XAGI 2026

嘉宾介绍

清华大学 · 统计与数据科学系

刘军，美国科学院院士、清华大学兴华卓越讲席教授、清华统计与数据科学系主任。于1991-2025年间，他曾任哈佛大学和斯坦福大学统计系助理教授、副教授、终身教授；还曾任美国统计协会会刊(JASA)联席主编及多个国际一流统计杂志副主编等职。曾获统计领域最高荣誉考普斯会长奖（2002）、华人数学家大会晨兴应用数学金奖（2010）、泛华统计协会许宝騄奖（2016）。于2004、2005和2022年分别成为数理统计学会（IMS）、美国统计学会（ASA）和国际计算生物学会（ISCB）选举会士。于2025年当选美国国家科学院院士。他指导了40多位博士生、30多位博士后；在国际权威期刊发表300余学术论文篇和一本专著，被引用10万余次 (GoogleScholar)。

演讲摘要

本报告一方面从一名人工智能研究者的角度阐释了生成式人工智能亟待深入探究的若干基本问题，夹叙夹议地谈了他的一些学术困惑。另一方面，针对人工智能时代一流大学应如何做出适应性调整进行了初步讨论，强调指出从“企业主导的AI产学研用模式”拓展到“大学使能的初创企业主导的AI产学研用模式”的必要性和可能性。

嘉宾介绍

清华大学 · 计算机科学与技术系

孙茂松，清华大学计算机科学与技术系教授、博士生导师，清华大学人工智能研究院常务副院长，清华大学计算机学位评定分委员会主席，欧洲科学院外籍院士。2007-2018年任该系系主任、党委书记。主要研究领域为自然语言处理、人工智能、社会人文计算和计算教育学。国家重点基础研究发展计划（973计划）项目首席科学家，国家社会科学基金重大项目首席专家。北京智源人工智能研究院自然语言处理重大研究方向首席科学家，中央音乐学院、青海师范大学兼职教授、博士生导师，新加坡国立大学访问教授。在重要国际刊物、国际会议、国内核心刊物上发表论文200余篇，Google Scholar论文引用约9万次。

演讲摘要

Understanding our brain has always been an original source of inspiration for the development of AGI and current AI. I will first introduce the challenges we face with the sheer amount of data collected in neuroscience, ranging from point fields to continuous random fields. By using and developing statistical tools, we are able to gradually peer through the layers of the mysterious computations implemented in the brain. Empowered by our current knowledge in neuroscience, we then move toward developing a whole-brain model at the neuronal scale, with 86 billion neurons and 100 trillion parameters to be learned: the Digital Twin Brain (DTB). Finally, I will introduce several applications of the DTB, including a clinical application platform, an experimental platform, and embodied AI.

嘉宾介绍

复旦大学 · 复旦大学类脑智能科学与技术研究院、大数据学院

冯建峰，国家高层次引进人才，长江学者，复旦大学浩清教授，现任复旦大学类脑智能科学与技术研究院、大数据学院院长，上海数学中心首席教授，英国华威大学计算机系教授。长期致力于数学、脑科学和计算机科学的交叉融合研究，推动计算脑科学及其应用领域的发展。 主要研究贡献包括：在精神疾病研究方向，提出并在治疗上论证了抑郁症“奖惩环路失衡”神经机制，通过大数据挖掘验证精神分裂的语言起源假说；在计算神经科学方向，发展了全世界首个全脑数字孪生脑模型和矩神经网络数学理论；在人工智能方向，发展了多种新型神经网络结构和算法等。共发表五百多篇学术文章，许多成果以通讯作者发表在Cell, Science, Nature子刊，Science子刊，Lancet子刊，JAMA子刊，IEEE TPAMI和PRL等。中国NIPs第一人，2011年获英国皇家学会沃夫森研究功勋奖（首位华人），2019年作为三十年来的首位华人受邀在剑桥大学做Paykel Lecture年度冠名讲座，2023年获洪堡研究奖。

演讲摘要

大语言模型（LLM）的高维激活空间中存在若干显著的涌现现象，尤以 Attention Sinks （少数词元获得异常偏高的注意力得分）与 Residual Sinks （少数固定维度持续保持较大幅值）最为典型。这些离群值常被视为异常或量化障碍，本文则提出一种统一的功能性视角：它们是实现高维缩放的关键机制。 具体而言，少量离群值与归一化层（如 Softmax、RMSNorm）协同，对非离群分量施加有效缩放，我们称之为离群值驱动的缩放（outlier-driven rescaling）。干预实验表明，离群值与归一化层联合发挥作用，主要充当缩放因子而非直接的语义载体：移除归一化层会使相应离群值消失，但训练稳定性下降；保留归一化层而裁剪离群值同样损害性能，表明该缩放机制对高维优化的稳定至关重要。这一视角亦为若干架构改进的有效性提供了统一解释。基于上述发现，我们进一步展示了将离群值吸收入可学习参数或引入显式门控缩放加以缓解的方法，有效提升了训练性能与量化鲁棒性。

嘉宾介绍

阿里巴巴 · Qwen 预训练

邱子涵本科毕业于清华大学姚班，现就职于 Qwen 预训练团队，专注于大模型架构与训练策略研究，基于模型机制提高训练稳定性和性能上限。已发表十余篇论文，其中一作论文荣获 NeurIPS 2025 最佳论文奖和 NAACL 2024 杰出论文奖。作为核心成员参与 Qwen2.5、Qwen3、Qwen3-Next、Qwen3.5、Qwen3.8-Flash-Next 等系列模型的研发，Google Scholar 引用量逾 2 万次。

演讲摘要

在这次观点报告中，我将探讨深度学习需要怎样的理论？数学证明、机制解释与经验预测分别提供什么知识，理论又应当如何指导实践？本报告以“scaling law 算不算理论”为切入点，讨论理论的定义、功能与评价，区分数学严密性、经验有效性与设计价值，进而提出发展深度学习技术科学理论的研究立场。 我以工程实践学科中的旧三论：信息论、控制论和系统论为参照，重点回顾控制理论与工程实践相互推动的发展历程，探讨如何从具体问题中形成共性的理论对象，以及如何构造连接观测、分析与设计的有效描述。在此基础上，回到深度学习的具体问题，讨论训练动力学中的有效状态、近似闭合、干预响应与迁移边界，并结合大语言模型预训练的尺度律与跨日程预测，探讨从预测训练响应走向训练日程设计所需的进一步工作。

嘉宾介绍

上海交通大学 · 自然科学研究院

刘方辉，上海交通大学自然科学研究院与数学科学学院副教授，数学学院与人工智能学院博士生导师，之前在英国华威大学担任助理教授。研究方向为机器学习数学理论与大模型机理分析。其主要研究工作包括函数空间视角下的机器学习理论、尺度扩展下的泛化理论，并进一步推动理论指导实践的研究范式。2023年入选国家高层次人才青年项目，2024年获得AAAI新教师奖，2025年入选TUM全球访问教授计划，2026年获得美国数学与统计创新研究所（IMSI）长期访问学者资助项目。研究获得基金委面上项目、英国皇家学会、谷歌的资助。主办 NeurIPS‘24，’26研讨会，担任IJCV专刊客座编辑，在 ICASSP’23、CVPR’23、ISIT’24 等国际顶级会议上主讲tutorial。担任NeurIPS、ICLR、AISTATS等会议领域主席。

演讲摘要

LLM capabilities for ML theory are not validated. Existing benchmarks rely on pre-formalized theorems, missing the core challenge: formulating problems from raw papers - extracting, structuring, and validating theoretical claims. We present two contributions. VALG is an agentic pipeline automating the full paper-to-proof process: contribution triage, source auditing, proof reconstruction, and rubric-based evaluation. OpenTheoryBench is an open-source benchmark built from recent arXiv papers, providing hundreds of realistic proof problems covering dependency planning, quantitative reasoning, and capability integration. Together they test novel-theorem solving and diagnose interpretation, strategy, and derivation failures. Empirical validation shows strong discriminative power, with model performance tracking task complexity monotonically. Finally, we aim to bridge informal mathematical writing and machine-verifiable reasoning, advancing AI for theoretical ML research.

嘉宾介绍

香港大学 · 计算与数据科学学院

Dr.Difan Zou is an assistant professor in computer science department and institute of data science at HKU. He has received his PhD degree in Department of Computer Science, University of California, Los Angeles (UCLA). His research interests are broadly in machine learning, deep learning theory, graph learning, mechanism interpretation, and interdisciplinary research between AI and other subjects. His research is published in top‑tier machine learning conferences (ICML, NeurIPS, COLT, ICLR) and journal papers (IEEE Trans., JMLR, Nature Comm., PNAS, etc.). He serves as an area chair/senior PC member for NeurIPS, ICML and AAAI, and PC members for ICLR, COLT, etc.

演讲摘要

人工智能的蓬勃发展正重塑科学研究范式，数学与AI的深度交叉呈现出“双向赋能”的新格局。本报告将汇报团队近期在“Math4AI”（基于数学理论的深度学习机理解析）与“AI4Math”（基于人工智能的数学研究辅助）两个方向的初步探索。在Math4AI层面，我们引入几何测度论、动力系统与渐近分析方法，深入剖析深度学习的训练动力学机制，针对偏微分方程求解中的泛化失效、神经网络训练中的参数凝聚与秩坍缩现象，以及注意力机制中“聚焦-稀释”的多阶段演化规律提供了初步的理论诠释。在AI4Math层面，我们致力于弥合自然语言与形式语言的语义鸿沟，提出了算子树与结构化自然语言等创新性表示框架。该框架不仅显著提升了自动形式化的准确率与语义评估的鲁棒性，更为数学文献的智能检索与学生、专家的交互式研读提供了有力工具。报告最后将展望这一交叉领域的未来挑战与研究愿景。

嘉宾介绍

上海交通大学 · 数学科学学院

罗涛，上海交通大学数学科学学院/自然科学研究院副教授。2012年获上海交通大学致远学院学士学位，2017年获香港科技大学博士学位，并获香港数学会最佳博士论文奖。2017至2020年，担任普渡大学数学系Golomb访问助理教授。研究方向为计算材料科学、深度学习数学理论（Math4AI）和数学智能（AI4Math）。研究内容包括材料科学的 Peierls–Nabarro 模型、Cauchy–Born 法则；深度学习的频率原则、凝聚理论；数学智能的自动形式化、语义评估、结构化自然语言等。在 ARMA/SIAM 系/M3AS/JMLR/NeurIPS/ICML/ICLR 等应用数学和机器学习期刊和会议发表论文 40 余篇。获NeurIPS 2021 Spotlight、NeurIPS 2025 Oral、ICML 2026 Oral等。

演讲摘要

We present MechGeo, a Mathlib-native agentic framework for faithful autoformalization and certified proof construction in Euclidean geometry. It combines GeoFormalizer, which translates informal problems into Lean 4 and repairs formal statements, with GeoProver, which integrates geometric reasoning, selective algebraization, and symbolic computation. All proofs and counterexamples are checked by the Lean kernel. On 43 historical IMO geometry problems, MechGeo proves 29 statements generated by GeoFormalizer, refutes the remaining 14 with Lean-verified counterexamples, and proves all 14 after expert repair. Together with IMO 2026 Problem 2, this yields faithful formalizations and kernel-checked proofs for 44 IMO geometry problems. On the 14 geometry statements in LEAP’s Lean-IMOBench, MechGeo proves 12, refutes the remaining two, and proves both repaired statements.

嘉宾介绍

中国科学院大学 · 中国科学院数学与系统科学研究院

中国科学院大学、中国科学院数学与系统科学研究院应用数学博士研究生 研究方向：AI4M、形式化数学、人工智能

演讲摘要

大模型的能力与行为从何而来？数据归因（Data Attribution）试图回答这一根本问题：将模型的行为与内部机制追溯到塑造它们的具体训练数据。本次报告将结合我们近期的两项工作，介绍数据归因研究的两条路径。其一是“溯源”：我们提出“机理数据归因”框架（ICML 2026 Oral），首次打通从训练数据到内部机制再到模型行为的完整因果链，揭示归纳头等可解释单元由哪些训练样本塑造。其二是“干预”：通过对影响函数选出的关键样本进行定向改写，实现对模型弃答与安全拒绝等行为的精准双向操控。这些结果表明，数据归因不仅可用于理解大模型行为的成因，也为在数据层面定向调控模型行为提供了可行途径。报告最后将探讨“以机理理解驱动数据研究”的研究愿景，让数据的筛选、增强与治理从经验驱动走向机理指导。

嘉宾介绍

北京大学 · 计算机学院

潘亮铭，北京大学计算机学院助理教授、研究员、博士生导师，国家级青年人才，智源青年学者。主要研究方向包括自然语言处理、机器学习、大语言模型与可解释人工智能，聚焦大模型内部机理理解与可解释性，并以此为基础构建可靠、可控、安全的大语言模型。已在 ICML、NeurIPS、ICLR、ACL等国际顶级会议和期刊发表论文 60 余篇，谷歌学术总引用量超过 7000 次，论文曾获包括最佳论文奖在内的多项荣誉奖励。主持包括 CCF-腾讯犀牛鸟基金、CCF-1688源宝合作基金在内的多项产学研合作。

演讲摘要

以大语言模型为代表的基础模型正在深刻重塑科学研究范式，在分子设计、医学诊断等领域展现出加速科学发现的巨大潜力。然而，科学大模型的发展在数据层面仍面临多重挑战：原始数据分散异构，推理过程缺乏显式记录，评测需求因任务而异。本报告围绕科学大模型“数据准备 - 推理学习 - 能力验证”的全生命周期，介绍我们在数据自动化方面的研究工作。在数据整理方面，我们提出多智能体协同框架 AIDE，实现科学数据检索、质量筛选与结构化组织的全流程自动化，将分散异构的原始数据转化为训练就绪的高质量资源。在推理合成方面，我们提出 DESRO，基于实验变量变化与结果差异反演潜在推理过程，并以分子优化为例实现可解释推理链的大规模合成。在定制评测方面，我们提出 SciCustom，以科学本体为语义骨架，将科学语料组织为可复用的细粒度知识单元，进而依据用户需求自动构建面向特定科研场景的评测基准。上述工作推动科学数据构建由依赖人工走向自动化，为科学大模型的持续进化提供数据支撑。

嘉宾介绍

中关村学院 · AI4Science

刘泽群博士，现为北京中关村学院研究员，主要研究方向为大模型、AI4Science。分别于2019年和2024年在北京大学计算机学院获得学士和博士学位，在加入北京中关村学院前，曾在微软亚洲研究院担任研究员。刘泽群博士致力于科学大模型相关的研究，取得了一系列算法和应用上的突破，在Nature Machine Intelligence等顶级期刊和ACL、EMNLP、NAACL等人工智能顶级会议上发表论文十余篇，作为主要贡献者研发的MolXPT、NatureLM等科学大模型受到行业内广泛关注和认可。

演讲摘要

随着大语言模型研发进入“下半场”，评测工作的重要性日益凸显。报告结合讲者实际评测经验与观察，阐释评测对研发方向的决定性作用，并围绕大语言模型的两种视角：研发团队第一方评测与中立团队第三方评测这两个视角展开，探讨二者异同、各自面临的巨大挑战，以及近期出现的初步解决思路。

嘉宾介绍

至知研究院 · UBio Team

姚金戈博士曾在微软亚洲研究院、苹果公司担任主管研究员或研发工程师，多年从事自然语言理解与生成技术研发，2026 年加入至知研究院（IQuest Research, UBio Team）担任 AI 算法专家，近年开始承担大语言模型及其他AIGC系统的评测与分析工作。曾在多个国际顶尖学术会议担任领域主席、主导工业级智能助手产品的功能研发与技术迭代。

演讲摘要

现有代码基准通常以正确性为主要评价目标，对大语言模型智能体持续改进优化的能力缺乏充分评估。我们提出 ARC-Golf Bench，包含 96 道不同难度的网格变换任务，要求智能体在保证正确性的前提下尽可能缩短 Python 程序，并以人类表现为参照。通过评测四个模型与两种智能体运行框架，我们发现：智能体在 10 道任务上超越了最佳人类参考解，但整体仍落后于最强人类团队，且性能显著依赖模型与运行框架的组合。我们进一步提出 Golf-UnZip，分析代码精简技巧的丰富度与解题方法的多样性，并通过可复用经验库研究经验迁移，在留出任务上使两个执行智能体的程序总长度分别减少 13.2% 和 9.4%。该基准为研究模型能力、运行框架与经验迁移如何影响持续程序优化提供了可验证的实验平台。

嘉宾介绍

北京大学 · 王选计算机研究所

张辉帅，北京大学王选计算机研究所助理教授，此前曾在微软亚洲研究院担任首席研究员。他的研究领域包括自然语言处理、大语言模型，及大模型优化训练算法。已在机器学习和人工智能的顶级会议与期刊上发表了50余篇论文。他与合作者的一系列创新性工作首次成功将隐私保护技术应用于大型语言模型的训练中，推动了相关技术在商业产品中的应用。

演讲摘要

Setting appropriate training hyperparameters is critical for efficient and stable large language model pretraining. Since sweeping hyperparameters at the target training scale is prohibitively expensive, a common approach is to use smaller training runs to fit a hyperparameter scaling law for extrapolation. In this talk, we discuss our approach to deriving hyperparameter scaling laws for the next generation of Qwen models (Qwen3.8-flash-next), which enables accurate extrapolation. Notably, the current hyperparameter scaling law predicts larger learning rates and batch sizes than our previous scaling law and several published results suggest. Through controlled ablation studies, we examine how other training factors (data, architecture, optimizer) influence hyperparameter scaling. We will also discuss several practical guidelines for fitting a hyperparameter scaling law as accurately as possible within a limited compute budget.

嘉宾介绍

清华大学 · 交叉信息研究院

Huaqing Zhang is a first-year PhD at IIIS, Tsinghua University, advised by Prof. Andrew Yao. His research interests lie in the theory and training of large language models. He has been fortunate to work closely with Prof. Jingzhao Zhang and Prof. Kaifeng Lyu. He is currently interning with the Qwen pretraining team, where he works on scaling laws and optimizers.

演讲摘要

Scaling large models requires optimization strategies that ensure rapid convergence grounded in stability. Maximal Update Parametrization (μP) provides a theoretical safeguard for width-invariant Θ(1) activation control, whereas emerging optimizers like Muon are only half-aligned with these constraints: they control updates but allow weights to drift. To address this limitation, we introduce the Spectral Sphere Optimizer (SSO), which enforces strict module-wise spectral constraints on both weights and their updates. By deriving the steepest descent direction on the spectral sphere, SSO realizes a fully μP-aligned optimization process. To enable large-scale training, we implement SSO as an efficient parallel algorithm within Megatron. Through extensive pretraining on diverse architectures, including Dense 1.7B, MoE 8B-A1B, and 200-layer DeepNet models, SSO consistently outperforms AdamW and Muon. Furthermore, we observe significant practical stability benefits, including improved MoE router load balancing, suppressed outliers, and strictly bounded activations.

嘉宾介绍

中国人民大学 · 高瓴人工智能学院

中国人民大学博士研究生，导师为赵鑫老师。主要研究方向为大模型预训练和模型结构。曾获ICML Spotlight、ACL Oral等。

演讲摘要

大语言模型的能力主要源于互联网级别数据上的预训练。在本工作中，我们提出了一个非常有趣的问题：“相同的预训练损失，一定意味着相同的模型能力吗？” 我们猜想，特定任务极小值点之间的几何“接近性”（Closeness）与下游泛化能力有着内在的必然联系。然而，标准的优化器（如 AdamW）往往会收敛到各任务特定极小值点彼此疏远的区域。为了打破这一局限，我们提出了 Nexus 优化器，通过在优化过程中最大化梯度相似度，显式促进这些极小值点的几何接近。在 130M 到 3B 参数规模的模型、多种数据配比和超参数下的广泛实验表明：尽管预训练损失完全相同，Nexus 却大幅度提升了下游任务的性能。 例如，Nexus 将分布外（OOD）损失降低了 0.012，并在复杂推理任务（如 GSM8k）上实现了高达 15.0% 的准确率提升。这一发现挑战了“将预训练损失作为评估模型能力唯一指标”的传统范式，有力证明了隐式偏置（Implicit Biases）在解锁下游泛化能力中的重要性。

嘉宾介绍

清华大学/字节跳动 · 人工智能学院

I’m a PhD student at Tsinghua SAIL, advised by Prof. Jun Zhu and closely collaborating with Prof. Yinpeng Dong. I also work with Prof. Jingzhao Zhang’s group. I study the physics of deep learning: the optimization dynamics, geometry, and statistical mechanisms that could make neural-network training more explainable, predictable, and controllable.

演讲摘要

面向多种异构算力，基于统一系统软件平台FlagOS，通过软硬件系统优化，打造高性价比的私有化与公有云Token工厂解决方案，满足当前AGI时代的降本增效需求。

嘉宾介绍

澎峰科技 · 软件

中科院博士， UT Austin和MIT博后，CCF高性能计算专委常委，OpenBLAS开源项目发起人，澎峰科技创始人

演讲摘要

本演讲将介绍无问芯穹发布的跨集群异构推理架构PDD（Prefill-RelayDecode-MainDecode）。该架构以高性价比的广域网以太网串联多地已建成的同构数据中心，并将传统的 PD 分离链路“P-D”创新解构为“P-RLD-MD”的三级分离式推理架构。在让“偏科”的硬件能够只刷自己最擅长的题的同时，更突破性解决了以太网环境下 KV Cache 的传输延迟痛点。实测显示，该架构在实现了首 Token 延迟降低 51.5% 的同时，单 Token 成本可降低 37.5%。不仅意味着用户端速度体验得到显著提升，更实现了全域异构算力的最大化调度，让分散各处的存量集群资源能够充分释放产业价值。

嘉宾介绍

无问芯穹 · 技术

李秀红，无问芯穹技术副总裁，负责无问芯穹Agentic MaaS 模型推理技术。李博士在北京大学获得学士学位和博士学位，并在香港中文大学从事博士后研究。他在高性能计算、模型训练与推理基础设施领域拥有丰富经验。他在顶级国际期刊和会议上发表多篇论文，相关研究成果以第一作者和通信作者，获 ASPLOS '24 最佳论文奖和 PPoPP '19 最佳论文提名。

演讲摘要

随着大模型从对话式智能向自主完成复杂任务的Agent演进，如何通过强化学习提升Agent的长程规划、工具调用与环境交互能力，正在成为大模型训练的重要前沿方向。然而，相比传统语言模型训练，AgenticRL具有轨迹长、交互复杂、训练与推理强耦合等特点，在训练稳定性、系统效率以及软硬件协同等方面带来了新的挑战。 本次报告将结合华为GTS在企业级Agent研发中的实践，介绍基于昇腾构建端到端AgenticRL训练体系的关键技术，包括强化学习训练稳定性与效率优化、领域模型能力增强，以及面向复杂真实任务的训练与评测方法。同时，将分享 AgenticRL 如何从训练技术走向实际业务，支撑网络运维等复杂领域中的企业级Agent落地。最后，报告将进一步探讨从“训练一个更强的模型”走向“构建能够在真实环境中持续学习和演进的智能体系统”所带来的新问题与技术机会。

嘉宾介绍

华为 · GTS-AI算法部

本科毕业于清华姚班，吉林省高考理科状元，杜克大学计算机博士、研究方向为深度学习理论，现就职于华为GTS-AI算法部，负责GTS领域大模型训练与应用，从算法、训练系统到实际应用开展了系统性探索。在昇腾上克服RL训练不稳定、效率低的难题，实现端到端AgenticRL模型训练方案；突破多项在昇腾上进行模型领域化训练的关键技术，实现模型领域能力提升20%以上；深入网络运维等多个GTS重大业务领域，主导设计的多款Agent应用已在华为公司内外实际业务中落地。

演讲摘要

经济世界模型（Economic World Models，EWMs）是一类生成式经济模型，通过刻画异质主体及其信念与行动，以及主体互动形成宏观结果所依赖的市场与制度机制，内生地模拟经济系统的演化。本文提出一条经济世界模型的实现路线，将其构建为由异质主体持续行动、互动、适应，并与市场和制度共同演化的生成引擎，从而自下而上地产生经济动态。我们构建了一个六级能力体系，涵盖固定规则智能体世界、自适应规则智能体世界、基于大语言模型的智能体世界、自我演化智能体、演化中的制度世界，以及与现实观测持续对齐的“仿真到现实”经济孪生。基于该体系的系统性文献综述表明，现有研究仍主要集中于较低层级的智能体与仿真环境，而具备智能体自我演化、制度内生演化、持续实证对齐和经济机制验证能力的系统仍较为少见。通过将经济世界模型的研究愿景转化为可实施的系统蓝图，本文旨在推动下一代经济仿真环境的发展，使其既能作为人类决策者的高保真试验场，也能为智能体提供训练、规划、评估与安全验证的基础环境。

嘉宾介绍

深圳河套学院 · 社会科学智能中心

韩佳乐，深圳河套学院社会科学智能中心研究助理教授，曾在香港科技大学商学院从事博士后研究，获北京邮电大学计算机科学博士学位。研究聚焦人工智能与经济金融交叉领域，重点关注经济世界模型，大语言模型驱动的社会模拟，以及自主经济与金融智能体。在 ICLR、ICML、ACL、IEEE TKDE 等AI会议和期刊发表论文30余篇，另有两篇论文在 UTD-24 商科顶级期刊处于大修阶段。研究成果曾获 COLING 2025 Outstanding Paper Award。在学术服务方面，担任 ACL 等国际会议领域主席，并长期为多个人工智能与商科领域重要会议和期刊担任审稿人，获 ICML 2026 Silver Reviewer Award。

演讲摘要

Who Verifies Decentralized Information? Economic Incentives, Accountability, and Trustworthy AI Across Oracle Protocols Blockchain oracles enable smart contracts to use external information, but their records remain fragmented and difficult to compare. The Oracle Incentive and Accountability Atlas integrates 56 oracle categories with data from UMA, Chainlink, Flare, Tellor, and Pyth. It reconstructs verification and dispute lifecycles, identifying actors, decisions, capital at risk, rewards, penalties, and outcomes across 105.6 million traceable records. By connecting computational infrastructure with mechanism design, the Atlas reveals how incentives shape participation, information quality, and accountability. It establishes a comparative science of decentralized verification and supports the design of more resilient oracle markets, safer digital finance, and trustworthy AI systems.

嘉宾介绍

Duke Kunshan University · Digital Innovation Research Center and Social Science Division

Dr.Luyao Zhang is an Assistant Professor of Economics and Senior Research Scientist at the Digital Innovation Research Center at Duke Kunshan University. She earned her Ph.D. in Economics from The Ohio State University and holds a B.A. in Economics and a B.S. in Mathematics and Applied Mathematics from Peking University. Her continuing education through programs at the University of Oxford and MIT spans blockchain strategy, machine learning, generative AI, reinforcement learning, data engineering, and quantum computing. Her interdisciplinary research bridges economics and computational science, with publications including the Review of Economics and Statistics, Scientific Data (Nature Portfolio), NeurIPS, ACM CSCW, IEEE S&P, ACM CCS, and AAAI/ACM AIES. She leads a project funded by the National Natural Science Foundation of China titled “Trust Mechanism Design on Blockchain: An Interdisciplinary Approach of Mechanism Design, Reinforcement Learning, and Human–AI Interactions.” In education, she advances pedagogical innovation for the generative AI era through credit-bearing courses in Duke Kunshan University’s U.S.–China joint-degree program. Her approach integrates interdisciplinary research, project-based education, community-based learning, and the Industry 4.0 Open Education Resource Publication Initiatives. She guides students in transforming research, data, code, and interactive projects into openly accessible knowledge resources while cultivating their aspirations to become scientists, entrepreneurs, and philanthropists who benefit local communities and advance the United Nations Sustainable Development Goals (SDGs). Her public and professional service advances open science, responsible data governance, international standards, and trustworthy technological innovation in support of the UN SDGs. She serves on the Editorial Board of Scientific Data and is Secretary of the IEEE P3469 Working Group, which is developing an environmental-liability accounting process model for traceable supply-chain and product emissions. She also serves as Faculty Lead of the I-SEE (Intelligent and Sustainable Economic Ecosystem) Initiative at the Global Institute of Finance, Technology, and Society (GIFTS), founded by Professor Lin William Cong. She is Vice Chair of SG1 (Thematic Document Structure) within IEEE P7999, which is developing a standard for integrating organizational ethics oversight into projects and processes involving artificial intelligence. At Duke Kunshan University, she serves as the founding faculty advisor for the AI Club, Finance Club, DKU Hackathon, and Digital Innovation Contest.

演讲摘要

We show that a deep neural network (DNN) trained to construct a stochastic discount factor (SDF) admits an additive decomposition separating nonlinear characteristic discovery from the pricing rule that aggregates them. This decomposition yields a linear factor representation governed by the Portfolio Tangent Kernel (PTK), which summarizes the network’s learned features. In population, the implied SDF converges to a ridge-regularized version of the true SDF, with the degree of regularization determined by spectral complexity. Empirically, using U.S. equity data, the PTK representation delivers economically and statistically significant performance gains, while rising spectral complexity imposes tighter limits on finite-sample pricing.

嘉宾介绍

张元 / Yuan Zhang

上海财经大学 · 金融学院

Yuan Zhang is an Associate Professor of Finance at Shanghai University of Finance and Economics. His research spans asset pricing, financial intermediation, and machine learning in financial markets. He has published in the Review of Financial Studies and is currently developing AI-driven methods for factor modeling and portfolio optimization, including work on benchmarking large language models in quantitative finance at ICLR 2026. He received his Ph.D. from the Swiss Finance Institute at EPFL and was a visiting Ph.D. student at MIT Sloan.

演讲摘要

We develop a framework that incorporates return prediction to achieve unconditional mean-variance efficiency in high dimensions. Our method, termed MAXSER-PR, builds upon the seminal “MAXSER” estimator of Ao, Li, and Zheng (2019) by integrating conditional information into the optimization, thereby providing a tractable bridge between conditional return prediction and unconditional mean-variance efficiency. Under an elliptical model for the unpredictable return component that allows for heteroskedasticity, heavy-tailedness and serial dependence, and an elastic net regularity condition, our method asymptotically attains unconditional mean-variance efficiency. We demonstrate that our method delivers superior performance through comprehensive empirical studies across multiple prediction models and high-dimensional settings.

嘉宾介绍

香港科技大学 · ISOM

Ruizhao Huang is a PhD candidate at The Hong Kong University of Science and Technology (HKUST), supervised by Professors Yingying Li and Xinghua Zheng. His research interests include large portfolio optimization, high-frequency data, empirical asset pricing, and statistical machine learning.

演讲摘要

Sampling from a target probability density is a fundamental task in statistics, machine learning, and scientific computing. We introduce weighted Laplacian flow, a deterministic particle-flow method that transports samples from a tractable initial density to a target density known up to normalization. The method evolves the logarithmic density ratio between the target and the transported distribution and constructs the particle velocity by solving a weighted Poisson equation associated with the target density. We establish the global well-posedness of the proposed PDE system and prove that the transported density converges to the target density. Under a sublinear forcing condition, the method achieves exact convergence in finite time. Numerical experiments on multimodal, heavy-tailed, and ten-dimensional targets demonstrate that weighted Laplacian flow can perform long-range mass transport, overcome energy barriers.

嘉宾介绍

清华大学 · 数学中心

史作强，清华大学丘成桐数学科学中心长聘教授，北京雁栖湖应用数学研究院双聘研究员，主要研究方向为偏微分方程数值方法，微分方程与机器学习，非线性非平稳信号时频分析等，在国际知名学术期刊和学术会议发表文章100余篇。

演讲摘要

The Wasserstein-Fisher-Rao (WFR) metric extends dynamic optimal transport (OT) by coupling displacement with change of mass, providing a principled geometry for modeling unbalanced snapshot dynamics. Existing WFR solvers, however, are often unstable, computationally expensive, and difficult to scale. Here we introduce WFR Flow Matching (WFR-FM), a simulation-free training algorithm that unifies flow matching with dynamic unbalanced OT. Unlike classical flow matching which regresses only a transport vector field, WFR-FM simultaneously regresses a vector field for displacement and a scalar growth rate function for birth-death dynamics, yielding continuous flows under the WFR geometry. Theoretically, we show that minimizing the WFR-FM loss exactly recovers WFR geodesics. Empirically, WFR-FM yields more accurate and robust trajectory inference in single-cell biology, reconstructing consistent dynamics with proliferation and apoptosis, estimating time-varying growth fields, and applying to generative dynamics under imbalanced data. It outperforms state-of-the-art baselines in efficiency, stability, and reconstruction accuracy. Overall, WFR-FM establishes a unified and efficient paradigm for learning dynamical systems from unbalanced snapshots, where not only states but also mass evolve over time.

嘉宾介绍

北京大学 · 前沿交叉学科研究院

周沛劼，北京大学前沿交叉学科研究院国际机器学习研究中心和定量生物学中心研究员、博士生导师，博雅青年学者，国家级青年人才。2014年和2019年在北京大学数学科学学院获得计算数学学士和博士学位，获北京大学优秀博士论文奖；2020-2023年任美国加州大学尔湾分校数学系访问助理教授。主要从事计算系统生物学、单细胞组学动力学、复杂生物系统建模与AI for Science研究。相关成果发表在Nature正刊, 大子刊(NM, NCC, NMI,NG), NC, SA, PRX, MSB, AS等重要交叉学科期刊以及ICLR(Oral), ICML, NeurIPS, AAAI(Oral)等人工智能会议，并担任Nature Methods, PNAS, Nature Communications, Cell Genomics, Cell Systems, SIAP等多个期刊审稿人。

演讲摘要

传统大模型主要依赖“训练时扩展”（Training-time Scaling），但在处理复杂推理和前沿数学科学问题时，单纯堆参数已遭遇边际效应瓶颈。“推理时扩展”（Inference-time Scaling）打破了这一限制，它在推理阶段注入动态计算资源，实现“算力越多、效果越好”。然而，当前生成式 AI 缺乏普适的原则性设计框架，科学机器学习（SciML）领域也亟待类似的推理时扩展体系。为此，本报告借鉴科学计算中的缺陷校正（Defect Correction）思想，在推理时将数据驱动方法与底层机理有机融合，首次为推理时扩展提供了一个具备理论保障的统一Bellman Error Correction的原则性框架。具体包含两大核心应用： 面向科学机器学习（SciML）：针对高维半线性抛物型方程，我们将代理模型的误差严谨地表示为另一个抛物型方程的解，并利用基于蒙特卡洛的随机模拟算法对其高效修正。该方法在推理时模拟未来规划误差并动态校正当前解，实现了计算资源与精度的协同提升。我们进一步展现了离线数据驱动训练与在线机理修正的“两阶段结合”才能真正达到统计最优。 面向生成式人工智能：我们将规划过程与缺陷校正相结合，利用顺序蒙特卡洛（SMC）方法动态修正生成规划中的累积的Belmman误差。我们在理论上首次给出了该方法在大语言模型推理中的样本复杂度分析；针对扩散模型，我们构造了顺序蒙特卡洛方法失效的不收敛反例，并进一步设计了首个基于二点格式的扩散模型推理算法，有效确保了其方差不随离散步长缩小而恶化（或增大）。 本工作表明，通过深化数据与机理结合，将底层物理与数学规律转化为动态矫正算子来纠偏数据驱动模型在复杂推理中的累积漂移，能够让推理时算力的投入真正转化为兼具严格理论保障与高精度的智能决策。

嘉宾介绍

北京大学 · 国际数学研究中心

陆一平，北京大学北京国际数学研究中心助理教授。2019年本科毕业于北京大学应用数学专业，2023年于斯坦福大学获得应用数学博士学位；曾任纽约大学柯朗研究所柯朗讲师、美国西北大学工业工程与管理科学系助理教授。 他的研究主要聚焦于微分方程与深度学习的交叉领域，致力于将微分方程、随机过程和控制理论等经典领域与机器学习及随机实验进行深度融合。其代表性成果包括建立了微分方程与深度学习的联系，科学机器学习的最优样本复杂度，并于近期成功解决了困扰学术界长达35年的关于带符号BAR解（signed BAR solutions）唯一性的经典难题。 他曾获得 CPAL 新星奖、芝加哥大学数据科学新星奖、斯坦福跨学科研究生奖学金等多项荣誉，并长期担任 ICML、NeurIPS、ICLR 、 AISTATS 和AAAI等国际顶级机器学习会议的领域主席以及运筹学顶级期刊Mathematics of Operations Research的副编辑。

演讲摘要

In offline RL, estimating the optimal action-value function can be formulated as solving the optimal Bellman equation based solely on offline observations. A fundamental challenge is that the reward function and transition kernel are unknown, so the optimal Bellman operator is not directly observable from data. To address this issue, we propose a novel framework that decouples operator estimation from value function learning. In this approach, we first formulate conditional diffusion models to estimate the reward law and transition kernel, which induces a data-driven approximation of the optimal Bellman operator. We then plug these estimators into the Bellman equation and obtain a deep estimator of by minimizing the empirical Bellman residual over a neural network function class. We establish sharp nonasymptotic convergence rates for learning the optimal Bellman operator through an end-to-end analysis of conditional diffusion estimation in total variation distance.

嘉宾介绍

武汉大学 · 人工智能学院

焦雨领，武汉大学人工智能学院，教授博导，副院长。入选教育部国家重大人才工程，主要研究机器学习、科学计算。近期关注深度学习数理基础，在计算数学、应用数学、统计学、电子工程、人工智能等领域的旗舰期刊和会议上发表论文四十多篇。主持国家重点研发计划课题、国家自然科学基金天元交叉重点项目、面上项目及一批同华为开展的校企合作项目。

演讲摘要

在生成式AI快速融入教育场景的当下，如何让AI真正赋能创造力培养而非替代人的思考，成为亟待回答的问题。本报告从设计思维与批判性思维出发，探讨AI赋能教育中的创造力支持路径。针对当前AI工具多作为“黑箱生成器”、难以促进深层认知发展的局限，提出一种可解释的人机协作范式：通过让AI暴露推理过程，引导学习者经历类比、发散、收敛与反思等高阶认知活动，从而在生成创意、形成方案、落地实现的全过程中，同时培育创造性思维与批判性思维。报告将结合创造力支持工具（Creativity Support Tools）与类比设计方法（Design-by-Analogy），介绍相关理论研究与应用，讨论如何将AI从“给出答案的生成器”转变为“可对话的协作者”，并探索其在创意教育中的实践路径与应用前景，为推动AI赋能教育提供理论支撑与工具参考。

嘉宾介绍

同济大学 · 设计创意学院

陈晴，同济大学设计创意学院副教授、博士生导师。上海市海外高层次计划引进人才，入选上海市晨光计划。博士毕业于香港科技大学，曾担任法国巴黎综合理工大学(Ecole Polytechnique)及法国国家信息与自动化研究所(Inria)博士后研究员。研究方向包括信息可视化、人机交互、大数据可视分析、生成式人工智能及其在智慧教育、智慧医疗、智能设计及商业智能中的应用，研究成果获得CSIG自然科学奖、亚太地区ICT Awards等奖项。她担任多个顶级国际学术会议的程序委员会委员，IEEE VIS社区主席，CSIG 可视化专委会委员、CCF 人机交互专委会执行委员，主持多个国家自然科学基金项目及多项与阿里、蚂蚁、腾讯、智谱AI等公司的校企合作课题。更多信息请访问：http://qchen.cc

演讲摘要

大模型的快速发展为课程资源自动化建设带来了重要机遇，但当前课件生成仍存在流程冗长、成本高昂、交互性不足等问题。本报告介绍面向学习环境生成任务的课件生成模型 CogEvol：以一句话需求为输入，单次前向同时生成排版完整的幻灯片与可交互 HTML 学习环境，并以渲染像素与交互探针作为强化学习奖励，使模型与学习者真实体验对齐。27B 模型已在真实课堂规模化应用，开源 4B 模型可在普通笔记本离线运行。本报告将分享技术路线、评测结果并探讨端侧低成本部署对教育普惠的思考。

嘉宾介绍

清华大学 · 计算机系

涂尚卿，清华大学计算机系博士生，师从李涓子教授。他的研究聚焦于大模型后训练与评估，致力于推动大模型在教育领域的应用。在智谱后训练组实习期间，他参与了 GLM-4.5/GLM-5 系列大模型的核心研发。以第一作者或共同一作在 ACL、KDD、ACM MM、ICLR 等国际顶尖会议发表 CCF-A 类论文 8 篇，谷歌学术总引用量超 2100 次。代表性成果包括长文本测试基准 LongBench v2（ACL25 引用量 Top 15）、以及面向教育领域的智能体框架 OpenMAIC(GitHub Star 超 28000)。曾获华为奖学金、青源 InnoVibe 2026最受瞩目学术新星等荣誉，获批国家自然科学基金青年学生基础研究项目（博士研究生）。

演讲摘要

基于国内各类层次高校落地实践经验，聚焦未来学习中心核心场景，系统探究AGI技术在高校教学赋能、师生交互、教学评价督导、智慧终端应用中的落地路径。结合高校样板间打造、产品迭代优化与场景规模化复制的实战案例，剖析AI教育产品在高等教育场景中的适配逻辑、算力管控方案与落地难点，总结AGI赋能高等教育的有效范式。同时辩证思考人工智能教育应用的边界与价值，平衡技术创新与教育本质，为新时代高校AI教育生态建设、未来学习中心标准化落地与全域推广提供可落地、可复制的实践参考与行业新思路。

嘉宾介绍

华栖云 · 教育业务部

黄沛，成都华栖云科技有限公司副总裁、华栖云教育研究院院长，国内资深教育技术与职业教育领域专家，商务部、人社部、全国妇联创业导师。毕业于北京理工大学，参与“国培计划”等多项国家级重点教育项目，创立“美蕙学院”及“家护在线”互联网学习平台，主持多本部级职业教育教材和智慧课程开发，参与包括复旦大学、浙江大学、北京理工大学等众多高校校级智慧平台建设，专注将前沿技术转化为教学场景落地，其成果覆盖学历教育与非学历教育全赛道。

演讲摘要

Genomic sequences exhibit widespread long‑range dependencies, and their data density is completely different from that of natural language. Architectures for information compression in natural language are not fully applicable to the genomic domain, and genome modeling requires its unique approaches. Studies including Gengram have introduced memory into genomic large models and achieved unprecedented performance across multiple tasks. Memory mechanisms can retain key biological features, mitigate attention computational costs, and improve the model’s ability to extract long‑range genomic signals, yielding promising effects for long‑sequence modeling.

嘉宾介绍

中国科学院大学 · 杭州高等研究院

中国科学院大学人工智能，研究方向为AI for Biology、基因组基座大模型大模型记忆、多模态大模型，在多个顶级期刊发表论文，参与Genos、CENO等重大课题，主导Meno的研发。

演讲摘要

聚变等离子体因其非线性、多尺度及强耦合特性，在仿真、实时控制与高精度诊断上面临巨大挑战。本报告将展示AI赋能这三方面的潜力与挑战，并介绍本组近期成果。在仿真方面，AI可加速大规模动力学模拟，显著提升计算效率；在控制方面，强化学习等算法能实现等离子体位形和不稳定性的自适应实时调节；在诊断方面，神经网络可高效处理多源诊断数据，实现关键参数的快速反演与异常检测。三者协同，为聚变堆的智能化运维奠定基础。

嘉宾介绍

西湖大学 · 人工智能系

吴泰霖，西湖大学工学院人工智能系特聘研究员、助理教授，原力引擎创始人。北京大学物理学院本科，麻省理工学院物理系博士，斯坦福大学计算机系博士后。主要研究领域为开发机器学习方法用于大规模科学仿真、控制、设计和发现，并在聚变、流体、物理等领域科学和工程领域应用。主持国家基金委重大研究计划培育项目等。在人工智能顶级会议和物理学顶级期刊等发表文章40余篇，其中7篇被评为热点论文。

演讲摘要

精神疾病共病是精准精神病学研究与临床诊疗中的关键难题，其复杂的神经病理机制仍有待深入阐明。本报告将介绍围绕精神疾病共病机制开展的系列研究，我们构建了精神共病层级神经认知模型（NeuroHiP），首次识别出一种由前额叶执行控制环路高连接特征驱动、贯穿外化与内化核心症状的通用性神经精神病理因子，揭示了不同精神疾病共病背后的共性神经机制（Nature Medicine, 2023）。在此层级模型基础上，研究进一步实现了病理机制的精细化分解，分离出两类特异性神经病理因子：其一为与冲动特质相关的外化因子，主要表现为感觉运动环路连接异常增强；其二为与神经质特质相关的内化因子，核心特征为前额叶-眶额叶目标导向环路连接异常减弱（Nature Mental Health, 2026）。上述发现在覆盖青春前期至成人期的六个独立研究队列中得到系统验证，显示出良好的稳健性与可重复性。该系列研究构建了精神疾病共病的层级化神经认知机制框架，有助于厘清共病中的共性与特异性病理差异，并为精神疾病的分层早期干预、精准诊疗体系建设以及精准精神病学的发展提供新的科学视角与理论依据。

嘉宾介绍

清华大学 · 心理与认知科学系

谢超，清华大学心理与认知科学系助理教授。研究方向为脑发育与精神共病的神经认知机制，结合大规模脑影像、连接组预测建模、行为遗传与计算建模等手段。以第一作者身份在Nature Medicine、Nature Mental Health，Science Advances等期刊上发表论文，并获得博新计划和教育部珠峰计划等支持，主持国自然面上和青年项目等项目。

演讲摘要

Carbon是由北京中关村学院与HuggingFace联合开发的生成式基因组大模型，旨在降低基因组AI的应用门槛，使其不再高度依赖GPU集群资源。模型参数量为30亿，在多个基准任务上的表现优于70亿参数的Evo2模型，同时计算效率提升约275倍。Carbon在应用层面主要聚焦两个方向：其一，DNA序列设计，涵盖调控元件优化和mRNA疫苗设计等合成生物学与精准医学场景；其二，基因组注释，不依赖传统序列比对方法，而是基于序列内在特征直接解读DNA的功能信息，为比较基因组学、蛋白质发现和通路分析等下游任务提供基础支持。基于Carbon的注释能力，研究团队完成了对16万亿碱基序列的系统性注释，构建了目前已知规模最大的AI基因注释数据库Carbon Database，其数据量和物种多样性较现有公开资源扩大约8倍。该数据库对AI4S领域可作为训练DNA与蛋白语言模型的多源语料库；对生命科学领域则提供了识别新物种、新基因和新功能的潜在数据基础。Carbon模型与Carbon Database共同构成面向生命科学研究的基础设施框架。未来，北京中关村学院与HuggingFace计划进一步探索融合基因组理解与自然语言交互的模型体系，以支持更广泛的生命科学人机协作研究场景。

嘉宾介绍

北京中关村学院 · AI for Science

李秋熠，北京中关村学院AI for Science研究员，墨尔本大学应用数学博士，曾任阿里达摩院博士后、阿里云AI算法高级工程师。其研究主要聚焦大语言模型技术在生命科学，特别是基因组学中的应用。作为DNA大模型项目Gener Project的发起人与带头人，他主导研发了Gener系列基因组基础模型GENERator与GENERanno。在此基础上，他进一步联合国际知名开源社区Hugging Face推动新一代基因组基础模型Carbon的研发，在模型性能与计算效率方面均展现出国际竞争力，并拓展其在序列设计、功能分析、基因注释等场景中的应用，致力于打造生命科学领域的“DeepSeek”。

演讲摘要

梯度下降是优化与机器学习中最基础的算法之一。对于光滑凸优化问题，经典理论给出的收敛速度为 O(T^{-1})。近年来的一系列工作发现，无须引入动量或改变算法结构，仅通过精心设计步长序列，就可以将普通梯度下降加速至约 O(T^{-1.2716})。这自然引出了一个基本问题：仅依靠步长选择，梯度下降能否达到 Nesterov 加速方法所具有的最优 O(T^{-2}) 收敛速度？ 本报告将介绍我们在这一问题上的最新结果。针对使用预先设定的非负步长序列的梯度下降，我们证明了一个 \Omega(T^{-1.9319}) 的末次迭代收敛下界。这表明，无论如何设计此类步长序列，仅依靠步长调度都无法使普通梯度下降达到 O(T^{-2}) 的最优加速速度。 本工作的证明由 GPT-5.6 Sol Pro 在作者指导下完成，报告也将简要分享大语言模型参与数学研究与证明发现的过程。

嘉宾介绍

清华大学 · 工业工程系

马鉴昊，清华大学工业工程系助理教授，研究方向为机器学习中的优化理论。2025年于美国密歇根大学工业与运筹工程系获得博士学位，导师为 Salar Fattahi 教授；随后在宾夕法尼亚大学统计与数据科学系从事博士后研究，合作导师为 Yuxin Chen 教授。相关成果发表于 JMLR、Mathematics of Operations Research、TMLR、COLT、ICML、ICLR、NeurIPS 等期刊与会议。

演讲摘要

在线学习是一种通过交互信息持续提升模型能力的学习范式，是解决序列预测与决策问题的重要技术手段。本次报告将首先介绍我们在非稳态在线学习方面的理论进展，提出“在线集成”框架实现最优的动态遗憾界保障，有效提升了开放环境下的稳健性。进一步，本报告还将介绍在线学习技术在大模型情境下的初探。特别以高效推理为例，针对自回归生成过程计算开销大、推理延迟高的问题，我们提出了在线学习驱动的推测解码方法：基于小模型生成草稿、大尺寸模型验证的推理范式，并构建“生成-验证-自适应更新”的在线学习闭环，通过反馈信息动态优化草稿策略，有效提高了推测解码系统的接收率和推理效率。同时，报告还将介绍基于扩散模型架构的草稿生成与并行树状解码等方向进展。

嘉宾介绍

南京大学 · 人工智能学院

赵鹏，南京大学人工智能学院准聘副教授，博士生导师，机器学习与数据挖掘所（LAMDA）成员。研究方向为机器学习基础理论，包括在线学习、随机优化、强化学习理论等。发表学术论文60余篇，包括JMLR、COLT、ICML、NeurIPS等顶级期刊和会议。担任Machine Learning、TMLR期刊执行编委、Frontiers of Computer Science期刊青年编委，担任ICML、NeurIPS等会议领域主席等。入选CCF优秀博士论文激励计划，曾获南京大学“小米青年学者-科技创新奖”等。

演讲摘要

随着大语言模型推理能力持续提升，Agent系统的性能瓶颈正逐步从模型本身扩展到规划、记忆、执行与工具编排等外部机制。本报告将介绍我们近期围绕自适应Agent架构的一系列研究，包括任务感知的执行结构、可演化的规划与记忆机制，以及Harness与模型策略的协同优化。相关工作旨在探索超越单纯模型规模扩展的新路径，使Agent系统具备面向任务动态构建、持续适应与自主进化的能力。

嘉宾介绍

Unity China · AI Hub

常恒博士，现任Unity China首席AI科学家，曾任华为终端云服务助理首席专家，华为天少少年计划。他于清华大学电子系获得工学学士学位，后于清华大学计算机系取得计算机科学博士学位，曾在UC Berkeley和Harvard进行研究工作。他当前的研究兴趣包括： LLM Agents，Agentic RL及其在垂域场景的应用。他在人工智能和数据挖掘领域的国际顶级会议与期刊上发表了六十余篇学术论文，并担任NeurIPS, ICLR, AAAI等国际顶级会议领域主席（Area Chair）。

演讲摘要

今天的 AI 很大程度上仍然依赖于规模化的试错：更大的模型、更多的数据、更昂贵的实验。但如果我们希望 AI 能够真正实现自主进化，一个更基础的问题是：我们是否能够理解、预测，并最终自动设计 AI 本身？ 本报告将介绍我们从 Science of AI 到 AI for AI 的一系列探索。首先，我们开发了 ComfyResearch，将神经网络训练变成一个可观测、可干预的实验系统，系统研究 scaling law、grokking、优化动力学等现象；在此基础上，我们进一步构建 Physics of AI Game，把这些研究问题转化为可控的“实验题”，训练人和 AI 从训练曲线与内部 observable 出发，通过提出假设、设计干预、总结规律来解决问题。进一步地，ArchitectureIQ 将这种能力扩展到模型架构：给定不同的网络结构与训练条件，测试一个智能体能否理解架构如何影响训练动力学，并找到更好的模型设计。 这些项目最终指向一个更长期的目标：构建能够理解 AI 的 Meta Model，以及能够自主开展研究的 Auto Research 系统。我们希望 AI 不再只是在巨大的架构空间中盲目搜索，而是像科学家一样，通过实验积累知识、形成规律，并利用这些规律提出新的架构和算法。 从观测 AI，到理解 AI；从预测 AI，到设计 AI；最终，让 AI 成为研究和进化 AI 自身的工具。这可能代表一种不同于单纯扩大算力的新路径：Scale insight, not compute.

嘉宾介绍

清华大学 · 人工智能学院

刘子鸣，清华大学人工智能学院助理教授、上海期智研究院 PI、元环智能创始人。本科毕业于北京大学物理学院，博士毕业于 MIT 物理系，师从 Max Tegmark，曾于 Stanford University 从事博士后研究。 研究方向聚焦于 Science of AI、AI for AI 与 AI for Science，致力于理解人工智能系统背后的基本规律，并利用 AI 自动发现和设计更好的 AI。代表性工作包括 Kolmogorov-Arnold Networks（KAN）、PFGM/PFGM++、AI Poincaré、Grokking 等。目前重点探索 AI 训练动力学、模型架构自动发现、元模型（Meta Model）与世界模型，希望推动 AI 研发从依赖人工经验的试错范式，走向可理解、可预测、可自动化的科学范式。 曾获 Google PhD Fellowship，研究成果发表于 NeurIPS、ICML、ICLR 等国际会议，并受到 Quanta Magazine、Scientific American、MIT News 等媒体报道。

演讲摘要

深度学习在过去十余年取得了令人瞩目的进展，但我们对其基本工作原理的理解仍远落后于工程实践。面对神经网络这样高度非线性、高维、强耦合的复杂系统，仅依赖自上而下的理论推导往往难以识别真正关键的结构与规律。本报告将从“现象驱动”的视角讨论深度学习基础研究的一种可能路径：通过简单、可控的实验系统观察训练过程，发现稳定且可复现的行为规律，构造合适的描述量，并进一步研究这些现象的适用边界、相互联系及其背后的机制。结合若干深度学习与语言模型中的代表性案例，我将讨论实验与现象研究如何作为一种相对独立的科学实践，与数学理论和工程研究相互促进，并进一步思考这些零散现象如何逐步汇聚成对深度学习更系统的理解。

嘉宾介绍

上海交通大学 · 自然科学研究院、数学科学学院

张耀宇，上海交通大学长聘教轨副教授，2012年于上海交通大学致远学院获应用物理学学士学位及应用数学第二专业，2016年于上海交通大学数学科学学院获数学博士学位，2016年至2020年先后于纽约大学阿布扎比分校&库朗研究所、普林斯顿高等研究院从事博士后研究工作，2020年加入上海交通大学。他的研究领域聚焦深度学习的理论基础，代表性成果包括深度学习的凝聚现象与动力学态的相图分析、损失景观的嵌入原则、样本效率的乐观估计等。相关工作发表于JMLR、M3AS、SIMODS、NeurIPS、ICML等机器学习和应用数学权威期刊和会议，并合著出版《深度学习现象导论：从感知机到大模型》。

演讲摘要

物理规律不仅为人工智能提供应用场景，也能为模型结构、表征能力与学习机制提供设计依据。本报告围绕“物理第一性 AI”，探讨物理与人工智能的双向启发。首先，从神经网络量子态出发，介绍如何将费米反对称性与规范对称性融入网络结构，以表征和模拟复杂量子系统。其次，从自由能视角引入沃尔什度，刻画函数中不同阶数的变量交互，讨论其与多层感知机（MLP）的宽度和深度、限制玻尔兹曼机（RBM）的隐藏单元数和连接度之间的关系，以及基底选择对量子态表征的影响。最后，介绍量子理论对人工智能的启发，包括用于大语言模型高效高秩微调的量子启发张量适配（QuanTA）、语言模型的信息结构与互信息标度，以及从物理过程构建生成模型的思路。报告将据此讨论如何把物理中的对称性、复杂度与信息结构转化为人工智能模型的设计原则。

嘉宾介绍

清华大学 · 物理系、高等研究院

罗迪（Di Luo），清华大学物理系副教授、清华大学高等研究院双聘研究员，智源青年学者。曾任麻省理工学院与哈佛大学博士后、美国人工智能与基本相互作用研究所（IAIFI）Fellow，以及加州大学洛杉矶分校助理教授。他的研究聚焦人工智能与量子物理的交叉领域，既利用神经网络研究量子多体系统，也以量子理论和统计物理启发人工智能模型设计。他提出“物理第一性 AI”研究范式，探索从物理学基本原理出发理解和构建人工智能系统，并入选2025年度《麻省理工科技评论》中国区“35岁以下科技创新35人”。

演讲摘要

扩散语言模型通过并行生成与迭代去噪，为大语言模型提供了不同于逐 token 自回归生成的技术路径。如何将这种潜力转化为可规模化训练、高效推理，并能胜任复杂任务的模型，是 LLaDA 团队持续探索的核心问题。本报告将以 LLaDA 2.x 系列的演进为主线，介绍团队在dLLM模型训练、推理机制与Agentic能力上的研究与实践：LLaDA 2.0 通过自回归模型到块扩散模型的渐进式转换，将扩散语言模型扩展至千亿参数规模；LLaDA 2.1 将并行生成与 token 编辑结合，改善解码速度与生成质量的权衡；LLaDA 2.2 进一步引入支持插入、删除与替换的编辑机制，结合长上下文、块级专家路由和面向交互反馈的强化学习，探索多轮、长程智能体任务。在此基础上，报告将讨论扩散语言模型在训练目标、并行解码与迭代修正中的关键问题，并展望其与自回归模型的协同，以及向原生多模态统一模型的发展方向。

嘉宾介绍

刘华斌，博士毕业于上海交通大学，现就职于蚂蚁技术研究院-LLaDA团队，专注于扩散语言模型的训练范式和架构研究。

演讲摘要

自回归建模是当前大语言模型的主流范式，而扩散模型为语言建模与生成提供了一条不同的研究路径。本报告介绍我们从掩码扩散到连续扩散的一系列探索，讨论这一路径的潜力、局限与关键设计问题。首先，通过解耦建模范式与网络架构，重新审视掩码扩散与自回归建模的比较，并探讨潜变量方法如何缓解少步并行采样中的依赖建模不足。随后，我们转向连续扩散语言模型，围绕预训练与生成两个环节，探索适配连续去噪过程的 Transformer 架构设计，并重点介绍面向单步与少步生成的蒸馏研究。这些工作关注连续空间预测与离散 token 生成之间的关系，以及如何在降低预测不确定性的同时保留样本多样性。报告将结合这些探索，讨论扩散式语言建模的设计思路与尚待解决的问题。

嘉宾介绍

香港中文大学（深圳） · 数据科学学院

胡天阳现为香港中文大学（深圳）数据科学学院的助理教授。他的主要研究方向为人工智能与统计的交叉领域，包括统计机器学习、可信 AI、特征表示学习、深度生成模型等，旨在通过揭示 AI 模型的深层机制，为设计更有效的新算法提供理论指导。

演讲摘要

Existing continuous frameworks still rely on decoders supervised with cross entropy (CE) because the flow trajectories are not guaranteed to terminate at valid token embeddings. Motivated by this limitation, we introduce ConvergeFlow, an embedding-space flow-based LM, which constrains the data predictor to the convex hull of token embeddings and trains it solely with the mean squared error objective induced by flow matching. Under suitable regularity conditions, we prove that the resulting flow converges to valid token embeddings despite errors in the data predictor, enabling direct token prediction without a CE-supervised decoder. We further develop three sampling mechanisms for controlling the trade-off between the generative perplexity and entropy. Experiments on OpenWebText demonstrate that ConvergeFlow achieves performance competitive with existing continuous and discrete diffusion LMs. These findings demonstrate the potential of the flow-based paradigm for language modeling.

嘉宾介绍

香港中文大学 · 统计与数据科学

Gen Li is currently an assistant professor in the Department of Statistics and Data Science at the Chinese University of Hong Kong. His research interests include diffusion model, generative AI and reinforcement learning.

演讲摘要

In this talk, I will present our recent work on the optimality of Approximate Message Passing (AMP) algorithms for spiked matrix models with rotationally invariant noise. We introduce a new AMP algorithm that employs a matrix denoiser - acting on the eigenvalues of the observed matrix - and an iterate denoiser - applied to the AMP iterates. The resulting dynamics admit a simple state-evolution characterization, which allows us to identify the optimal pair of denoisers achieving the minimum possible asymptotic estimation error among a broad class of iterative algorithms.

嘉宾介绍

中国科学院数学与系统科学研究院 · 计算数学与科学工程计算研究所

马俊杰，中国科学院数学与系统科学研究院长聘副研究员，2015年在香港城市大学取得博士学位。曾于哥伦比亚大学、哈佛大学从事博士后研究。研究兴趣为复杂信号处理的数学理论与算法，在AOS、IEEE TIT、NeurIPS、ICML等国际期刊和会议发表多篇学术论文。曾入选中科院百人计划，主持3项国家自然基金委项目（青年项目、面上项目、青年科学基金B类项目），并参与中科院先导科技专项、科技部重点专项等科研项目。担任中国运筹学会青年工作委员会副秘书长（2022-2024）、中国现场统计研究会随机矩阵理论与应用分会理事。

演讲摘要

The Transformer architecture plays a central role in modern deep learning, and its SE(3)-equivariant variants have been widely applied to molecular conformation modeling and optimization. In this study, we propose an improved SE(3)-Transformer architecture, called HamFormer, which revisits the design of SE(3)-Transformer through the lens of Hamiltonian flow. In particular, we define a parametrized Hamiltonian flow in the phase space of position and velocity, corresponding to optimizing an energy functional that combines an optimal transport-based potential with a damped momentum. The Lie-Trotter splitting framework of the Hamiltonian flow leads to the proposed HamFormer architecture, whose feedforward computation achieves the optimization step of the proposed energy functional. Furthermore, we combine HamFormer with Equivariant Graph Neural Network (EGNN), build a new model for molecular conformation optimization.

嘉宾介绍

中国人民大学 · 高瓴人工智能学院

许洪腾，中国人民大学高瓴人工智能学院长聘副教授，博导，国家高层次青年人才。其研究方向为通用人工智能技术及其应用，特别是（1）最优传输驱动的机器学习理论与方法；（2）生成式大模型架构设计、模型压缩、模型融合；（3）AI4Math以及AI4Science等前沿应用。近年来的代表性工作包括基于最优传输距离的图神经网络设计与学习方法、数值算法驱动的大模型架构设计与高效适配、基于生成式人工智能的柔性大分子建模技术等。研究工作曾获得ICML2025 AI for Math研讨会杰出论文提名奖，入选《Environmental Science & Technology》副封面文章等荣誉。主持国家自然科学基金重大研究计划培育项目、中央引导地方人工智能专项等项目。

演讲摘要

面向大模型在长序列建模与自回归生成中的效率瓶颈，相关研究从注意力计算和推理解码两个层面展开。在注意力计算方面，Flexformer通过学习随机傅里叶特征的谱频率，实现灵活且高效的注意力核建模，提升了线性注意力的表达能力。在推理解码方面，MDSeq采用多草稿序列级验证机制，通过优化接受概率与残差分布，提高推测解码的期望接受长度。理论分析与实验结果表明，该系列工作能够在保持模型性能与采样正确性的同时，有效提升长序列建模和大模型推理效率，为高效大模型的研究与应用提供了新的技术路径。

嘉宾介绍

中国人民大学 · 统计学院

周峰，中国人民大学统计学院副教授，主要研究领域包括统计机器学习、贝叶斯方法、随机过程、大模型推理加速等，主持国家自然科学基金青年项目、面上项目，在JMLR、STCO、ICML、NeurIPS、ICLR、AAAI、KDD等国际期刊和会议上发表论文40余篇，担任NeurIPS、ICLR、IJCAI、AISTATS等国际会议领域主席，国际期刊《Statistics and Computing》副主编，《Transactions on Machine Learning Research》执行编辑，《Journal of Machine Learning Research》编委。

演讲摘要

AI Cosmos是由清华大学计算机系交互式人工智能实验室（CoAI）研发的一款多智能体驱动的情景化教学系统（官网：aicosmos.ai），致力于将人工智能从简单的辅助教学工具进化为激发学生认知与创造力的核心伙伴。该系统突破传统AI教学工具的技术门槛，实现全流程自然语言交互，让使用者无需AI或编程基础即可通过多智能体自主编排，轻松构建涵盖多角色研讨、代码实训、交互式视频生成以及仿真实验室的虚实融合“实践空间”。AI Cosmos让师生能够全身心投入到“在做中学”的沉浸式教学体验中，实现教育创新与前沿AI技术的无缝衔接。

嘉宾介绍

清华大学 · 计算机系

王宏宁，清华大学计算机系长聘副教授，国家高层次人才，长期专注于强化学习、大模型技术的研究。曾任美国弗吉尼亚大学计算机系Copenhaver讲席副教授，2023年秋加入清华大学后，重点投身于AI赋能教育教学的探索与实践，积累了丰富的理论研究与实践经验。

演讲摘要

数学作为科学进步的重要基石，长期支撑着各学科的发展与突破。近年来，人工智能的迅猛发展正在推动科学研究范式发生深刻变革，也为数学研究带来了新的机遇与挑战。当 AI 遇见数学，尤其是当自然语言成为数学研究智能体理解问题、组织推理与协同探索的重要界面时，将会产生怎样的化学反应？本报告将围绕“自然语言驱动的数学研究智能体”这一主题，简要回顾 AI 在数学研究中的发展脉络与代表性进展，分析 AI 面向研究级数学问题时所面临的核心挑战。在此基础上，报告将重点介绍本团队研发的 AI 数学家系统 AIM，展示其如何通过自然语言交互与智能体协作机制，辅助数学问题探索、定理形成与可信验证。

嘉宾介绍

清华大学 · 智能产业研究院

李鹏，清华大学智能产业研究院副研究员，主要研究方向包括大模型、智能体、AI4Math 与 AI 驱动的科学发现，在人工智能重要国际会议和期刊发表论文 100 余篇。曾获 ACL 2023 Outstanding Paper Award、ICAIS 2025 Responsible AI Research Award、中国中文信息学会钱伟长中文信息处理科学技术奖一等奖等荣誉，主持科技创新 2030 重大项目课题、国家自然科学基金面上项目等科研项目，曾担任 ICLR、ACL、EMNLP、NAACL 等国际会议领域主席。其研究成果在腾讯微信、百度等千万级日活产品中获得应用并取得显著成效。

演讲摘要

近年来，智能体技术经历了"推理能力增强 → 工具能力提升 → 复杂问题拆解"等发展阶段，正从"问答工具"和"专业智能体"迈向更具通用能力的智能体操作系统（Agent OS）。然而，当前Agent OS在多项目并行的记忆污染、不加区分的Token成本浪费、以及问答范式下的能动性缺失等方面仍存在显著瓶颈。 PilotDeck以"解放生产力的第一性原理 - 提供好的生产关系"为设计思路，为大型语言模型提供最适合其工作的生产环境与执行模式，核心创新包括独立工作舱、项目制白盒记忆、多模型智能路由、常驻式主动执行等方面。

嘉宾介绍

启元实验室 · 大模型研究中心

闫宇坤，启元实验室（Qiyuan Lab）大模型中心副研究员，清华大学自然语言处理实验室（THUNLP）客座研究员，博士毕业于清华大学脑与智能实验室，主要研究方向为大模型知识增强与智能体技术。近年来，在ICLR、NeurIPS、ICML、ACL等人工智能顶级国际会议发表论文40余篇，Google引用超千次，多次担任领域主席与审稿人。主持负责大模型相关开源项目UltraRAG（Github Trending Rank 2）、PilotDeck等，累计星标量1万以上；主持负责开源模型MiniCPM-Emedding系列、VisRAG-Ret系列等，累计下载量超50万次。

演讲摘要

Large language models (LLMs) are increasingly used as assistants for statistical and data science work, yet existing evaluations largely assume the analysis target is already specified. In practice, users arrive with informal goals and heterogeneous data, leaving the model to decide what statistical task is implied and which data are relevant. We first formalize this upstream step as Statistical Problem Formulation and decompose it into two subtasks: (1) Statistical Problem Classification and (2) Variable Identification & Role Assignment. We then introduce StatFormBench, a benchmark built from five cross-domain statistics textbooks and a data science case library, covering diverse problem types, data representations, and scenario styles. It contains 1,013 samples spanning 20 coarse-grained and 85 fine-grained statistical problem categories. Across 14 LLMs, the best one reach only 72.0 fine-grained classification accuracy and 63.2 variable set overlap.

嘉宾介绍

清华大学 · 统计与数据科学系

从鑫， 清华大学统计与数据科学系助理教授， 主要研究方向为人工智能、大语言模型、自主智能体、智能数据分析。曾在 ACL、ICLR、NeurlPS 等人工智能顶级国际学术会议或期刊上发表论文 40 余篇，Google Scholar 总引用 7000 余次。曾主持发布了大语言模型工具学习框架 ToolLLM、大语言模型驱动的自主智能体框架XAgent 等工作。 其中 ToolLLM 被 ICLR 2024 评选为 Spotlight 论文， XAgent 在世界影响力最大的开源平台 Github 上获得超过 8K 颗星标关注，受到了国内外众多知名学者和企业的高度评价。