兩所綜合性大學形成互補。

🗓️ 關鍵里程碑

  1. 2009
    SUTD 與 MIT 合作創立
  2. 2012
    首屆學生入學

👥 關鍵人物

🔗 關聯資源

資料來源

同屬「🔬 基礎研究」

A*STAR
新加坡科技研究局,AI 基礎研究與應用研究主力
NUS
新加坡國立大學,AI 研究排名亞洲前列。2024.3 成立 NUS AI Institute,整合基礎 AI、應用 AI 及社會影響研究
NTU
南洋理工大學,AI 與資料科學研究重鎮
SMU
新加坡管理大學,AI 在商業與社會應用
AI新加坡與美國NSF研究人員的研究合作專案
該專案由南洋理工大學張捷教授領導,與美國麻省理工學院合作,致力於開發可信任、可解釋的人工智慧-人類互動最佳化系統。研究重點是建立自然語言作為組合最佳化問題的魯棒介面,使AI系統能夠從人類語言中制定最佳化問題、進行強大的AI輔助最佳化,並提供可解釋的反饋。該專案旨在為物流、製造、金融等行業提供高效的決策支援工具,同時推進可信任AI的基礎研究。
PINNACLE:PINN 自適應配置點和實驗點選擇方法
PINNACLE 是一種自適應點選擇方法,用於改進物理資訊神經網路(PINN)的訓練效率。該方法基於經驗神經切線核理論,能夠自動聯合最佳化所有型別訓練點的選擇,包括實驗點和配置點,在前向問題、反演問題和遷移學習等多個任務中顯著超越現有基準方法。
BadEdit:通過模型編輯對大語言模型進行後門注入
AI Singapore 研究團隊提出 BadEdit 框架,這是一種創新的後門注入方法,通過直接修改模型引數來對預訓練大語言模型進行高效的後門攻擊。該方法僅需 15 個數據樣本和 120 秒即可成功注入後門,攻擊成功率接近 100%,同時保持對清潔資料的最小副作用。BadEdit 相比傳統權重中毒方法的優勢在於資料需求少、效率高,適用於多種任務領域包括文本分類、事實核查和對話情感生成。
利用符號迴歸為決策樹發現更大類別的分割
本研究介紹了符號迴歸增強決策樹(SREDT),通過符號迴歸發現非線性、多變數的決策樹分割規則。與傳統決策樹相比,SREDT具有更好的預測效能、更小更緊湊的樹結構、更快的推理速度以及對噪聲的魯棒性。該方法通過遺傳程式設計搜尋閉式解析表示式,在分類任務上明顯優於標準決策樹。

同主題更多