AI青年學(xué)霸齊聚杭州！這場(chǎng)峰會(huì)要選出「未來(lái)科學(xué)新星」

十三 2025-06-03 15:29:23 來(lái)源：量子位

允中 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

2025年6月6-8日，由中國(guó)人工智能學(xué)會(huì)主辦的2025全球人工智能技術(shù)大會(huì)（GAITC 2025）將在浙江杭州召開。戴瓊海院士、Adrian Hilton院士、田奇院士擔(dān)任大會(huì)主席并與何友院士為大會(huì)帶來(lái)重磅演講。會(huì)議同期舉辦的25場(chǎng)專題活動(dòng)將圍繞一系列垂直領(lǐng)域展開深度分享，互動(dòng)體驗(yàn)展則匯集了40余家行業(yè)領(lǐng)軍企業(yè)及科研平臺(tái)的創(chuàng)新成果，充分展示人工智能技術(shù)的應(yīng)用潛力。

6月7日下午，首屆“清源學(xué)者”前沿交叉峰會(huì)將拉開帷幕。本次峰會(huì)遴選在人工智能及其交叉領(lǐng)域取得原創(chuàng)性成果的15位青年學(xué)者進(jìn)行現(xiàn)場(chǎng)分享。他們中既有在《自然》《科學(xué)》等國(guó)際頂級(jí)期刊正刊和子刊發(fā)表高被引論文的青年才俊，也有剛畢業(yè)即在產(chǎn)業(yè)界實(shí)現(xiàn)成果落地的技術(shù)創(chuàng)新者。

峰會(huì)將進(jìn)一步激發(fā)青年科技人才的創(chuàng)新活力，挖掘和展示具有原創(chuàng)突破性的科技成果，打造青年人工智能學(xué)者面向世界的高能級(jí)對(duì)話平臺(tái)。未來(lái)，學(xué)會(huì)將持續(xù)為“清源學(xué)者”提供展示平臺(tái)與項(xiàng)目支持，助力其在科研探索和成果轉(zhuǎn)化中更進(jìn)一步。

掃描二維碼
注冊(cè)報(bào)名參會(huì)

前往大會(huì)官網(wǎng)

參會(huì)注冊(cè)詳情

報(bào)告簡(jiǎn)介

高溢騁
同濟(jì)大學(xué)博士研究生
代表作：Yicheng Gao, et al. Pan-Peptide Meta Learning for T-cell receptor-antigen binding recognition. Nature Machine Intelligence 2023.

報(bào)告題目：基于泛肽元學(xué)習(xí)的T細(xì)胞受體-抗原結(jié)合識(shí)別

報(bào)告摘要：T細(xì)胞受體（TCR）與抗原肽段的精準(zhǔn)識(shí)別是免疫治療、疫苗研發(fā)與感染性疾病研究的關(guān)鍵?，F(xiàn)有實(shí)驗(yàn)方法耗時(shí)耗力，而傳統(tǒng)計(jì)算工具難以預(yù)測(cè)新抗原或病毒肽段的TCR結(jié)合。通過(guò)融合元學(xué)習(xí)與神經(jīng)圖靈機(jī)構(gòu)建首個(gè)通用預(yù)測(cè)框架PanPep，旨解決“如何從有限數(shù)據(jù)中預(yù)測(cè)未知肽段-TCR結(jié)合” 這一核心科學(xué)問(wèn)題。PanPep在多樣本/少樣本/零樣本場(chǎng)景下均保持高效預(yù)測(cè)性能，為個(gè)性化免疫治療、腫瘤新抗原疫苗開發(fā)及快速應(yīng)對(duì)新興病原體提供了技術(shù)基礎(chǔ)。

聶志偉
北京大學(xué)博士研究生
代表作：Zhiwei Nie, et al. A unified evolution-driven deep learning framework for virus variation driver prediction. Nature Machine Intelligence 2025.

報(bào)告題目：面向病毒變異驅(qū)動(dòng)力預(yù)測(cè)的通用進(jìn)化驅(qū)動(dòng)深度學(xué)習(xí)框架

報(bào)告摘要：為了對(duì)各種病毒變異驅(qū)動(dòng)因素進(jìn)行統(tǒng)一預(yù)測(cè)，支撐藥物、疫苗的提前更新，我們提出了病毒進(jìn)化AI預(yù)測(cè)框架E2VD。該框架通過(guò)基于進(jìn)化論視角的創(chuàng)新設(shè)計(jì)解決病毒進(jìn)化的本質(zhì)問(wèn)題，在新冠病毒、寨卡病毒、流感病毒以及艾滋病病毒的進(jìn)化預(yù)測(cè)任務(wù)上展現(xiàn)出大幅度精度提升和強(qiáng)大泛化能力，不僅從分子機(jī)制層面上解釋了大流行內(nèi)部的進(jìn)化軌跡，而且在宏觀尺度上預(yù)測(cè)了不同毒株的演化路線，最終實(shí)現(xiàn)了跨病毒類型、跨毒株類型的通用進(jìn)化預(yù)測(cè)。

王福金
西安交通大學(xué)博士研究生
代表作：Fujin Wang, et al. Physics-informed neural network for lithium-ion battery degradation stable modeling and prognosis. Nature Communications 2024.

報(bào)告題目：物理信息神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的鋰離子電池退化過(guò)程穩(wěn)健建模和預(yù)測(cè)

報(bào)告摘要：提出了一種基于物理信息神經(jīng)網(wǎng)絡(luò)的鋰離子電池退化建模和健康狀態(tài)估計(jì)方法，融合經(jīng)驗(yàn)退化模型與狀態(tài)空間方程，利用神經(jīng)網(wǎng)絡(luò)捕捉電池退化動(dòng)態(tài)。通過(guò)從充滿電之前的數(shù)據(jù)中提取統(tǒng)計(jì)特征，實(shí)現(xiàn)對(duì)不同電池類型和充放電協(xié)議的適應(yīng)性。在387節(jié)電池、超31萬(wàn)個(gè)樣本上驗(yàn)證，平均絕對(duì)百分比誤差為0.87%。除此之外，該方法在小樣本場(chǎng)景和遷移實(shí)驗(yàn)中均表現(xiàn)優(yōu)異，展示了物理信息神經(jīng)網(wǎng)絡(luò)在電池退化建模與SOH估計(jì)中的應(yīng)用潛力。

江一諾
華中科技大學(xué)大學(xué)博士研究生
代表作：Yinuo Jiang, et al. Four-Channel ECG as a Single Source for Early Diagnosis of Cardiac Hypertrophy and Dilation—A Deep Learning Approach. NEJM AI 2024.

報(bào)告題目：四導(dǎo)聯(lián)心電圖作為心臟肥大和擴(kuò)張?jiān)缙谠\斷的單一來(lái)源——深度學(xué)習(xí)方法

報(bào)告摘要：心電圖仍然是心臟疾病最常用的篩查工具。心臟肥大是心力衰竭和猝死的重要原因，但由于醫(yī)生對(duì)心電圖解讀的敏感性較低，目前主要在癥狀出現(xiàn)后通過(guò)超聲心動(dòng)圖進(jìn)行診斷。本研究構(gòu)建了一個(gè)大規(guī)模數(shù)據(jù)庫(kù)，涵蓋了來(lái)自武漢同濟(jì)醫(yī)院74,562名患者的90,895份心電圖數(shù)據(jù)，這些數(shù)據(jù)取自2012年1月1日至2021年7月17日期間共計(jì)2,386,886份心電圖和988,257份超聲心動(dòng)圖。創(chuàng)建了一個(gè)基于多標(biāo)簽深度學(xué)習(xí)的模型，以心電圖作為單一輸入，并以超聲心動(dòng)圖作為標(biāo)簽，在四個(gè)不同的數(shù)據(jù)集上測(cè)試。此外，我們?yōu)槊總€(gè)導(dǎo)聯(lián)應(yīng)用了匯總歸因評(píng)分，以探究模型的代表性導(dǎo)聯(lián)。

馬欣尹
新加坡國(guó)立大學(xué)博士研究生
代表作：Xinyin Ma, et al. LLM-Pruner: On the Structural Pruning of Large Language Models. NeurIPS 2023.

報(bào)告題目：面向大語(yǔ)言模型的通用結(jié)構(gòu)化剪枝

報(bào)告摘要：隨著大語(yǔ)言模型參數(shù)量激增，推理延遲與部署成本成為關(guān)鍵瓶頸。本次報(bào)告探討是否有可能在極低的成本下壓縮模型使其滿足移動(dòng)端等資源受限場(chǎng)景的部署需求并保持模型性能。LLM-Pruner首個(gè)提出了基于依賴圖分析的自動(dòng)化剪枝策略，無(wú)需人工設(shè)計(jì)即可對(duì)任意架構(gòu)的大語(yǔ)言模型端到端剪枝。其構(gòu)建最小剪枝組別，根據(jù)組別平衡效率與性能，并高效恢復(fù)模型。剪枝與重訓(xùn)流程可在單卡GPU 數(shù)小時(shí)內(nèi)完成。最終在 7B 與 13B 模型上，LLM-Pruner可剪除 20%-50% 參數(shù)，維持 95%-98% 性能。

莊祥
浙江大學(xué)博士研究生
代表作：Xiang Zhuang, et al. Advancing Biomolecule Understanding and Design Following Human Instructions. Nature Machine Intelligence 2025.

報(bào)告題目：遵循人類指令的生物分子理解與設(shè)計(jì)

報(bào)告摘要：生物分子的理解與設(shè)計(jì)是生命科學(xué)研究的核心挑戰(zhàn)?，F(xiàn)有AI方法雖然取得了一些進(jìn)展，但難以通過(guò)自然語(yǔ)言精準(zhǔn)實(shí)現(xiàn)人類意圖。為此，我們提出InstructBioMol，首個(gè)支持自然語(yǔ)言、分子與蛋白質(zhì)任意對(duì)齊的多模態(tài)大語(yǔ)言模型。通過(guò)多模態(tài)特征融合，模型整合分子與蛋白質(zhì)的多維結(jié)構(gòu)信息，并基于大規(guī)模指令數(shù)據(jù)實(shí)現(xiàn)跨模態(tài)對(duì)齊。實(shí)驗(yàn)表明，本研究所構(gòu)建的基座大語(yǔ)言模型可支持下游多種生物分子任務(wù)，為生物分子智能設(shè)計(jì)提供了新范式。

馬成棟
北京大學(xué)博士研究生
代表作：Chengdong Ma, et al. Efficient and scalable reinforcement learning for large-scale network control. Nature Machine Intelligence 2024.

報(bào)告題目：去中心化的高效多智能體強(qiáng)化學(xué)習(xí)

報(bào)告摘要：設(shè)計(jì)可擴(kuò)展的智能決策方法是實(shí)現(xiàn)大規(guī)模人工智能系統(tǒng)的關(guān)鍵挑戰(zhàn)之一?，F(xiàn)有路徑因通信和數(shù)據(jù)需求過(guò)高導(dǎo)致擴(kuò)展性受限。為此，我們提出一種去中心化策略優(yōu)化框架，通過(guò)解耦全局動(dòng)態(tài)特性和動(dòng)態(tài)世界模型學(xué)習(xí)將決策模型擴(kuò)展至具有數(shù)百智能體的復(fù)雜系統(tǒng)，如大型交通和電力系統(tǒng)等，并理論證明了其全局信息估計(jì)的誤差邊界。該框架為大規(guī)模人工智能部署提供了可行方案，也為具有大規(guī)模搜索空間的基礎(chǔ)科學(xué)問(wèn)題提供了潛在思路。

徐智昊
清華大學(xué)博士研究生
代表作：Zhihao Xu, et al. Large-scale photonic chiplets Taichi empowers 160 TOPS/W artificial general intelligence. Science 2024.

報(bào)告題目：面相通用人工智能的大規(guī)模高能效光子計(jì)算

報(bào)告摘要：算力，是人工智能技術(shù)落地開花的重要基石。光子計(jì)算以遠(yuǎn)超傳統(tǒng)電學(xué)計(jì)算的通量與能效，有望解決算力與功耗桎梏。針對(duì)大規(guī)模可重構(gòu)智能光計(jì)算難題，受腦科學(xué)“淺腦理論”啟發(fā)，刻畫光子網(wǎng)絡(luò)規(guī)模極限，首創(chuàng)分布式廣度光計(jì)算架構(gòu)，建立干涉-衍射聯(lián)合傳播模型，研制大規(guī)模通用智能光計(jì)算芯片“太極”，實(shí)現(xiàn)160-TOPS/W系統(tǒng)級(jí)能效，首次賦能光計(jì)算實(shí)現(xiàn)自然場(chǎng)景千類對(duì)象識(shí)別、跨模態(tài)內(nèi)容生成等通用人工智能任務(wù)，有望為未來(lái)大模型高性能計(jì)算探索新靈感、新架構(gòu)、新路徑。

唐健
上海交通大學(xué)博士研究生
代表作：Jian Tang, et al. Human-centred design and fabrication of a wearable multimodal visual assistance system. Nature Machine Intelligence 2025.

報(bào)告題目：以人為本的可穿戴式多模態(tài)視覺(jué)輔助系統(tǒng)

報(bào)告摘要：本研究聚焦于“如何在人類感知體系中構(gòu)建自然融合的人工視覺(jué)系統(tǒng)”，構(gòu)建了一種集視覺(jué)、聽覺(jué)與觸覺(jué)反饋于一體的可穿戴多模態(tài)視覺(jué)輔助系統(tǒng)。系統(tǒng)融合人工智能、柔性電子、空間音頻與虛擬現(xiàn)實(shí)訓(xùn)練，創(chuàng)新性實(shí)現(xiàn)了人機(jī)協(xié)同的空間認(rèn)知機(jī)制，顯著增強(qiáng)視障者對(duì)環(huán)境的理解與自主生活能力。研究成果發(fā)表于《Nature Machine Intelligence》，受到國(guó)內(nèi)外主流媒體關(guān)注。該工作為可穿戴輔助技術(shù)在康復(fù)、養(yǎng)老與智慧醫(yī)療等場(chǎng)景中的落地應(yīng)用提供了范式示范，具有重要的社會(huì)價(jià)值與技術(shù)轉(zhuǎn)化前景。

任旭濱
香港大學(xué)博士研究生
代表作：Xubin Ren, et al. Representation Learning with Large Language Models for Recommendation. WWW 2024.

報(bào)告題目：基于大語(yǔ)言模型的推薦算法表征學(xué)習(xí)

報(bào)告摘要：推薦系統(tǒng)是應(yīng)對(duì)信息過(guò)載、實(shí)現(xiàn)個(gè)性化服務(wù)的關(guān)鍵技術(shù)。盡管深度學(xué)習(xí)顯著提升了推薦性能，但隱式反饋數(shù)據(jù)中的噪聲與偏差仍是制約模型效果的核心挑戰(zhàn)。本報(bào)告介紹的研究工作提出了一種模型無(wú)關(guān)的推薦增強(qiáng)框架RLMRec，創(chuàng)新性地利用大語(yǔ)言模型（LLMs）卓越的文本理解能力，將傳統(tǒng)推薦模型與LLM相結(jié)合，實(shí)現(xiàn)了語(yǔ)義空間信息與協(xié)同關(guān)系信號(hào)的深度融合。該框架為解決數(shù)據(jù)噪聲與偏差問(wèn)題提供了新思路，在推薦系統(tǒng)研究中取得了技術(shù)突破，并已在百度搜索推薦平臺(tái)成功應(yīng)用。本次報(bào)告將闡述該工作的研究背景、核心挑戰(zhàn)、創(chuàng)新方案與實(shí)際意義，并對(duì)未來(lái)研究方向進(jìn)行展望。

陳鑫
香港城市大學(xué)博士后
代表作：Xin Chen, et al. Transformer tracking. CVPR 2021.

報(bào)告題目：基于Transformer的視覺(jué)目標(biāo)跟蹤

報(bào)告摘要：相關(guān)運(yùn)算在視覺(jué)目標(biāo)跟蹤算法中發(fā)揮了重要作用，但因其局部線性匹配的特性，已成為制約性能的瓶頸。本報(bào)告將介紹TransT方法，它將Transformer引入視覺(jué)目標(biāo)跟蹤，突破傳統(tǒng)相關(guān)運(yùn)算的局限，顯著提升了跟蹤精度，推動(dòng)了目標(biāo)跟蹤技術(shù)的發(fā)展。該工作發(fā)表于CVPR 2021，截至目前，該方法被引用超1400次，榮獲中國(guó)圖象圖形學(xué)學(xué)會(huì)優(yōu)秀論文獎(jiǎng)，在VOT競(jìng)賽中奪得冠軍，并成功應(yīng)用于兵器工業(yè)集團(tuán)的相關(guān)項(xiàng)目。

王立元
清華大學(xué)計(jì)算機(jī)系博士后
代表作：Liyuan Wang, et al. Incorporating neuro-inspired adaptability for continual learning in artificial intelligence. Nature Machine Intelligence 2023.

報(bào)告題目：在人工智能的持續(xù)學(xué)習(xí)中融入生物啟發(fā)的適應(yīng)性

報(bào)告摘要：智能系統(tǒng)需要持續(xù)學(xué)習(xí)以適應(yīng)現(xiàn)實(shí)世界的動(dòng)態(tài)不確定性變化。這種能力幾乎是生物智能的先天優(yōu)勢(shì)，但對(duì)于目前的人工智能卻十分困難。本論文以持續(xù)學(xué)習(xí)的優(yōu)化目標(biāo)為切入點(diǎn)，對(duì)生物學(xué)習(xí)記憶的功能優(yōu)勢(shì)和實(shí)現(xiàn)機(jī)制進(jìn)行概率建模，在人工神經(jīng)網(wǎng)絡(luò)中引入生物啟發(fā)的突觸可塑性調(diào)控與平行模塊化結(jié)構(gòu)，顯著提升了多種典型場(chǎng)景下的持續(xù)學(xué)習(xí)性能。論文還從計(jì)算模型層面深入解析了多種生物持續(xù)學(xué)習(xí)策略，并進(jìn)一步拓展到基礎(chǔ)模型、智能醫(yī)療等重要應(yīng)用。

黨丙杰
新加坡國(guó)立大學(xué)博士后
代表作：Bingjie Dang, et al. Reconfigurable in-sensor processing based on a multi-phototransistor–one-memristor array. Nature Electronics 2024.

報(bào)告題目：基于MP1R憶阻器陣列的可重構(gòu)感存一體計(jì)算

報(bào)告摘要：針對(duì)現(xiàn)有憶阻器視覺(jué)神經(jīng)形態(tài)器件在動(dòng)力學(xué)特性與編碼功能上的局限及系統(tǒng)算法兼容性差的問(wèn)題，首次提出將氧化物異質(zhì)結(jié)憶阻器與光晶體管集成，構(gòu)建具多種光圖像編碼能力的可重構(gòu)視覺(jué)感存算一體硬件系統(tǒng)。該系統(tǒng)支持光圖像的時(shí)空、模擬與脈沖編碼，兼容生物啟發(fā)式與機(jī)器學(xué)習(xí)算法架構(gòu)，支持多種光學(xué)神經(jīng)網(wǎng)絡(luò)如卷積、循環(huán)及脈沖神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)靜態(tài)、運(yùn)動(dòng)和彩色圖像識(shí)別，為發(fā)展大規(guī)模、多任務(wù)、可重構(gòu)視覺(jué)計(jì)算硬件奠定基礎(chǔ)。

陳一彤
上海交通大學(xué)長(zhǎng)聘教軌助理教授
代表作：Yitong Chen, et al. All-analog photoelectronic chip for high-speed vision tasks. Nature 2023.

報(bào)告題目：超快光電融合模擬域AI計(jì)算芯片

報(bào)告摘要：計(jì)算平臺(tái)算力和能效的提升迫在眉睫，全新的計(jì)算架構(gòu)成為破局的關(guān)鍵突破口。本課題提出模擬電融合模擬光的計(jì)算框架，將進(jìn)行視覺(jué)特征提取的大規(guī)模衍射神經(jīng)網(wǎng)絡(luò)，和基于基爾霍夫定律的純模擬電子計(jì)算，集成在同一枚芯片框架內(nèi)。在復(fù)雜視覺(jué)任務(wù)上實(shí)測(cè)表現(xiàn)下，所提出的ACCEL芯片系統(tǒng)級(jí)算力達(dá)到4.6 Peta-OPS, 是現(xiàn)有高性能光計(jì)算芯片的400余倍， 模擬電計(jì)算芯片的 4000 余倍。同時(shí)系統(tǒng)級(jí)能效 ACCEL 達(dá)到了 74.8 Peta-OPS/W，比現(xiàn)有高性能GPU架構(gòu)，提升了數(shù)百萬(wàn)倍。

沈永亮
浙江大學(xué)百人計(jì)劃研究員
代表作：Yongliang Shen, et al. HuggingGPT: Solving Al Tasks with ChatGPT and its Friends inHugging Face. NeurIPS 2023.

報(bào)告題目：HuggingGPT:基于大小模型協(xié)同的智能體框架

報(bào)告摘要：我們首創(chuàng)性提出了基于大小模型協(xié)同的智能體系統(tǒng)HuggingGPT，該系統(tǒng)以大模型為核心控制器，小模型作為專業(yè)執(zhí)行單元，構(gòu)建了包含任務(wù)規(guī)劃、模型選擇、任務(wù)執(zhí)行和響應(yīng)生成的四階段智能體框架，實(shí)現(xiàn)對(duì)用戶復(fù)雜意圖的深度理解、智能拆解和精準(zhǔn)執(zhí)行。該系統(tǒng)能夠在保持大模型強(qiáng)大推理能力的同時(shí)，充分發(fā)揮各專業(yè)模型的領(lǐng)域優(yōu)勢(shì)，為實(shí)現(xiàn)通用人工智能開辟了全新的技術(shù)路徑。論文發(fā)表于NeurIPS 2023，論文引用量突破1200次，開源項(xiàng)目獲得2萬(wàn)4千余次星標(biāo)。

以青春之名，與“清源”為伍。歡迎人工智能及其交叉領(lǐng)域的青年學(xué)者相約杭州，暢享創(chuàng)新智慧，暢談智能未來(lái)。