YEF2025 | CCF优博前沿技术论坛

主要研究领域包括移动智能计算以及大规模智能决策。在智能博弈、端智能以及大数据管理等领域取得一系列科研成果，已发表中国计算机学会（CCF）推荐期刊会议列表A 区53 篇。荣获多项科研奖励，包括2018 年中国计算机学会（CCF）优秀博士论文奖；英特尔中国学术英才计划（2022年）；2015 年微软学者奖学金；2015 年谷歌全球博士生奖研金。主持国家自然科学基金青年/面上/优青项目、重点研发计划课题、上海市浦江人才和中国博士后创新人才计划项目。

天津大学智能与计算学部教授，软件工程团队负责人，博士生导师，国家优青项目、重点研发计划青年科学家项目获得者；博士毕业于北京大学；研究方向主要为基础软件测试、可信人工智能、数据驱动的软件工程等；入选中国科协青年人才托举工程、斯坦福大学发布的全球前2%顶尖科学家年度榜单，荣获CCF优博、电子学会自然科学一等奖、七项最佳/杰出论文奖等奖项；担任CCF系统软件专委常委，CCF-A类会议ASE评审过程主席，ICSE、FSE、ASE、ISSTA等顶会PC。

中山大学计算机学院教授、量子计算与软件研究所所长、CCF量子计算专委副主任。长期从事量子计算理论研究，主要聚焦于量子算法，在IANDC、IEEE TIT、SODA、ICALP、ICML等发表论文100多篇，出版专著1部，研究成果被《New Scientist》等科技媒体报道。

题目：量子算法：量子世界的计算之法。

摘要：量子计算领域的两大核心问题是：（1）如何将量子计算系统扩展到能够解决实际问题的规模？（2）如何在科学和工业中最大程度的利用量子计算的强大算力？解决第二问题的关键在于能否针对实际问题设计出高效的量子算法。量子计算的有用性有赖于量子算法。本报告力求通俗易懂，首先介绍量子计算的基本概念以及研究全貌，然后主要介绍量子算法的基本原理、技术挑战、研究视角、发展过程与研究现状。

北京理工大学教授，博导，国家杰出青年科学基金获得者，担任北京理工大学科研院院长、CCF数据库专业委员会副主任。主持多项国家重点研发计划项目和自然基金重点项目，发表CCF A类论文100余篇。研究方向为大数据管理与分析、基于大数据的人工智能。获国家科技进步二等奖(2024)、中国电子学会自然科学一等奖(2022)、教育部科技进步一等奖(2016)、辽宁省科技进步一等奖(2014)、全国百篇优秀博士论文提名奖(2013)、中国计算机学会优秀博士论文奖(2012)。

题目：神经符号数据库技术及应用

摘要：神经符号数据库（Neuro-Symbolic Database），作为一种新型的数据库平台，深度融合了人工智能分析、数据库查询以及大数据计算的关键技术。其突出优势在于不但能够高效地处理异构数据，包括结构化和半结构化数据，还能够有效地管理和解析非结构化数据，如图像、视频和文本等，实现对多源异构数据的深度挖掘。本报告将深入探讨神经符号数据库在处理各类复杂数据类型和模式下的应用潜力，旨在揭示其在数据密集型领域的广阔应用前景，并对神经符号数据库面临的技术挑战和我们的解决思路进行介绍，包括神经符号数据库的查询语言、处理算法和存储方案等。总体来看，本报告以剖析神经符号数据库的关键技术问题为核心，力求为该领域的进一步研究和发展提供有力的理论支撑和实践建议。

华南理工大学计算机科学与工程学院教授，博士生导师、副院长。主要研究方向是群体智能、进化计算及其应用，已发表国际期刊和国际会议论文200余篇，其中IEEE Trans.长文90余篇；牵头主持国家科技创新2030——“新一代人工智能”重大项目，国家自然科学基金企业创新联合基金重点支持项目、国家重点研发计划国际合作交流项目等，任大数据与计算智能粤港联合创新平台负责人。2016年获国家优秀青年科学基金资助，2015年获广东省杰出青年科学基金资助；2018年获霍英东青年教师奖。现任IEEE广州分会副主席、IEEE SMC广州分支主席、CCF协同计算专业委员会常务委员、人工智能与模式识别专业委员会执行委员、演化计算学组副主任，国际期刊IEEE TEVC、IEEE TNNLS及Complex & Intelligent Systems副主编。

题目：分布式环境下高可扩展的群体智能理论与方法

摘要：国家《新一代人工智能发展规划》将群体智能列为重点发展的人工智能理论与技术方向之一。其中，借鉴自然界群智行为的群体智能和进化计算方法在工业优化等领域有着广泛应用。随着物联网、边云计算等技术的快速发展，群智进化计算内在的并行分布式特性与分布式计算平台相互契合，也在分布式计算平台下发展新一代群智优化方法开启的新的思路。本报告将介绍分布式环境下高可扩展的群智进化优化方法，重点围绕分布式环境下群智优化面临的三个重要挑战，即数据冲突、目标冲突和隐私保护挑战，分别介绍分布式群智联邦优化方法、分布式群智共识优化方法，和分布式群智优化的隐私保护机制，最终构建高可扩展的群智优化方法体系，并介绍相关方法的实际应用。

清华大学计算机系助理研究员，研究方向为人工智能、自然语言处理、大模型、智能计算系统，在国际顶级学术会议及期刊发表论文数十篇，Google Scholar 他引1.2万余次，创建大模型开源社区OpenBMB，相关开源项目在全球最大开源社区Github上累计获得数万星标。曾获教育部自然科学一等奖(第三完成人)、世界互联网大会领先科技奖（第三完成人）、英特尔中国学术成就奖（第三完成人），入选中国计算机学会（CCF）优博激励计划、博士后创新人才支持计划、清华大学水木学者计划、清华大学优秀博士后。

题目：从稠密到稀疏：迈向大模型高效训练推理的有效途径

摘要：当前大模型普遍面临计算复杂度高、资源消耗大的问题，尤其是在资源受限场景上部署时，计算效率与模型能力之间的平衡成为关键挑战。通过结合大模型注意力机制和前馈神经网络的内生稀疏特性，用稀疏模块化模型架构取代传统稠密模型架构，可以在保持模型能力的同时显著降低模型计算复杂度。然而，如何有效利用这些内生稀疏特性，设计出既能压缩整体计算量又能保持模型能力的架构，仍是一个亟待解决的科学问题。本报告旨在介绍构建高能效稀疏模块化模型架构的有效方法，这类方法有助于兼顾大模型的高计算效率与高能力表现。

国防科技大学助理研究员、优秀毕业生，入选CCF博士学位论文激励计划，主要从事智能化软件工程方面的研究，在OOPSLA、ICSE、FSE、ASE、ISSTA、TSE、TOSEM、WWW等顶级会议和期刊上发表论文30余篇，主持/参与国家重点研发计划、国自科青年基金项目、国家重点实验室课题在内的多项科研项目。担任TSE、TOSEM、EMSE等国际期刊的审稿人以及CCS、ICSE、ASE等国际会议的程序委员会委员。获ACM SIGSOFT杰出论文奖1次，IEEE TCSE杰出论文奖2次。

题目：大模型代码生成安全困境初探

摘要：随着大语言模型（LLM）在代码生成领域的广泛应用，其安全问题日益凸显。一方面，攻击者可能利用模型训练时在对齐方面的不足，通过特定提示词或上下文操控实施越狱攻击，诱导模型生成恶意代码；另一方面，攻击者也可以通过污染检索增强生成（RAG）依赖的外部知识源，植入错误示例，使模型在代码生成时传播这些威胁。本报告将对两类攻击方法展开分析，并讨论可能的防御策略，以应对大模型代码生成的安全挑战。