一、大会主席：

二、主持人：

梁科

国防科技大学讲师

嘉宾简介：梁科，国防科技大学计算机学院讲师。博士毕业于国防科技大学，师从刘新旺教授。主要研究领域为图机器学习、知识表征与推理、无监督学习，以第一作者在TPAMI、TKDE、NeurIPS、SIGIR等顶级国际期刊和会议发表录用长文10余篇，其中入选ESI 高被引论文3篇，ESI热点论文1篇，Google Scholar总引1800余次，h-index 21。曾获湖南省优秀毕业生、国防科技大学优秀博士毕业生（全校5人）、国家奖学金、湖南省人工智能学会自然科学三等奖等奖项。担任IJCAI、ACM MM、ECML-PKDD 等国际顶级会议资深程序委员/领域主席。

周思航

国防科技大学副研究员

嘉宾简介：周思航，国防科技大学智能科学学院副研究员，入选中国科协“青年人才托举工程”。从事知识与模型协同驱动的态势感知与辅助决策领域研究，是“十四五”某建设项目主任设计师。主持国家自然科学基金、国防科技创新特区等项目8项，公开发表TPAMI、TKDE、TNNLS、TIP、ICML、NeurIPS、ICLR等中科院一区或IEEE/ACM会刊、人工智能A类会议论文60余篇。获吴文俊人工智能自然科学奖一等奖1项，湖南省计算机学会科学技术一等奖1项，立三等功一次，享受优秀专业技术人才岗位津贴，获评湖湘青年英才与国防科技大学青年英才。

张岸

中国科学技术大学特任教授

嘉宾简介：张岸，中国科学技术大学特任教授、博士生导师，国家级青年人才，荣获2025年 Web领域女性新星奖（Rising Stars of Women in Web Award）。主要研究领域为生成模型、大模型驱动的智能体、可信人工智能，特别关注于智慧校园、大模型安全、以及个性化推荐场景，致力于下一代通用人工智能模型的关键能力与性质研究。相关工作在NeurIPS、ICLR、ICML、WWW、KDD、SIGIR、TOIS、TPAMI等顶级国际会议和期刊发表录用长文30余篇，其中超过3篇论文入选了最高引和最具影响力榜单，Google Scholar总引2500余次，h-index 23，已授权中国发明专利8项。

报告题目：大语言模型中隐式编码的信息：世界模型、行为建模与自我认知

报告简介：在大语言模型时代，研究者最为关注的核心问题之一是：语言模型究竟学到了什么？最新研究表明，语言模型不仅掌握了语言知识，更在其高维表征中隐式编码了世界模型。本报告围绕该问题展开深入探讨，展示讲者近期的一系列研究成果：1. 用户行为建模能力：语言模型能够捕捉用户偏好与潜在意图，表现出对用户喜好与行为模式的隐式理解。2. 初步的自我认知能力：语言模型可以判断自身生成内容的安全性与规范性，可简单激发使其具备基本的“安全自觉”。3. 推理计划能力：研究发现，语言模型在生成响应之前，已隐式评估问题难度并规划推理资源，表现出对任务复杂性的感知与自身推理能力的掌控。

田倬韬
哈尔滨工业大学（深圳）教授

嘉宾简介：田倬韬，哈尔滨工业大学（深圳）教授，博士生导师，国家级青年人才。本科毕业于哈尔滨工业大学，博士毕业于香港中文大学。近5年内，共计发表CCF-A/清华A类顶级会议/期刊论文40余篇，含多篇以一作/通讯发表的高质量或精选文章：TPAMI（IEEE人工智能领域旗舰期刊）以及CVPR Highlight、Oral与AAAI Oral、ACM MM Oral，并受华为战略研究院人才基金资助开展研究。个人主页：https://faculty.hitsz.edu.cn/zhuotaotian

报告题目：高效可靠多模态感知技术赋能大模型精细场景理解

报告简介：模态大模型为场景理解带来了新的机遇，但主流模型仍面临跨模态对齐、细粒度感知、计算效率以及使用过程中的可靠性等挑战。本次报告将探讨如何提升模型对复杂场景的细粒度解析能力，同时平衡计算效率与性能表现，从而增强大语言模型对物理环境的理解深度，使其获得更精准和鲁棒的多模态感知能力。这些突破将有望推动多模态大模型在多个场景的具体应用落地。

夏俊

香港科技大学(广州)助理教授

嘉宾简介：夏俊博士现为香港科技大学(广州)数据科学与分析学域(DSA)助理教授、博士生导师和多模态与科学智能实验室(AIMS Lab)负责人。主要研究方向为机器学习与 Al for Life Science。担任NeurlPS 2025 的领域主席和Nature Communications, ICML, ICLR 等顶级会议期刊的程序委员会委员和审稿人。博士毕业于西湖大学和浙江大学，师从讲席教授李子青(Stan Z. Li, IEEE Fellow)。主持首批国家自然科学基金青年学生基础研究项目(博士生)和首届中国电子学会-腾讯博士生激励项目。在ICML、NeurlPS、ICLR 等人工智能顶级会议和期刊发表40 余篇论文, 其中一作/通讯19篇，一作论文入选数据挖掘顶级会议 WWW 2022 Most Influential Papers (Paperdigest)，谷歌学术引用量达 2000余次，多篇论文入选 ICML、NeurlPS、CVPR 等顶级会议的Oral/Spotlight，多次应邀在普林斯顿大学、加拿大MILA实验室等海内外顶级机构做学术报告。曾获 KAUST Al Rising Star、DAAD AINet Fellowship、Apple AI/ML Scholar Finalist、西湖大学校长奖章、浙江省优秀毕业生、浙江大学国家奖学金等。个人主页：https://junxia97.github.io/ 谷歌学术：https://scholar.google.com/citations?user=aPKKpSYAAAAJ

报告题目：SpectraAI: Deciphering Proteomic Dark Matters with Foundation Models

报告简介：Accurate identification of proteins is crucial for uncovering their complex roles in biological systems, with peptide sequencing being a key step in this process. The two primary methods for peptide sequencing are database search and de novo sequencing. Database search achieves high accuracy by matching experimental spectra with peptide sequences in a database, but it cannot identify novel peptides, modified peptides, or mutated peptides not present in the database (dark matters in proteomics). On the other hand, de novo sequencing does not rely on a pre-built database, enabling the discovery of novel protein sequences; however, its accuracy still falls short of real-world application requirements. In this talk, I will introduce a series of our works in AI-driven protein identification: 1. AdaNovo, a de novo sequencing algorithm designed for post-translational modifications (PTMs) identification; 2. SearchNovo, a novel protein identification paradigm enjoying the advantages of both database search and de novo sequencing; 3. NovoBench, the first comprehensive deep learning benchmark for de novo sequencing methods; and 4. UltraProt, the first large-scale foundation model for mass spectrometry-based proteomics, which has achieved AlphaFold-level performance advancements in protein identification. Finally, I will share insights and future perspectives on SpectraAI for metabolomics.

关于我们