主题论坛16脑机交互与类脑计算

简介：

郭斌，工学博士，西北工业大学计算机学院教授、副院长，国家杰出青年科学基金获得者，工信部智能感知与计算重点实验室主任，人机物融合群智计算教育部重点实验室副主任。 主要从事智能物联与普适计算、群体智能、移动群智感知等方面研究。在IEEE/ACM汇刊等国内外重要期刊和会议上发表论文200余篇，出版《人机物融合群智计算》《智能物联网导论》《计算社会学》等专著，入选爱思唯尔中国高被引学者，《麻省理工科技评论》 “中国智能计算创新人物”。曾获得教育部自然科学一等奖、陕西省自然科学一等奖、军事科技进步一等奖等。担任《ACM IMWUT》《IEEE Transactions on Human-Machine Systems》《Frontiers of Computer Science》等国际权威期刊编委。CCF理事、ACM西安分会主席、CICC认知与行为专委副主任。

简介：

赵莎，浙江大学计算机学院/脑机智能全国重点实验室研究员，博士生导师。ACM 杭州分会秘书长，CCF普适计算专委副秘书长。研究方向为脑机接口、人工智能，聚焦无创脑状态解码与调控、脑机接口基座大模型等研究。发表高水平论文近70篇，获最佳论文/封面文章共计6次，包括ACM UbiComp最佳论文奖 (CCF A，一作，国内首篇)，IEEE ToG杰出论文，IEEE JBHI 封面论文等。入选百度学术发布的2023年度AI华人女性青年学者榜(全球共有80名华人女性入选)，获2022年ACM分会新星奖。主持国自然面上、青年项目、浙江省尖兵科技计划、浙江省自然重点、科技创新2030-“脑科学与类脑研究”重大项目子课题等10余个项目。担任ICLR，NeurIPS，ICML等会议程序委员会委员，以及TCDS、TNSRE、JBHI等国际顶级期刊的审稿人。

简介：

邬霞，计算机学院教授、博士生导师，国家自然科学基金杰出青年基金、优秀青年基金、吴文俊人工智能自然科学一等奖、教育部自然科学二等奖、茅以升北京青年科技奖等获得者。主要研究方向为脑机接口与类脑算法等。近年来，主持承担国家自然科学基金重点项目、国家重点研发计划课题以及北京市自然科学基金重点项目等十余项，以第一/通讯作者在国内外重要学术期刊、会议发表论文百余篇。

报告题目：脑认知机制启发的高效决策模型与方法

报告摘要：

当前人工智能系统在复杂动态环境中的自主决策仍面临诸多挑战，难以充分适应开放、多变的现实场景需求。相比之下，人脑在持续学习、记忆积累与决策判断等方面展现出高效、灵活且稳健的能力，为智能决策研究提供了重要启示。本报告将从人脑认知机制出发，探讨其与人工智能决策模型之间的内在关联，重点介绍脑认知机制启发的高效决策模型与方法，并展望神经科学与人工智能深度融合为未来智能决策系统带来的机遇与挑战。

简介：

教育部重大人才工程特聘教授，教育部网络空间安全教指委委员，获全国优秀教育工作者，宝钢优秀教师，中宣部“中国好人”等称号。近年来致力于人的发音与听觉感知机理及在人机交互、人工智能安全、医疗等方面的应用研究，尤其在语音安全、身份认证、病理语音、静音通信等方面的应用研究。曾担任ISCSLP 2016 、ISSP2017组委会主席，全国人机交互大会HHME2018、NCMMSC2019 大会主席。获得国家级教学成果奖二等奖3项。获中国技术市场协会“金桥奖”--突出项目贡献奖。

报告题目：面向类人智能的语音交互机理研究初探

报告摘要：

目前语音工程主要依靠对语音大数据的统计建模与深度学习技术，但人对于语音的处理往往并不依赖超大数据集。这是因为对人的发音机理、个性化的语音特征形成机理及信号表征方法还缺乏系统性的深入研究。例如，人的个性化信息就是直接由人的发音器官的差异产生，再通过人耳等听觉感知机构来获取与分析。 如何从语音生成机理角度深入研究人的语音特征形成机制及声学表征方法，将可以提供更加直接的语音处理途径，从而实现类人语音处理方法。 因此，我们更关注基于语音产生的特征表征。 本报告将介绍对人的发音机理的观测与建模。研究如何通过对人的感知机理分析与建模从而实现对人的机能的深度认知、理解与再现。如果将个性化的发音机理与声学信号相映射，从而促进对个性化语音分析与表征，及在声纹识别、欺诈语音检测、语音水印等方面的应用。

简介：

余肇飞，北京大学人工智能研究院研究员、博士生导师，北京大学博雅青年学者，智源青年学者，国家优秀青年基金获得者。主要研究方向为类脑计算、神经形态计算，担任类脑脉冲大模型北京市重点实验室副主任、中国图象图形学会类脑视觉专委会秘书长。在Nature Biomedical Engineering、Nature Communications、Science Advance、IEEE Transaction汇刊和NeurIPS、ICML、CVPR等顶级会议上发表论文100余篇，主持“脑科学与类脑研究”国家科技重大专项青年科学家项目（A类）、国家自然科学基金联合重点、北京市科技新星等项目，担任ICML、NeurIPS、ICLR等会议领域主席，曾获首届中国脑机智能科学新星、中国自动化学会自然科学奖一等奖、教育部科学研究优秀成果奖发明一等奖。

报告题目：脉冲神经网络高效学习方法研究

报告摘要：

脉冲神经网络（Spiking Neural Network，SNN）被称为第三代人工神经网络，除神经元和突触状态之外，脉冲神经网络还包含了时间状态。相比于前二代人工神经网络，脉冲神经网络具有高生物仿真、低功耗、高效等特征。本报告将介绍脉冲神经网络的基本原理，分析当前脉冲神经网络学习方法的研究现状与发展趋势，并结合课题组今年相关工作汇报相关研究中的最新进展。

简介：

李强，中国科学院微电子研究所研究员，入选中科院高层次青年人才计划项目，博士生导师。 2020年博士毕业于帝国理工学院，2020年5月至2023年7月在华为海思半导体有限公司，主要从事麒麟、鲲鹏处理器的低功耗设计。现担任全国集成电路标准化技术委员会类脑计算芯片研究组成员、北京市集成电路学会专家、神经形态学系统国际会议审稿人。研究领域多模态融合类脑人工智能算法、芯片实现，低功耗数字芯片设计。研究成果应用于麒麟、鲲鹏等处理芯片。主持/参与中科院引才计划、国家自然科学基金、北京市自然科学基金等国家级和省部级项目近10项。在国际知名会议期刊FPL、FPT、ACMM、 VLSI-TSA、ISCAS、 TCAS-I、TCAS-II、 TVLSI等发表论文20余篇。

报告题目：高能效类脑端侧算力芯片关键技术

报告摘要：

人工智能是国家重大战略方向，也是各国科技竞争制高点。随着人工智能模型参数的激增，人工智能芯片面临功耗墙、存储墙瓶颈。传统人工神经网络算法仅仅在空间维度上学习并表达特征。这也导致了传统人工神经网络与已验证的大脑工作机制相比，其过多的模型参数反而显得过于冗余，亟需提升计算效率。传统GPU计算范式依赖固定指令集、串行或批量处理数据，算力越高能耗越大。算力的提升严重依赖工艺演进，亟需通过新原理、新架构实现变道超车。类脑人工智能芯片凭借超低功耗、事件驱动、实时响应、持续学习特性，有望成为无人智能设备的理想硬件载体，解决目前深度学习高昂的功耗、计算以及数据代价。类脑智能芯片仅在信号触发时工作，闲置单元自动休眠，能效远超通用人工智能芯片。类脑智能芯片结构简单，依托成熟工艺即可实现高性能，摆脱先进制程限制，降低芯片研发与制造成本。

简介：

赵莎，浙江大学计算机学院/脑机智能全国重点实验室研究员，博士生导师。ACM 杭州分会秘书长，CCF普适计算专委副秘书长。研究方向为脑机接口、人工智能，聚焦无创脑状态解码与调控、脑机接口基座大模型等研究。发表高水平论文近70篇，获最佳论文/封面文章共计6次，包括ACM UbiComp最佳论文奖 (CCF A，一作，国内首篇)，IEEE ToG杰出论文，IEEE JBHI 封面论文等。入选百度学术发布的2023年度AI华人女性青年学者榜(全球共有80名华人女性入选)，获2022年ACM分会新星奖。主持国自然面上、青年项目、浙江省尖兵科技计划、浙江省自然重点、科技创新2030-“脑科学与类脑研究”重大项目子课题等10余个项目。担任ICLR，NeurIPS，ICML等会议程序委员会委员，以及TCDS、TNSRE、JBHI等国际顶级期刊的审稿人。

报告题目：脑机接口基座大模型与智能体

报告摘要：

近年来，以大语言模型为代表的基础模型技术范式取得了革命性突破，其通用表征能力构建路径为脑机接口领域带来了深刻启示。传统BCI系统针对特定任务、个体或中心进行定制，存在泛化能力差、交互范式僵化等瓶颈。受此启发，我们致力于构建无创脑机接口大模型，并探索BCI与LLM的双向赋能，以期实现更通用、自然、高效的脑机智能交互。本报告将系统介绍我们在这两个方向的初步探索与实践进展，并剖析当前面临的核心难点与未来发展的关键挑战。

简介：

本科毕业于电子科技大学，博士毕业于中科院自动化所，后就职于西湖大学工学院。主要研究方向为类脑计算，在IEEE Transactions on Evolutionary Computation、IEEE Transactions on Artificial Intelligence、iScience、National Science Review、Information Sciences、ICML、IJCAI等著名期刊和会议上发表论文多篇。

报告题目：从类脑计算到类脑具身智能

报告摘要：

人工智能正经历从“大模型规模竞赛”向“高效、自适应、可交互智能”的重要转变。面对当前人工智能系统在能耗、实时性、泛化能力和自主学习方面的挑战，如何从生命智能中汲取启发，探索下一代智能计算范式，成为人工智能发展的重要方向。 本报告以“从类脑计算到类脑具身智能”为主题，围绕大脑启发的计算机制、脉冲神经网络、类脑智能架构以及类脑具身智能的发展路径展开。报告将首先探讨人脑高效智能背后的基本原理，分析脉冲神经计算、事件驱动机制以及存算一体化等类脑计算特征，揭示其在低能耗、高效率信息处理方面的独特优势。通过模拟神经元之间稀疏、高效的信息传递方式，类脑计算为突破传统人工智能依赖大规模连续计算的瓶颈提供了新的思路。 在此基础上，报告将进一步介绍类脑机制与现代人工智能架构的融合探索。面对Transformer等先进模型在复杂任务中的强大表征能力与高计算成本之间的矛盾，如何构建“脉冲化”的Transformer架构，使其兼具深度学习的强大表达能力和大脑计算的高能效特性，是当前类脑智能研究的重要方向。报告将讨论脉冲神经网络与注意力机制、神经动力学机制的结合，以及如何通过更接近生物神经系统的信息处理方式，提升智能系统的效率、自适应能力和泛化能力。 进一步地，报告将从计算智能迈向具身智能，探讨智能与身体、环境之间的深度融合。真正的智能不仅来源于对数据的学习，更是在持续感知、行动和交互过程中形成。类脑具身智能强调通过视觉、触觉、本体感觉等多模态信息融合，使智能体能够像生命系统一样在环境中不断学习、适应和进化。报告将围绕机器人操作、全身协调控制、自主学习与持续适应等关键问题，介绍如何推动智能体从被动的信息处理系统，发展为能够主动探索世界、解决复杂任务的行动主体。 从类脑计算到类脑具身智能，是一条从底层计算机制、智能架构到物理交互系统逐步演进的探索路径。本报告旨在展现人工智能未来发展的新方向：借鉴亿万年生命演化形成的高效智能机制，融合现代人工智能技术，构建更加高效、自主、可靠，并能够与真实世界深度融合的新一代智能系统。