霍静，博士，南京大学计算机学院准聘副教授，博导，分别于2017年，2011年在南京大学计算机科学与技术系获得博士学位以及在南京师范大学强化培养学院获得学士学位。曾分别在英国曼彻斯特大学，香港大学等高校进行学术访问交流。2022年入选国家级青年人才项目，2018年获得江苏省计算机学会优博，2018年获得江苏省科学技术奖二等奖，2025年获中国指挥控制学会科学技术进步奖二等奖。研究方向为新型机器学习技术，包括生成式模型与具身智能。主持国家自然科学基金面上基金、青年基金各1项，江苏省自然科学基金青年基金1项，参与国家自然科学基金重大项目1项，科技部2030新一代人工智能项目2项等。在相关研究领域的期刊会议发表论文80余篇，包括CVPR，ICCV，AAAI，IJCAI，ACM MM，TPAMI，TIP，TMM，TNNLS、TCYB、PR等。

俞扬，南京大学人工智能学院教授。主要从事人工智能、机器学习、强化学习方向的研究，工作获5项国际论文奖、3项国际算法竞赛冠军。入选国家青年人才计划、IEEE Intelligent Systems “AI’s 10 to Watch”，获CCF-IEEE青年科学家奖，首届亚太数据挖掘“青年成就奖”，并受邀在国际人工智能联合大会 IJCAI 2018上作“青年亮点报告”。

报告题目：世界模型基础问题的一些研究进展

报告简介：世界模型是实现通用决策问题的理想和必要途径，然而世界模型本身的学习面临极大挑战：反事实推理是世界模型的根本目的，然而现有机器学习技术通常基于统计假设，难以直接实现理想的世界模型。本次报告将汇报世界模型学习的具体难点和应对方法的一些研究进展。

杨杨，现为南京理工大学计算机科学与工程学院教授、博士生导师。入选国家青年拔尖人才计划、科协青年人才托举工程。长期从事开放环境多模态学习方向研究。以第一作者/通讯作者身份发表IEEE TPAMI、TIP、TKDE、NeurIPS、KDD 等CCF-A类顶刊和顶会论文40余篇，获国际会议ACML17最佳论文奖、吴文俊青年科技奖。主持科技部重点研发青年科学家项目、江苏省杰出青年基金项目等。基于研究成果，在相关国内外公开挑战赛（由Google DeepMind、麻省理工学院等知名机构、高校举办）中获得30余项冠军。

报告题目：面向非平衡数据的稳健多模态学习及农业育种应用

报告简介：本报告围绕非平衡数据下的稳健多模态学习，及其在基因表型分析应用展开介绍。针对现实应用中多模态数据存在的非平衡问题，研究多模态重平衡融合学习以及关联平衡保持的跨模态检索学习，并应用于作物表型的智能分析和基于检索增强的基因表型关联预测任务中，有效提升智慧育种效率和性能。

韩忠义，山东大学软件学院教授，博士生导师，齐鲁青年学者，山东省优青（海外），山东省青创团队负责人。研究兴趣主要包含机器学习、基础模型、Agentic AI、AI for Science、医学图像处理等，聚焦于开放环境下鲁棒机器学习理论与方法的基础研究，围绕数据分布变化、数据类别变化与数据标记受限等核心挑战，系统性地解决了鲁棒域自适应、分布外检测与弱监督学习等关键科学问题。迄今已在TPAMI、IJCV、TIP、TKDE、MLJ、TMI、MedIA、NeurIPS、CVPR、AAAI、IJCAI、IPMI等顶级期刊和会议发表论文40余篇，授权发明专利6件，2篇入选ESI高被引论文，谷歌学术总引用超过2700次。长期担任TPAMI、IJCV、TIP、TNNLS等国际顶级期刊，以及ICML、NeurIPS、ICLR、CVPR、ICCV、ECCV等人工智能领域顶级会议的审稿人或高级程序委员会委员。获得2023年青岛市科技进步二等奖、2025年CCF人工智能与模式识别专委会博士学位论文激励计划，2024年山东省优秀博士学位论文奖、ACM（济南）2023年优博奖，山东省人工智能学会优博与优秀硕士学位论文，并被评为NeurIPS 2024与IEEE TMI 2022杰出审稿人，研究成果入选2023年度山东省人工智能优秀论文。现担任山东省人工智能学会副秘书长、青年科学家委员会秘书长等学术兼职。

报告题目：灾难性继承：从基础规模预训练数据偏差到下游性能退化

报告简介：基础规模预训练模型在各类应用中被广泛复用，但预训练时上游数据中的噪声、弱标注与语义错配，可能在表征空间中产生不易察觉的偏差。这些偏差在下游微调、任务迁移或分布发生变化时更容易被激活并放大，进而带来分布外性能下降、置信度失真，以及在高风险场景中的可靠性隐患，近年相关工作常将这类现象称为灾难性继承。本报告将围绕其背景与关键问题展开，最后结合两项研究进展作简要介绍：一项从统计形状变化刻画继承效应并提出轻量约束策略，另一项从表征几何稳定性角度分析并缓解下游退化。

刘萌，山东省泰山学者青年专家。主要研究方向为跨媒体分析与推理，近五年在IEEE TPAMI、CVPR等期刊与会议发表论文70余篇，谷歌学术引用6000余次，入选2024/2025年全球前2%顶尖科学家榜单。主持国家自然科学基金重点项目课题、面上基金和青年基金等项目。获ACM SIGMM 2020优博奖、ACM SIGIR 2021最佳学生论文奖、国际基础科学大会前沿科学奖，以及CVPR/ACM MM挑战赛冠军6项。

报告题目：多模态大模型驱动的具身智能研究

报告简介：传统机器人依赖人类预设程序或步骤执行任务，缺乏自主感知与决策能力，无法在多变环境中灵活处理各种复杂任务。近年来，随着大模型技术的快速发展，多模态大模型已具备强大的多模态理解与推理能力。团队聚焦基于多模态大模型的具身智能技术研究，致力于融合多模态大模型的高层语义推理能力与机器人的物理交互能力，实现环境智能感知、任务自主规划、动作精准执行。本次报告将分享团队在多模态大模型驱动的具身智能研究方面的最新工作进展。

杨天培，南京大学，准聘副教授，博士生导师，紫金学者，入选国家高层次青年人才计划（海外）。研究方向包括AI Agent，强化学习与多智能体系统，重点解决强化学习的探索瓶颈、泛化能力弱、不可解释等挑战。科研成果推动了强化学习在国防军事、芯片设计、商业游戏等相关领域的应用。近五年在人工智能领域发表高水平论文40 余篇，长期担任ICML、NeurIPS、ICLR、AAAI等会议，以及TPAMI、JMLR、TNNLS等国际期刊的审稿人。曾获得CCF人工智能与模式识别专委会多智能体学组优秀博士论文奖。

报告题目：Agent时代下的强化学习演进与挑战

报告简介：随着大语言模型向自主智能体跨越，强化学习正经历深刻的范式转移。本报告深入探讨了Agent时代下RL的演进路径与核心挑战，重点解析了从个体到群体训练的效率变革。在个体训练维度，报告分析了从传统深度强化学习向大模型后训练 RL 的转变：不同于传统 DRL 侧重于在封闭环境下通过海量试错学习基础控制逻辑，Agent 时代的 RL 侧重于在已有知识底座上，通过过程奖赏与强化学习算法提升模型的长程规划、思维链推理及自我纠错能力。在智能体协作维度，探讨了从传统多智能体强化学习向基于自然语言通信的 Agent 集群协作演进，强调在开放环境下通过动态对等通信实现复杂任务的协同求解。最后，报告针对过程奖赏模型优化、长程信度分配等核心挑战，展望了 RL 驱动 Agent 成为真实生产力工具并通往 AGI 的技术前景。