摘要：CNCC2025 Tutorial是由领域内专家主讲，面向全体参会者开放的专题讲座或教学环节，旨在介绍研究领域的最新进展或基础知识，内容涵盖原理、挑战、方法等。可以帮助刚进入该方向的博士生、青年学者快速补齐知识短板，以便更好地参会后续的前沿报告理解与未来方向思
CNCC2025 Tutorial是由领域内专家主讲，面向全体参会者开放的专题讲座或教学环节，旨在介绍研究领域的最新进展或基础知识，内容涵盖原理、挑战、方法等。可以帮助刚进入该方向的博士生、青年学者快速补齐知识短板，以便更好地参会后续的前沿报告理解与未来方向思辨。
今年Tutorial共设置9大主题板块：AI基础模型、机器学习理论与机理、强化学习与推理、视觉与多模态、AI安全与治理、面向AI的数据管理和治理、Agent与具身智能、新型计算与网络架构、AI4Science。
Tutorial名称：
大模型推理与机器学习前沿
所属主题：
机器学习理论与机理
Tutorial简介
人工智能正经历颠覆性变革，大模型与多模态技术成为核心引擎。本Tutorial核心内容聚焦四大前沿方向：多模态大模型后训练，突破跨模态对齐瓶颈，释放工业级应用潜能；细粒度跨模态理解与生成，解构图文音视的语义联结，重构生成式智能的精准控制；大模型推理与强化学习，揭示思维链的演化机制，探索逻辑决策的强化路径；开放环境机器学习，攻克动态场景的泛化挑战，奠基下一代AI理论。汇聚顶尖学者与行业先锋，深入探讨机器学习理解与认知跃迁的关键技术，共同绘制机器学习未来发展蓝图！
Tutorial日程
举办时间：2025年10月22日下午
举办地点：哈尔滨市·华旗饭店
注：如有变动，请以官网(https://ccf.org.cn/cncc2025)最终信息为准
讲者介绍
左旺孟
哈尔滨工业大学教授
哈尔滨工业大学计算学部教授。主要从事底层视觉、视觉生成、视觉理解和多模态学习等方面的研究。在CVPR/ICCV/ECCV/NeurIPS/ICLR等顶级会议和IEEE T-PAMI、IJCV及IEEE Trans.等期刊上发表论文200余篇。曾任ICCV、CVPR、ECCV等会议领域主席，现任IEEE T-PAMI、T-IP、中国科学-信息科学等期刊编委。
报告题目：多模态大模型后训练技术
报告摘要：近年来，预训练大模型已取得巨大的成功。随着高质量预训练语料基本上被耗尽，迫切需要发展有效的后训练技术以增强和拓展模型能力。Tutorial拟首先简要介绍大模型预训练和后训练技术的背景，重点介绍基于多模态大模型的多模态推理到AI智能体技术的进展与应用。
李亮
中国科学院计算技术研究所研究员
中科院计算所研究员，博士生导师，国家优秀青年基金获得者。研究领域为生成式人工智能、计算机视觉和多模态学习，发表TPAMI等汇刊和CCF-A类会议论文100余篇，谷歌引用5300余次，获国际会议最佳论文奖4次，6项工作入选ESI高被引论文；主持/参与科技部科技创新2030重大项目、973课题、NSFC优青/面上/青年项目等20余项，担任中科院1区国际期刊IEEE TMM等编委，国际会议ACL/EMNLP/NAACL高级领域主席，NeurIPS和ACM MM领域主席， 7次领域国际会议和6次国内会议的组织主席。获2025年教育部教育部科学研究优秀成果奖工程技术一等奖、2024年中国图象图形学学会青年科学家奖、2022年浙江省科技进步一等奖、2020年吴文俊人工智能自然科学一等奖、2013年中科院院长奖。相关技术在华为、淘宝、大华、华数传媒等公司使用，服务于2022北京冬奥会等任务。
报告题目：多模态数据处理与生成策略
报告摘要：随着预训练AI技术的发展，单一模态数据提供的信息已不能满足提升AI模型认知能力的需求。与人类利用视觉、听觉、触觉等多种感官信息来感知世界类似，机器也需要多模态信息来提升认知水平。随着多模态数据的爆发和计算能力的提升，研究人员已提出大量方法来探索利用多模态信息。本此报告将围绕跨模态细粒度生成主题，深入探讨文本语言、图像、音频等模态的生成式人工智能的基础理论，并分享在以数据为中心的人工智能范式的一些探索。
张岳
西湖大学教授
2003年毕业于清华大学计算机科学专业，获得学士学位；2006年毕业于牛津大学计算机科学专业，获得硕士学位；2009年毕业于牛津大学计算机科学专业，获得博士学位。2010年3月-2012年6月在剑桥大学计算机科学专业从事博士后研究，2012年7月-2018年8月在新加坡科技与设计大学担任助理教授。2018年9月至2022年6月，在西湖大学担任终身副教授。现任西湖大学终身教授。
报告题目：大模型推理分析及强化学习方法
报告摘要：AI赋能科学研究受到广泛关注。AI科学家近两年刚刚兴起。如何用AI进行自动科研，以及如何用AI辅助人类科研是值得讨论的话题。本报告将从AI科学家背后的理论以及一个实际系统可能给交叉学科研究带来的应用两个层面出发进行深入介绍。
韩忠义
山东大学教授
山东大学教授、博士生导师、齐鲁青年学者。主要研究开放环境机器学习和AI for Science。2023年博士提前毕业于山东大学，曾于2016-2018年在加拿大Western University 联合培养，2018-2019年在百度AI 创新业务部担任Research Fellow，2019-2020年在南京大学LAMDA联合培养，2023-2025年在MBZUAI和KAUST做博士后。以第一/通讯作者身份在TPAMI、IJCV、TIP、TKDE、MLJ、TMI、PR、MedIA、CVPR、AAAI、IJCAI、IPMI等顶尖期刊和会议上发表论文35篇(包括中科院一区/CCF-A类论文21篇)，2篇论文入选ESI高被引，累计谷歌学术引用2500余次，授权发明专利6件。曾获青岛科技进步奖、山东省优秀博士学位论文、ACM（济南）优博奖、山东省人工智能优秀论文奖，山东省人工智能学会优博奖。
报告题目：开放环境机器学习导引
报告摘要：开放环境机器学习关注基础模型在真实应用中遇到数据分布变化与类别集合扩展时的可靠性问题。本Tutorial首先阐述开放环境研究的现实意义与典型挑战，随后系统梳理两条核心技术线：1）分布变化下的鲁棒学习，覆盖无监督域自适应、域泛化、测试时适应及大模型对分布漂移的适配能力，对比其假设前提、理论基础与最新实证结果；2）类别变化下的鲁棒学习，覆盖分布外检测中的常见算法，包括马氏距离特征检测、能量函数判别、外部异常样本暴露及基于基础模型特征的对比式检测等。最后问答与讨论环节，分享实践挑战，探讨可行的协同研究与未来研究方向。
CNCC2025将于10月23-25日在哈尔滨举办。学术专题论坛将在往年多样化主题的基础上，首次通过“基础-前沿-未来”的一体化设计，满足不同背景参会者的需求，构建从知识获取到创新激发的完整路径，打造系统化、进阶式的参会体验。重点设置9大主题板块，每个主题板块的专题论坛由三大核心模块组成：面向前沿领域的体系性Tutorial、聚焦前沿突破的专题论坛以及探讨未来发展路径的思辨论坛。Tutorial作为这一设计的起点，为参会者构建坚实的共同知识基础，能够深度参与后续的前沿报告理解与未来方向思辨。同时面向青年学者、行业新锐等人群，通过系统性教学，助力赋能青年人才发展。
来源：CCFvoice