AI青年学霸齐聚杭州！这场峰会要选出「未来科学新星」

十三
2025-06-03
15:29:23

来源：量子位

允中 发自 凹非寺

量子位 | 公众号 QbitAI

2025年6月6-8日，由中国人工智能学会主办的2025全球人工智能技术大会（GAITC 2025）将在浙江杭州召开。戴琼海院士、Adrian Hilton院士、田奇院士担任大会主席并与何友院士为大会带来重磅演讲。会议同期举办的25场专题活动将围绕一系列垂直领域展开深度分享，互动体验展则汇集了40余家行业领军企业及科研平台的创新成果，充分展示人工智能技术的应用潜力。

6月7日下午，首届“清源学者”前沿交叉峰会将拉开帷幕。本次峰会遴选在人工智能及其交叉领域取得原创性成果的15位青年学者进行现场分享。他们中既有在《自然》《科学》等国际顶级期刊正刊和子刊发表高被引论文的青年才俊，也有刚毕业即在产业界实现成果落地的技术创新者。

峰会将进一步激发青年科技人才的创新活力，挖掘和展示具有原创突破性的科技成果，打造青年人工智能学者面向世界的高能级对话平台。未来，学会将持续为“清源学者”提供展示平台与项目支持，助力其在科研探索和成果转化中更进一步。

扫描二维码
注册报名参会

前往大会官网

参会注册详情

报告简介

高溢骋
同济大学博士研究生
代表作：Yicheng Gao, et al. Pan-Peptide Meta Learning for T-cell receptor-antigen binding recognition. Nature Machine Intelligence 2023.

报告题目：基于泛肽元学习的T细胞受体-抗原结合识别

报告摘要：T细胞受体（TCR）与抗原肽段的精准识别是免疫治疗、疫苗研发与感染性疾病研究的关键。现有实验方法耗时耗力，而传统计算工具难以预测新抗原或病毒肽段的TCR结合。通过融合元学习与神经图灵机构建首个通用预测框架PanPep，旨解决“如何从有限数据中预测未知肽段-TCR结合” 这一核心科学问题。PanPep在多样本/少样本/零样本场景下均保持高效预测性能，为个性化免疫治疗、肿瘤新抗原疫苗开发及快速应对新兴病原体提供了技术基础。

聂志伟
北京大学博士研究生
代表作：Zhiwei Nie, et al. A unified evolution-driven deep learning framework for virus variation driver prediction. Nature Machine Intelligence 2025.

报告题目：面向病毒变异驱动力预测的通用进化驱动深度学习框架

报告摘要：为了对各种病毒变异驱动因素进行统一预测，支撑药物、疫苗的提前更新，我们提出了病毒进化AI预测框架E2VD。该框架通过基于进化论视角的创新设计解决病毒进化的本质问题，在新冠病毒、寨卡病毒、流感病毒以及艾滋病病毒的进化预测任务上展现出大幅度精度提升和强大泛化能力，不仅从分子机制层面上解释了大流行内部的进化轨迹，而且在宏观尺度上预测了不同毒株的演化路线，最终实现了跨病毒类型、跨毒株类型的通用进化预测。

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

报告题目：物理信息神经网络驱动的锂离子电池退化过程稳健建模和预测

报告摘要：提出了一种基于物理信息神经网络的锂离子电池退化建模和健康状态估计方法，融合经验退化模型与状态空间方程，利用神经网络捕捉电池退化动态。通过从充满电之前的数据中提取统计特征，实现对不同电池类型和充放电协议的适应性。在387节电池、超31万个样本上验证，平均绝对百分比误差为0.87%。除此之外，该方法在小样本场景和迁移实验中均表现优异，展示了物理信息神经网络在电池退化建模与SOH估计中的应用潜力。

江一诺
华中科技大学大学博士研究生
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.

报告题目：四导联心电图作为心脏肥大和扩张早期诊断的单一来源——深度学习方法

报告摘要：心电图仍然是心脏疾病最常用的筛查工具。心脏肥大是心力衰竭和猝死的重要原因，但由于医生对心电图解读的敏感性较低，目前主要在症状出现后通过超声心动图进行诊断。本研究构建了一个大规模数据库，涵盖了来自武汉同济医院74,562名患者的90,895份心电图数据，这些数据取自2012年1月1日至2021年7月17日期间共计2,386,886份心电图和988,257份超声心动图。创建了一个基于多标签深度学习的模型，以心电图作为单一输入，并以超声心动图作为标签，在四个不同的数据集上测试。此外，我们为每个导联应用了汇总归因评分，以探究模型的代表性导联。

马欣尹
新加坡国立大学博士研究生
代表作：Xinyin Ma, et al. LLM-Pruner: On the Structural Pruning of Large Language Models. NeurIPS 2023.

报告题目：面向大语言模型的通用结构化剪枝

报告摘要：随着大语言模型参数量激增，推理延迟与部署成本成为关键瓶颈。本次报告探讨是否有可能在极低的成本下压缩模型使其满足移动端等资源受限场景的部署需求并保持模型性能。LLM-Pruner首个提出了基于依赖图分析的自动化剪枝策略，无需人工设计即可对任意架构的大语言模型端到端剪枝。其构建最小剪枝组别，根据组别平衡效率与性能，并高效恢复模型。剪枝与重训流程可在单卡GPU 数小时内完成。最终在 7B 与 13B 模型上，LLM-Pruner可剪除 20%-50% 参数，维持 95%-98% 性能。

庄祥
浙江大学博士研究生
代表作：Xiang Zhuang, et al. Advancing Biomolecule Understanding and Design Following Human Instructions. Nature Machine Intelligence 2025.

报告题目：遵循人类指令的生物分子理解与设计

报告摘要：生物分子的理解与设计是生命科学研究的核心挑战。现有AI方法虽然取得了一些进展，但难以通过自然语言精准实现人类意图。为此，我们提出InstructBioMol，首个支持自然语言、分子与蛋白质任意对齐的多模态大语言模型。通过多模态特征融合，模型整合分子与蛋白质的多维结构信息，并基于大规模指令数据实现跨模态对齐。实验表明，本研究所构建的基座大语言模型可支持下游多种生物分子任务，为生物分子智能设计提供了新范式。

马成栋
北京大学博士研究生
代表作：Chengdong Ma, et al. Efficient and scalable reinforcement learning for large-scale network control. Nature Machine Intelligence 2024.

报告题目：去中心化的高效多智能体强化学习

报告摘要：设计可扩展的智能决策方法是实现大规模人工智能系统的关键挑战之一。现有路径因通信和数据需求过高导致扩展性受限。为此，我们提出一种去中心化策略优化框架，通过解耦全局动态特性和动态世界模型学习将决策模型扩展至具有数百智能体的复杂系统，如大型交通和电力系统等，并理论证明了其全局信息估计的误差边界。该框架为大规模人工智能部署提供了可行方案，也为具有大规模搜索空间的基础科学问题提供了潜在思路。

徐智昊
清华大学博士研究生
代表作：Zhihao Xu, et al. Large-scale photonic chiplets Taichi empowers 160 TOPS/W artificial general intelligence. Science 2024.

报告题目：面相通用人工智能的大规模高能效光子计算

报告摘要：算力，是人工智能技术落地开花的重要基石。光子计算以远超传统电学计算的通量与能效，有望解决算力与功耗桎梏。针对大规模可重构智能光计算难题，受脑科学“浅脑理论”启发，刻画光子网络规模极限，首创分布式广度光计算架构，建立干涉-衍射联合传播模型，研制大规模通用智能光计算芯片“太极”，实现160-TOPS/W系统级能效，首次赋能光计算实现自然场景千类对象识别、跨模态内容生成等通用人工智能任务，有望为未来大模型高性能计算探索新灵感、新架构、新路径。

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

报告题目：以人为本的可穿戴式多模态视觉辅助系统

报告摘要：本研究聚焦于“如何在人类感知体系中构建自然融合的人工视觉系统”，构建了一种集视觉、听觉与触觉反馈于一体的可穿戴多模态视觉辅助系统。系统融合人工智能、柔性电子、空间音频与虚拟现实训练，创新性实现了人机协同的空间认知机制，显著增强视障者对环境的理解与自主生活能力。研究成果发表于《Nature Machine Intelligence》，受到国内外主流媒体关注。该工作为可穿戴辅助技术在康复、养老与智慧医疗等场景中的落地应用提供了范式示范，具有重要的社会价值与技术转化前景。

任旭滨
香港大学博士研究生
代表作：Xubin Ren, et al. Representation Learning with Large Language Models for Recommendation. WWW 2024.

报告题目：基于大语言模型的推荐算法表征学习

报告摘要：推荐系统是应对信息过载、实现个性化服务的关键技术。尽管深度学习显著提升了推荐性能，但隐式反馈数据中的噪声与偏差仍是制约模型效果的核心挑战。本报告介绍的研究工作提出了一种模型无关的推荐增强框架RLMRec，创新性地利用大语言模型（LLMs）卓越的文本理解能力，将传统推荐模型与LLM相结合，实现了语义空间信息与协同关系信号的深度融合。该框架为解决数据噪声与偏差问题提供了新思路，在推荐系统研究中取得了技术突破，并已在百度搜索推荐平台成功应用。本次报告将阐述该工作的研究背景、核心挑战、创新方案与实际意义，并对未来研究方向进行展望。

陈鑫
香港城市大学博士后
代表作：Xin Chen, et al. Transformer tracking. CVPR 2021.

报告题目：基于Transformer的视觉目标跟踪

报告摘要：相关运算在视觉目标跟踪算法中发挥了重要作用，但因其局部线性匹配的特性，已成为制约性能的瓶颈。本报告将介绍TransT方法，它将Transformer引入视觉目标跟踪，突破传统相关运算的局限，显著提升了跟踪精度，推动了目标跟踪技术的发展。该工作发表于CVPR 2021，截至目前，该方法被引用超1400次，荣获中国图象图形学学会优秀论文奖，在VOT竞赛中夺得冠军，并成功应用于兵器工业集团的相关项目。

王立元
清华大学计算机系博士后
代表作：Liyuan Wang, et al. Incorporating neuro-inspired adaptability for continual learning in artificial intelligence. Nature Machine Intelligence 2023.

报告题目：在人工智能的持续学习中融入生物启发的适应性

报告摘要：智能系统需要持续学习以适应现实世界的动态不确定性变化。这种能力几乎是生物智能的先天优势，但对于目前的人工智能却十分困难。本论文以持续学习的优化目标为切入点，对生物学习记忆的功能优势和实现机制进行概率建模，在人工神经网络中引入生物启发的突触可塑性调控与平行模块化结构，显著提升了多种典型场景下的持续学习性能。论文还从计算模型层面深入解析了多种生物持续学习策略，并进一步拓展到基础模型、智能医疗等重要应用。

党丙杰
新加坡国立大学博士后
代表作：Bingjie Dang, et al. Reconfigurable in-sensor processing based on a multi-phototransistor–one-memristor array. Nature Electronics 2024.

报告题目：基于MP1R忆阻器阵列的可重构感存一体计算

报告摘要：针对现有忆阻器视觉神经形态器件在动力学特性与编码功能上的局限及系统算法兼容性差的问题，首次提出将氧化物异质结忆阻器与光晶体管集成，构建具多种光图像编码能力的可重构视觉感存算一体硬件系统。该系统支持光图像的时空、模拟与脉冲编码，兼容生物启发式与机器学习算法架构，支持多种光学神经网络如卷积、循环及脉冲神经网络，实现静态、运动和彩色图像识别，为发展大规模、多任务、可重构视觉计算硬件奠定基础。

陈一彤
上海交通大学长聘教轨助理教授
代表作：Yitong Chen, et al. All-analog photoelectronic chip for high-speed vision tasks. Nature 2023.

报告题目：超快光电融合模拟域AI计算芯片

报告摘要：计算平台算力和能效的提升迫在眉睫，全新的计算架构成为破局的关键突破口。本课题提出模拟电融合模拟光的计算框架，将进行视觉特征提取的大规模衍射神经网络，和基于基尔霍夫定律的纯模拟电子计算，集成在同一枚芯片框架内。在复杂视觉任务上实测表现下，所提出的ACCEL芯片系统级算力达到4.6 Peta-OPS, 是现有高性能光计算芯片的400余倍， 模拟电计算芯片的 4000 余倍。同时系统级能效 ACCEL 达到了 74.8 Peta-OPS/W，比现有高性能GPU架构，提升了数百万倍。

沈永亮
浙江大学百人计划研究员
代表作：Yongliang Shen, et al. HuggingGPT: Solving Al Tasks with ChatGPT and its Friends inHugging Face. NeurIPS 2023.

报告题目：HuggingGPT:基于大小模型协同的智能体框架

报告摘要：我们首创性提出了基于大小模型协同的智能体系统HuggingGPT，该系统以大模型为核心控制器，小模型作为专业执行单元，构建了包含任务规划、模型选择、任务执行和响应生成的四阶段智能体框架，实现对用户复杂意图的深度理解、智能拆解和精准执行。该系统能够在保持大模型强大推理能力的同时，充分发挥各专业模型的领域优势，为实现通用人工智能开辟了全新的技术路径。论文发表于NeurIPS 2023，论文引用量突破1200次，开源项目获得2万4千余次星标。

以青春之名，与“清源”为伍。欢迎人工智能及其交叉领域的青年学者相约杭州，畅享创新智慧，畅谈智能未来。

Read More