2022年12月3日，由北京交通大学人工智能研究院主办，交通数据分析与挖掘北京市重点实验室协办的“人工智能基础理论与前沿技术研讨会”于线上成功举办。国家自然科学基金委信息科学部二处吴国政处长，北京交通大学计算机与信息技术学院院长蔡伯根教授，北京交通大学人工智能研究院院长于剑教授分别致开幕辞。研讨会由北京交通大学计算机学院景丽萍教授和于剑教授主持。

    国家自然科学基金委吴国政从国家战略需求肯定了人工智能基础理论与前沿技术研讨会召开的必要性和重要性，强调国家基金委对基础研究、原创研究、基础平台、标准规范等研究的重视，期望学者继续推动相关热点难点问题的深入探索、促使相关技术的发展，为国家信息化建设作出贡献。

    计算机与信息技术学院蔡伯根阐述了北京交通大学在人工智能基础理论和关键技术领域长期的积淀，明确学校、学院将持续大力支持相关团队开展关键问题和核心技术的研究与人才培养工作，并做好平台保障。

    本次研讨会邀请了一批一线专家学者做特邀报告，探讨人工智能基础理论与前沿技术，包括天津大学胡清华教授、清华大学鲁继文教授、浙江大学潘纲教授、中国人民大学文继荣教授、山西大学钱宇华教授、东南大学耿新教授以及华中科技大学白翔教授、中科院自动化所 张文生、中科院计算所 郭崎、航天科工四院 杜彦卫、军事科学研究院 聂一鸣、清华大学 苏航、南京理工大学 杨杨教授、电子科技大学 孟凡满教授。

    天津大学胡清华教授的报告题目是《低质多模态数据的不确定性建模和动态融合》。胡教授首先介绍了多模态信息融合问题以及发展现状，并分析了现有方法存在的问题，之后介绍了他们团队提出的典型解决方法，包括利用退化神经网络和三元对抗学习来应对模态缺失问题的方法，以及基于非负神经网络的证据估计、基于狄利克雷分布的意见生成、基于约减证据理论的多源融合等方法对决策的不确定性进行建模以实现可信融合，最后介绍了联合约减噪声属性和标记的模型处理高噪声问题。

    清华大学鲁继文教授报告的题目是《视觉基础模型及应用》。鲁教授首先介绍了视觉基础模型的研究背景与意义。其次，围绕图像基础模型、点云基础模型和多模态基础模型三个方面介绍了他们团队近年所做的相关工作，包括针对图像感知提出的高阶交互网络HorNet、动态稀疏化视觉Transformer模型、全局滤波网络GFNet等模型，针对点云分析提出的Point-BERT、PointTr、SFCNN等以及OrdianICLIP、P2P等多模态基础模型。最后，鲁教授对视觉基础模型的未来进行了展望，表示模型架构和通用模型将是未来两个重要研究方向。

    浙江大学潘纲教授报告的题目是《脉冲神经网络：模型、方法与实现》。潘教授首先介绍了脉冲神经网络的基础知识，指出其相较于传统的人工神经网络在低功耗计算、智能实现等方面有较大潜在优势，通过脉冲神经网络，计算系统与生物神经系统的连接融合有望变得更加有效与自然。潘教授着重介绍了脉冲神经网络原理与方法，以及若干脉冲神经网络的典型应用。同时，也分享了课题组近年在脉冲神经网络方面的研究进展。

    中国人民大学文继荣教授报告的题目为《预训练与信息检索》。文继荣教授指出信息检索正在跨入“预训练时代”。从信息供给与需求匹配的角度出发，文教授对信息检索的根本困难做了深刻剖析：信息资源异构，世界知识缺失；需求表达困难，用户、场景知识缺失；供需两端具有较大语义鸿沟。他提出，上述信息表示、信息需求表示和需求-供给匹配问题的解决需要统一的、全局的信息和知识表示，预训练大模型可以在一定程度上解决这一问题。之后，通过相关工作具体解释了预训练模型如何改进和增强传统信息检索的各个环节，文教授介绍了面向信息检索的多模态预训练模型，最后还提出了一种新的以预训练模型为核心的检索范式。

    山西大学钱宇华教授的报告题目为《机器学习可解释性研究现状与思考“。钱宇华教授首先简述了机器学习理论、模型与算法的可解释性的重要性，关乎到人们可否可信有效地使用人工智能。在报告中，钱宇华教授详尽地剖析了统计机器学习与深度学习中存在的随机一致性问题，并就如何重构具有原理可解释性的可学习理论展开探讨，总结归纳了机器学习可解释性研究，汇报了近年来针对该问题进行的如纯准确度等探索工作。

    东南大学耿新教授的报告题目为《机器学习的“基因”: 让机器像人一样学习》。耿新教授指出深度学习需要大量训练数据和计算资源。然而，人类千万年的进化结果通过基因初始化了新生儿大脑，往往通过少量样本就能快速学习一个新的概念。受此启发，耿教授提出机器学习的“基因”——Learngene。只需要在少数“模型供应商”处进行面向开放世界任务的大规模训练，而一个面向具体任务的“客户”只需要从“模型供应商”处购买一个Learngene，对自己的轻量模型进行初始化，即可用少量样本快速适应自己的目标任务。

    华中科技大学白翔教授的报告题目为《新冠肺炎智能辅助诊疗若干问题研究》。白教授具体介绍了课题组在新冠肺炎智能辅助诊疗中取得的研究进展，具体包括基于气味的智能检测方法，基于多模态数据的新冠肺炎重症预测模型，多中心协同的新冠肺炎辅助诊断模型及多模态数据的新冠免疫预测模型。指出机器学习等人工智能技术在智能医疗上的强大应用前景。最后，白教授还分享了将深度学习方法应用于实际问题的心得与体会。

    会议召开过程，参会人员就人工智能在特定领域应用面临的困境展开热烈讨论，参会专家结合自己所在的领域提出了AI发展亟待解决的关键基础问题和核心技术，为今后AI的发展指明了方向。

    本次活动吸引了众多参会人员与报告专家就报告内容进行了充分的交流和深入的探讨，纷纷表示从中获益匪浅。