主题论坛3大模型时代的智能协同（暨CCF 第6届“持续协同，智能飞跃”协同计算专委系列学术研讨会）

简介：

孙海龙，北京航空航天大学教授、博士生导师，入选国家级青年人才、教育部新世纪优秀人才和北京市科技新星。目前担任北京航空航天大学杭州创新研究院副院长、CCF协同计算专委副主任。主要研究群体智能、智能软件工程和开源软件等方向。主持了国家重点研发计划项目、国家自然科学基金专项重点支持项目等国家级科研任务10余项。在TOSEM、ICSE、ICML、KDD和OSDI等发表论文100余篇，获国际会议最佳/杰出论文奖5项，1篇论文入选KDD’23最佳论文候选，获发明专利授权70余项，获得2项国家技术发明二等奖、3项教育部科技进步一等奖、1项北京市科技进步一等奖。

简介：

卢暾，复旦大学计算与智能创新学院教授、博导、副院长，复旦大学社会计算研究中心主任，上海市数据科学重点实验室副主任，美国卡耐基梅隆大学（CMU）访问学者。现为中国计算机学会杰出会员、协同计算专委秘书长，上海市计算机学会协同信息服务专委会副主任。研究方向为协同与社会计算、群智与人智协同、大模型智能体模拟、数字社会智能治理等。主持多项国家和上海市重要项目，系列成果发表在领域权威会议和期刊上，曾获得过CSCW等多个国际学术会议最佳论文（提名）奖等。

简介：

叶保留，南京大学教授、博士生导师，现任中国计算机学会（CCF）理事、CCF分布式计算与系统专委会副主任。长期从事分布式计算与系统、无线网络、边缘计算与边缘智能，近5年来先后主持国家自然科学基金重点项目及专项项目、国家重点研发计划课题、JW预研项目、江苏省基础研究计划重点项目等科研项目，在包括MobiCom、EuroSys、ATC、VLDB、INFOCOM等国际会议及ToN、JSAC、TMC、TPDS、TC等IEEE/ACM Transactions汇刊在内的国内外权威学术期刊与重要学术会议发表论文100余篇，被遴选为IEEE TPDS、IEEE TC亮点论文，获APNet 2018最佳论文奖、2016年度江苏省科学技术奖一等奖（第三完成人）、2019年度江苏省科学技术奖一等奖（第一完成人）、2024年上海市自然科学奖一等奖（第五完成人）。

报告题目：客户端自适应的联邦学习效率优化技术

报告摘要：

联邦学习作为一种新型分布式机器学习范式，主要通过客户端上传模型更新而非原始数据，从而协同多个客户端训练全局模型，可有效避免数据集中收集带来的隐私泄露风险。然而，随着应用规模的扩大，联邦学习面临数据非独立同分布（Non-IID）导致的数据异构性、终端设备差异导致的通信瓶颈、以及在量化联邦学习框架下贡献评估困难导致的激励失衡三大挑战。报告围绕上述挑战，以构建“客户端自适应”的联邦学习优化机制为核心思想，介绍在自适应模型同步、自适应梯度量化、自适应竞标激励等方面的研究进展，以期增强客户端在联邦学习全生命周期中的自适应优化能力，为降低通信计算开销、加速模型收敛并保障系统公平性提供支撑。

简介：

王忠杰，哈尔滨工业大学计算学部教授、工业软件研究中心主任，CCF服务计算专委会主任。长期从事服务计算与工业软件研究，聚焦大模型时代工业智能体的服务编排、群智协同与产业链动态仿真，在智能体网络协同制造、多主体价值网络演化等方面形成特色方向。主持国家重点研发计划工业软件专项项目，在IEEE TSC、TPDS、TMC等发表高水平论文100余篇。出版《服务工程与方法论》《大服务与服务互联网》等专著。

报告题目：服务计算视角下的智能协同：工业智能体服务及其协同网络

报告摘要：

传统服务计算通过服务发现、选择、组合与编排，将分布式服务组织为可执行的业务过程。大模型和Agent正在推动服务协同从预定义流程走向动态自主规划：Agent代表不同参与方，与人及其他Agent共同完成任务分解、协商、执行与调整。本报告聚焦大模型驱动的工业智能体在开放产业链环境下的服务编排、群智协同与动态演化机制，介绍基于多智能体协作的产业链价值网络动态仿真方法、面向人机物融合环境的智能体服务协同框架、智能体服务价值工程（ASVE），实现从个体智能到群体智能、从静态优化到动态演化的提升。

简介：

石宣化，华中科技大学“华中卓越学者”首席教授，博士生导师，教育部长江学者特聘教授，担任华中科技大学计算机学院副院长、大数据技术与系统国家地方联合工程研究中心副主任、中国计算机学会高性能计算专业委员会副主任等职务，CCF大数据专家委员会委员、学术工作委员会委员。2005年获得计算机系统结构博士学位、2006年在INRIA从事博士后研究。主要从事云计算与大数据处理、异构计算、代码大模型等领域的研究。相关成果获得Computer亮点推荐、Spectrum最新技术观察、ACL最佳主题论文、ACM SIGSOFT优秀论文、CCF自然科学一等奖、教育部技术发明一等奖等国内外同行认可。

报告题目：从大模型训练到Agent服务协同融合架构

报告摘要：

大模型参数爆炸式增长，大模型训练以及迭代成本极高，急需在基础设施层提供新的技术，降低模型训练成本，提高整体训练效率。本报告从DP、TP以及PP等角度分享大模型训练中的大规模并行方法，在此基础上探讨Agent服务协同服务下的融合架构技术。

简介：

曹健，上海交通大学长聘教授。主要研究方向为智能数据分析、分布式人工智能和服务计算。主持多项国家863计划项目、国家重点研发计划课题、国家自然科学基金项目，上海市科委重点项目。获得省部级科技进步特等、一等、二等等各类科技奖项9项，入选教育部新世纪优秀人才资助计划。成果应用于金融、医疗、旅游等行业。在国内外发表论文400多篇。目前为IEEE高级会员，中国计算机学会杰出会员，上海市计算机学会协同计算与信息服务专委会主任，上海市人工智能学会可信智能系统专委副主任。

报告题目：面向数据与模型异构性的联邦协同优化方法

报告摘要：

联邦学习落地于多组织协同场景时，普遍存在数据分布与模型异构难题，两类异构特性相互叠加放大，成为制约联邦协同优化与实际业务落地的核心瓶颈。其中，数据异构会造成各客户端特征空间难以对齐，引发严重的客户端训练漂移问题；模型异构则致使传统全局参数聚合策略失效，而双重异构并存、数据隐私不可见、模型架构未知的多重约束，进一步导致服务端无法有效凝练全局知识等问题。本报告将讨论如何分离全局共识与个性化偏差、克服数据异构性挑战；如何构建高质量全局原型向量、规避聚合质量退化，应对模型异构的挑战；在双重异构并存场景下如何优化模型更新机制、保证全局目标与本地任务目标一致性。报告中也将讨论如何引入外部预训练知识以补强全局知识短板从而提升本地模型性能。

简介：

李诺，复旦大学博士后，CCF协同计算专委会与普适计算专委会执行委员、虚拟现实与人机交互编写分委会委员。研究方向聚焦于社交网络计算、城市计算及人智协同计算，涉及智能推荐、群智知识迁移、大模型推理等前沿技术。已在IEEE Communications Surveys & Tutorials、UbiComp、IJCAI、MM、CHI、ECML-PKDD、WWWJ、IPM等国际学术会议和期刊上发表论文10余篇。获2025年第六届浦东新区移动通信创新应用竞赛银奖，并获选2025年度上海市计算机学会协同与信息服务专委“青年新星奖”。

报告题目：面向社交网络的群智知识迁移理论与方法研究

报告摘要：

聚焦社交网络中用户行为数据稀少的现实场景，本报告将介绍基于信息论的用户可迁移性机制，以及跨场景自适应的群智知识迁移方法，以实现低成本、高质量的数据选择，并有效提升稀少用户行为预测的准确度。此外，本报告还将重点介绍面向未来人智社交网络的人智团队发展动态框架、人在回路的实时感知与分层评估机制，以及人机注意力对齐方法（如眼动引导的Token剪枝），从而在动态开放环境中更好地实现用户意图响应与计算效率的协同优化。

简介：

柴磊，北京航空航天大学-北航杭州创新研究院联合培养博士后。主要研究方向包括人智协同、群智协同计算和以数据为中心的人工智能。在ACL、AAAI和ICDE等发表论文11篇，作为骨干参加了国家重点研发计划项目、国家自然科学基金重点项目和面上项目等，参编国家“十四五”规划教材《群智化数据标注技术与实践》。

报告题目：面向可信智能系统构建的人智协同技术研究

报告摘要：

随着深度神经网络模型在医学、金融、工业智造等领域的广泛应用，智能系统的可解释性、鲁棒性与公平性等可信性问题日益突出。由于模型内部决策机制复杂且具有较强的黑盒特性，其预测偏差难以定位、异常行为难以解释、运行风险难以及时干预，制约了智能系统在风险敏感场景中的可信应用。本报告围绕“面向可信智能系统构建的人智协同”，分析智能系统全生命周期中的主要可信性问题，并探讨如何引入人类知识、反馈与认知结构，形成面向模型持续调优的人智协同闭环，从而提升智能系统决策过程的可理解性、复杂环境下的鲁棒性以及持续演化过程中的可信性。