阿思丹教师智能助手 
APASS国际STEM测评学习平台
Dr. David Khachaturov
- 剑桥大学计算机科学与技术系研究员
- 剑桥大学圣凯瑟琳学院导师
- 为剑桥计算机科学本科 1/3 的学生提供指导
Dr. David Khachaturov
- 剑桥大学计算机科学与技术系研究员
- 剑桥大学圣凯瑟琳学院导师
- 为剑桥计算机科学本科 1/3 的学生提供指导
戴维·哈恰图罗夫博士为剑桥大学计算机科学与技术系研究员，剑桥大学圣凯瑟琳学院导师。其研究方向主要聚焦于机器学习安全(Machine Learning Security)、对抗性机器学习 (Adversarial Machine Learning) 及人工智能安全 (AI Safety) 等方向以及人工智能技术在政策与法律框架下的应用与治理问题。
戴维博士本科毕业于剑桥大学丘吉尔学院，获得计算机科学学士学位，随后在牛津大学圣克罗斯学院完成高级计算机科学硕士，之后回到剑桥大学攻读计算机科学博士学位，形成了横跨牛津与剑桥两所世界顶尖大学的学术背景。
在教学方面，戴维博士长期参与剑桥大学计算机科学本科课程 (Computer Science Tripos) 的教学，承担算法、机器学习、数据科学、信息安全及计算机网络等课程的教学工作。他指导的学生超过 300 人次，其教学覆盖范围约占剑桥计算机科学本科学生群体的三分之一。此外，他亦参与研究生科研项目的指导工作，支持学生开展前沿计算机科学研究。在教学与科研实践中，他不仅注重技术能力的培养，更强调批判性思维、研究方法以及对人工智能技术社会影响的深入理解。
凭借在剑桥大学的教学与研究经验，以及在牛津与剑桥两校形成的跨学术体系背景，戴维博士展现了当代人工智能教育所强调的跨学科研究导向。他的教学理念强调在培养技术能力的同时，引导学生思考人工智能在安全性、可靠性与社会责任等方面的深层问题。
发表期刊： 《Scaling trends for data poisoning in llms》：研究结果明确指出，领先的人工智能企业应筑牢人工智能安全防线，发布微调接口前落实安全测试与防御机制。《Markpainting: Adversarial machine learning meets inpainting》：本研究提出“Markpainting”技术，使创作者能主动干预图像修复模型，令任何编辑或去水印行为均会留下可见篡改痕迹。
《Adversarial suffix filtering: a defense pipeline for LLMs》：本文提出一种轻量级的对抗性后缀过滤流程（ASF），通过预处理输入提示词有效检测并清除恶意后缀，将最先进攻击方法的成功率压制在 4% 以下。
《Complexity Matters: Effective Dimensionality as a Measure for Adversarial Robustness》：本研究揭示模型有效维度与其对抗鲁棒性呈负线性相关，证明有效维度可作为比参数数量更精准的模型鲁棒性评估指标。
《Human-Producible Adversarial Examples》：本研究提出仅靠记号笔即可生成、可抵御手绘误差的现实世界对抗标签，实现了无需精密设备的高效视觉模型攻击，兼具实操性与研究创新性。 更多学术期刊参考：https://www.cst.cam.ac.uk/people/dgk27
Professor Robert Mullins
- 剑桥大学计算机科学与技术系教授
- 计算机体系结构与人工智能安全领域的重要学者
- lowRISC 与 CommonAI 创始人之一
Professor Robert Mullins
- 剑桥大学计算机科学与技术系教授
- 计算机体系结构与人工智能安全领域的重要学者
- lowRISC 与 CommonAI 创始人之一
Professor Robert Mullins 的研究长期聚焦于高性能计算架构、可信计算系统与人工智能安全，致力于构建兼具效率与安全性的下一代智能计算基础设施。作为开源芯片项目 lowRISC 的核心推动者之一，他参与领导了包括 OpenTitan 在内的国际合作项目，该项目由多家顶级科技机构共同开发，旨在构建全球首个开源“可信根”芯片体系。在教学方面，他主讲剑桥大学高级计算机体系结构课程，强调从底层硬件到人工智能系统的全栈理解。其研究成果广泛发表于计算机体系结构与安全领域顶级会议与期刊，对人工智能时代计算基础设施的发展具有重要影响。
Professor Ferenc Huszár
- 剑桥大学计算机科学与技术系研究学者
- 机器学习理论领域的重要代表人物之一
Professor Ferenc Huszár
- 剑桥大学计算机科学与技术系研究学者
- 机器学习理论领域的重要代表人物之一
Professor Pietro Liò
- 剑桥大学计算机科学与技术系教授
- 生物信息学与人工智能交叉领域的重要学者
Professor Pietro Liò
- 剑桥大学计算机科学与技术系教授
- 生物信息学与人工智能交叉领域的重要学者
Professor Pietro Liò 的研究聚焦于 Geometric Deep Learning（几何深度学习）与复杂网络建模，在人工智能应用于生物医学领域方面具有代表性成果。在剑桥大学课程体系中，他主讲生物信息学与几何深度学习相关课程，推动学生理解结构化数据与复杂系统中的智能建模方法。他在 Nature Communications、Bioinformatics 等期刊发表多项研究，推动人工智能在疾病建模、蛋白质网络分析等方向的发展。其工作体现了人工智能从传统数据建模走向“结构化与科学计算”的前沿趋势，是人工智能与生命科学融合的重要代表 人物。
Professor Amanda Prorok
- 剑桥大学计算机科学与技术系教授
- 机器人与多智能体系统领域的国际领先学者
Professor Amanda Prorok
- 剑桥大学计算机科学与技术系教授
- 机器人与多智能体系统领域的国际领先学者
Professor Amanda Prorok 的研究方向包括群体智能、分布式机器人系统以及人工智能在复杂现实环境中的应用，重点关注多智能体协同决策与大规模系统中的智能行为。在剑桥大学，她主讲移动机器人系统与群体智能相关课程，并推动相关领域的前沿研究发展。其代表性研究包括多机器人协同系统与自动驾驶模拟平台等，为理解智能系统在现实世界中的部署提供了重要实验基础与理论支持。其学术成果发表于机器人与人工智能领域顶级会议，对人工智能从理论走向实际应用具有重要推动作用。
Professor Nic Lane
- 剑桥大学计算机科学与技术系教授
- 联邦学习与边缘人工智能领域的领军学者之一
Professor Nic Lane
- 剑桥大学计算机科学与技术系教授
- 联邦学习与边缘人工智能领域的领军学者之一
* 可提前预习以上课程，具体课程内容可能根据同学实际学习水平进行调整
01. 算法思维与计算复杂度导论
建立人工智能的核心算法基础，系统学习排序、搜索与图算法等经典模型，并引入计算复杂度（大 O 表示法）分析方法，帮助学生从“效率与可行性”视角理解算法本质，为后续机器学习与系统设计奠定理论基础。
02. 神经网络架构原理
从神经元、多层感知机到反向传播机制，系统理解神经网络的基本结构与学习原理。同时引入对抗攻击与数据投毒等安全问题，初步探讨深度学习模型的脆弱性与“黑箱”挑战。
03. 对抗性机器学习与系统脆弱性研究
聚焦人工智能系统的安全边界，解析对抗性攻击如何通过微小扰动影响模型决策。在此基础上探讨防御机制与鲁棒性设计，建立“攻防对抗”的人工智能安全思维框架。
04. 算法透明度与责任归属 - 人工智能风险与法律前沿
该模块聚焦人工智能时代的核心命题：当智能系统做出不可解释的决策，谁应承担责任？
围绕算法不可解释性带来的责任归属问题，探讨人工智能在自动驾驶等高风险场景中的法律挑战。引入可解释性人工智能与全球监管框架（如欧盟人工智能法案、GDPR），理解技术与治理的互动关系。
05. 人机共生时代 - 批判性思维与认知自主性
探讨人工智能对人类认知方式的深层影响，反思人工智能依赖对判断力与创造力的潜在挑战。通过研究型项目分析人机协作模式，培养在效率与认知自主性之间的平衡能力。■ 项目实践 1 主题：《不安全的自动驾驶》- 技术方向
这是一个技术 + 法律交叉的综合性项目，它非常具备挑战性和现实意义，学员需要完整经历“构建→攻破→辩护”的全流程。以下是项目拆解：
项目三阶段核心任务
构建
任务：训练一个视觉模型技术 / 法律要点：用 CNN 训练交通标志 / 障碍物识别模型（如区分“停车牌”vs“限速牌”）
攻破
任务：制造“噪声”攻击模型技术 / 法律要点：用技术等方法生成对抗性样本，让模型将“停车牌”误识别为“限速牌”
辩护
任务：撰写法律责任辩护书技术 / 法律要点：模拟自动驾驶事故后的法律辩护：谁该负责？制造商？开发者？车主？
■ 项目实践 2 主题：专业能力的消逝 - 研讨方向
当大语言模型能瞬间生成文章、代码、答案时，人类自己的写作能力、判断力、创造力会不会慢慢退化？这是一个关于人工智能时代人类认知命运的深度研究项目。
研究报告结构示例
入住剑桥大学圣凯瑟琳学院 St Catharine's College
剑桥大学传统晚宴 Formal Dinner
剑桥撑篙泛舟 Punting in Cambridge
漫步牛津，多元英伦文化之旅
