哈佛博士刘俊林将入职清华叉院，曾参与Qwen系列RL Infra研究！

哈佛大学博士刘俊林（ChonLam Lao）将于2027年秋季加入清华大学交叉信息研究院（姚班），担任长聘教轨助理教授。

刘俊林来自澳门，本科毕业于台湾成功大学计算机科学与信息工程学系，后在清华大学交叉信息研究院获硕士学位，并获清华大学优秀硕士毕业生、优秀学位论文奖等荣誉。

2021年，他赴哈佛大学攻读计算机科学博士学位，师从Minlan Yu和Aditya Akella教授，博士期间获2025年Google PhD Fellowship，2026年获博士学位。

刘俊林的研究主要集中于机器学习系统、网络系统与可编程硬件，关注如何提升大规模机器学习训练与推理的效率、可靠性并降低系统成本，具体涉及分布式训练运行时、GPU通信和数据中心网络等方向。

硕士期间，刘俊林便取得了具有代表性的研究成果。他以第一作者身份完成的ATP（NSDI 2021）获得会议最佳论文奖。该研究利用可编程交换机在网络内部完成多租户机器学习训练中的梯度聚合，从而减少分布式训练过程中的通信开销。

进入哈佛攻读博士之后，他继续围绕网络系统与机器学习基础设施开展研究。2023年，他参与的网内聚合通用服务研究（ASPLOS 2023）获得会议杰出论文奖，将网内聚合技术拓展至键值流处理场景。

近年来，刘俊林的研究进一步聚焦大规模机器学习训练系统，涉及训练过程的稳定性、实验效率和GPU通信等问题。例如：他以第一作者身份提出TrainMover（OSDI 2026），设计具备中断恢复能力的训练运行时，以降低分布式训练中断与迁移的开销；作为共同第一作者参与PrismLLM（SOSP 2026），探索用少量GPU模拟大规模语言模型训练，降低系统研究的硬件成本。

此外，他参与了GPU通信框架UCCL（OSDI 2026）的研究，进一步拓展了在GPU通信基础设施方面的工作。

在学术研究之外，刘俊林也曾在Google、阿里云和AWS旗下Annapurna Labs从事研究工作，积累了机器学习系统与网络基础设施方面的产业经验。

2026年3月，他加入阿里巴巴集团担任研究员，参与Qwen 3.6至3.8迭代阶段的RL Infra相关工作，并入选AliStar顶尖人才计划。

同年10月，他进一步转向创业，以联合创始人身份加入一家尚处于隐身阶段的创业公司。

从硕士阶段的网内计算，到博士阶段的大模型训练系统与GPU通信，再到产业界的大模型强化学习基础设施，刘俊林的研究始终围绕AI基础设施展开。

随着大模型训练规模不断扩大，底层系统的通信效率、运行成本与可靠性也成为影响模型研发的重要因素。他在这一领域持续积累的研究成果，也构成了此次回归清华、开启独立学术生涯的重要基础。