一、会议时间：2026年7月30日（周四） 9:00-11:00

二、讲座地点：10110

三、主办单位：电子信息与电气工程学院

欢迎广大师生参与本次讲座！请参加讲座人员于2026年7月30日8：50前入场。

专家1介绍：周天异，新加坡国家科研院AI智能体部部长、国家应用AI卓越中心平台主任，国际杰青及国家外专人才最高S级入选者。主持多项新加坡国家级项目，在机器学习、人工智能、信息安全等领域的中科院一区期刊及CCF A类会议上发表论文150余篇；担任IJCV、AIJ、IEEE Transactions等国际重要SCI期刊常任编委，并多次担任NeurIPS、ICML、ICLR、AAAI、IJCAI等顶级会议领域主席（Area Chair），同时任IJCNN 2027大会主席和IJCAI 2025大会副主席；获IJCAI、ECCV、ACML等会议最佳论文奖，被斯坦福大学评为世界前2%科学家。

题目1：从工作流到证据流：AI时代科研组织的重构

当前，大模型的通用能力如编码、检索、翻译、总结等正在迅速商品化，昔日壁垒今成标配。这一趋势的必然结果是，“会用AI”已不再构成组织的核心竞争力，价值正在向更深层次迁移。本报告基于真实的科研组织实践，系统回答三个递进的核心问题：为何AI落地如此困难，始终未能出现“即装即用”的通用工具？企业和机构真正应当自主建设并长期持有的核心资产到底是什么？当通用智能越来越强，我们的战略投入又该押注何处？报告将完整呈现一次落地推演：从对现有商业产品（协作套件、平台AI层、工程智能平台）能力边界的实况核查，到一个科研组织协议的设计与实现——在该协议下，项目状态直接从真实工作文件中自动生成，待决策事项以纯文本配合版本控制的协议闭环流转，全程辅以密码学签名与审计。在此基础上，报告提出一个关键判断：通用工具管理的是“工作流”，而科研与专业组织真正需要管理的，是“证据流”——即主张、证据、负结果、可复现性与溯源。沿着这一线索，报告进一步总结出若干关于AI时代价值站位的观察，这些观察在企业软件五十年历史、规范驱动开发实践以及本报告案例中反复显现。最后，报告给出一个可操作的诊断方法和一句战略判断：不与模型赛跑，为模型建粮仓。

专家2介绍：甄亮利，新加坡科技研究局（A*STAR）前沿人工智能研究中心高级研究科学家，IEEE高级会员。主要研究方向为安全可信人工智能与多目标优化，包括对抗攻击与防御、分布外泛化、模型幻觉抑制及多模态协同建模等。作为项目负责人，主持新加坡下一代疗法监管科学研究中心基于生成式AI的医疗器械安全监管研究项目，以及新加坡航空航天计划资助的视觉模型稳健性评估科研项目；同时作为共同项目负责人，参与新加坡人工智能计划（AI Singapore）中的AISG Robust AI Grand Challenge及AISG Technology Challenge国家重点研发项目。在IEEE TIFS、TNNLS、TIP、TPAMI等国际期刊及CVPR、ICCV、ICLR、ICML等学术会议上发表论文60余篇，Google Scholar引用3000余次。现任《IEEE Transactions on Neural Networks and Learning Systems》期刊副编辑，曾获IJCAI-2024基于视觉的远程生理信号感知挑战赛冠军及2025年全球大语言模型安全挑战赛第三名。

题目2：分布偏移下的稳健学习：从域泛化到可靠临床应用

深度学习模型的性能在很大程度上依赖于训练数据与测试数据同分布的前提，然而实际应用中分布偏移普遍存在，常导致模型性能急剧退化，这已成为人工智能走向可靠部署、特别是进入临床医疗场景时最关键的瓶颈之一。针对这一问题，本次报告将介绍报告人近期的一系列研究工作：一方面，从学习和优化两个不同角度出发，增强模型对未见目标域的泛化能力；另一方面，面向实际部署中目标域仅有极少量标注样本的情形，提出基于视觉上下文学习的新方案，使模型无需重新训练或参数更新，即可借助这些少量样本作为上下文，完成新环境下的医学图像分割任务，并进一步结合证据置信度实现拒识与质量控制。通过上述探索，报告旨在讨论如何使深度模型在新的部署环境中同时具备良好的泛化性能和可评估的可靠性，从而推动人工智能在医疗及其他高风险场景中的安全、可信应用。