数字经济快速发展之际，如何打通基础研究与产业应用的“最后一公里”，成为科技创新的重要课题；复旦大学计算与智能创新学院肖仰华教授团队以三项核心技术突破回应该问题，聚焦智能产业的关键瓶颈，推动产学研协同形成更顺畅的闭环。 知识图谱的动态维护曾是企业数字化转型中的难点。以往依赖人工更新，难以跟上组织架构等信息的高频变化，数据时效性随之下降。针对这一痛点，肖仰华团队开发自动化系统，引入“稳定属性识别”技术，自动区分相对固定的信息与需要更新的内容，使知识图谱维护效率提升80%以上。目前，该技术已集成到华为云解决方案中，服务金融、医疗等领域的上千家企业客户。 大模型训练的资源消耗同样制约行业应用。团队提出“诊断-补差”优化策略，通过建立能力评估矩阵定位模型短板，并进行定向强化，使训练算力消耗降低35%-40%。这一方法已被华为等企业采用，并推动有关实践逐步标准化。团队近期研发的自适应思考策略，可根据问题复杂度动态分配计算资源，继续降低智能体产业化应用的成本门槛。 GenericAgent智能体的出现带有一定“偶然性”。这一仅用3300行代码实现的系统级控制框架，源自团队成员为解决日常痛点产生的灵感。相较国际同类产品常见的数十万行代码，极简设计显著降低部署难度，让中小企业也能更便捷地使用前沿能力。这也呼应了团队倡导的“土壤式”培养方式——通过更开放的科研环境，鼓励自由探索，释放青年人才的创新潜力。 肖仰华教授将团队成果归结为“问题导向”的研究路径。从早期参与人类基因组数据分析，到近年深耕智能体技术，团队始终围绕真实场景中的技术卡点展开研究。基于这种务实取向，团队十年前开展的图数据研究近日获得国际电气和电子工程师协会十年影响力论文奖。在复旦大学多元化评价体系支持下，团队已累计承接30余项企业合作项目，形成学术价值与产业价值相互促进的良性循环。
从知识图谱的“常变常新”，到大模型训练的“算力精打细算”——再到智能体的“轻量可用”——诸多实践表明：科技创新的意义不仅在于技术领先，更在于能否在真实场景中形成可落地、可持续的解决方案；把论文写在产业一线，把问题变成课题、把课题变成产品，正成为提升科技供给能力、加快新质生产力培育的一条可行路径。