CNCC | 神经网络与符号推理的碰撞，神经符号计算：理论、技术与应用

袁野

北京理工大学计算机学院教授/博导、数据科学与工程研究所所长

CCF高级会员，CCF数据库专委常委、大数据专委委员、学术工委委员，国家杰青和优青基金获得者。主持国家自然基金重点项目，科技部重点研发项目。曾获中国电子学会自然一等奖，教育部和辽宁省科技进步一等奖、全国优秀博士论文提名奖、CCF优秀博士论文奖。袁博士是IEEE、ACM高级会员。香港科技大学、香港中文大学、英国爱丁堡大学访问学者。主要研究方向为大数据管理与分析，在SIGMOD、VLDB、ICDE、VLDB Journal、IEEE Trans. TKDE、IEEE Trans. TPDS等重要学术会议和期刊上发表CCF A类论文100余篇。

周号益

北京航空航天大学助理教授

CCF专业会员。面向国家重大应用需求，长期从事人工智能、序列大数据研究。在AIJ、NeurIPS、AAAI、KDD等累计发表20篇论文，获AAAI 2021最佳论文奖、IEEE IWQoS 2022最佳论文奖。主持国家自然科学青年基金、科技部重点研发课题等项目；成果获国家电网大数据中心科技进步一等奖、网信办开源创新大赛一等奖、工信部工业互联网创新成果转化一等奖。入选CAAI学会优博、CCF青年发展计划、ACM China北京优博、世界人工智能大会“云帆奖”等。

李昂生

北京航空航天大学教授

2003年国家杰出青年基金获得者。李昂生的主要研究方向包括：网络空间的信息与计算理论、结构信息论和信息科学的数学原理，取得一系列原始创新成果。2016年，李昂生提出编码树的概念、结构熵的度量，创立了结构信息论。这一成果解决了Brooks 2003年提出的计算机科学重大挑战性问题，并同时解决了Shannon1953年提出的建立信息的结构理论的重大科学问题。李昂生目前的研究工作主要是创建《信息世界的数学原理》，包括信息世界的科学范式，以信息演算、信息生成和信息解码为支柱的信息科学原理，和包括学习的数学理论、自我意识的数学理论和博弈/谋算理论为支柱的人工智能的信息原理。

信息的数学理论

现有的物理世界科学的总方法论是分而治之。信息世界的对象不是无限可分的。支撑信息世界分析的数学是什么？信息世界的总方法论是层谱抽象，其数学原理就是信息演算理论、信息生成原理和信息解码原理。分而治之是一个分析方法，是现有的物理世界科学体系的总方法；层谱抽象是一个感知、认知模型，是信息世界分析的总方法。分而治之和层谱抽象共同构成了信息时代科学的双引擎，推动建立人工智能科学。本报告将介绍这一新理论。

吴信东

俄罗斯工程院外籍院士

合肥工业大学教授

美国科学促进协会会士，IEEE Fellow（[美国]电气电子工程师学会会士），合肥工业大学“大数据知识工程”教育部重点实验室主任，“营销智能”国家新一代人工智能开放创新平台负责人。之江实验室高级研究专家。2012年获IEEE计算机学会技术成就奖。2014年获IEEE ICDM十年最有影响力论文奖。2020年获“吴文俊人工智能科学技术奖”技术发明奖一等奖。2022年获IEEE ICDM研究贡献奖。

大语言模型和知识图谱的双向奔赴：一个路线图

以ChatGPT和GPT4为代表的大语言模型(LLM)和以维基百科和华谱系统为例子的知识图谱(KG)代表了两种相辅相成的人工智能(AI)系统构建技术，这两种技术各有千秋，相互补充，无可替代。"双向奔赴"旨在探讨在什么样的场景下谁为主谁为辅，或是肩并肩。我们先回顾科学计算的四个范式：物理建模的数学模型如一元二次方程的求根公式，符号推理如DeepBlue, 深度学习如AlphaGo和大语言模型如ChatGPT，然后分析知识图谱（属于符号推理范式）和大语言模型协同的多种场景和应用。

彭宇新

北京大学博雅教授

CCF杰出会员、国家杰青、863项目首席专家、中国电子学会会士、中国图象图形学学会会士/副秘书长、北京图象图形学学会副理事长。主要研究方向为跨媒体分析、计算机视觉、机器学习、人工智能。以第一完成人获2016年北京市科学技术奖一等奖和2020年中国电子学会科技进步一等奖。主持了863、国家自然科学基金重点等30多个项目，发表论文180多篇，包括ACM/IEEE Trans和CCF A类论文80多篇。担任IEEE TMM、TCSVT等期刊编委。

细粒度多模态协同感知、认知与生成

随着多媒体和互联网技术的迅猛发展，图像、视频、文本、音频等多模态大数据快速增长，同时呈现出细粒度的特点，例如鸟类、车类、飞机类下面具体的子类别。细粒度多模态协同感知、认知与生成对于刻画真实世界和人类生产生活方式具有重要意义。研究目标是借鉴人脑的跨模态特性，通过挖掘并协同多源、互补、关联的细粒度和多模态信息，实现对真实世界概念、规则及其演化的深层感知、认知与综合归纳，使得计算机从能看会认的“感知智能”迈向能理解会思考的“认知智能”。本报告将介绍我们在细粒度图像分类、行人再识别、细粒度视频检索、细粒度跨媒体检索、跨媒体推理、细粒度视觉生成上的最新研究进展。

杨博

吉林大学计算机学院教授/博导、计算机学院/软件学院院长

CCF杰出会员，吉林大学唐敖庆卓越教授，符号计算与知识工程教育部重点实验室主任，科技部2030新一代人工智能重大项目首席科学家。先后入选国家级高层次人才，享受政府特殊津贴专家，教育部新世纪优秀人才，宝钢优秀教师，中国高校计算机专业优秀教师奖励计划。现任中国人工智能学会理事，中国人工智能学会知识工程与分布智能专委会副主任，《软件学报》和《计算机研究与发展》编委。长期从事人工智能研究，主要方向为图学习、复杂系统学习、神经符号AI、智能推荐系统等。

从语言大模型到神经符号AI

符号主义和链接主义是人工智能的两大方法论，分别模拟演绎推理和归纳学习两种认知过程。神经符号AI期望将两者融合起来，取长补短，建立具有更加高效、鲁棒、可解释的智能系统，是当前人工智能研究的一个热点。本报告从分析语言大模型的推理能力入手，介绍神经符号AI的基本原理，关键技术，代表方法，以及在视觉推理、网络故障诊断等领域的应用案例。

李宇峰

南京大学人工智能学院教授/博导

CCF高级会员、CCF人工智能与模式识别专委执委，从事机器学习研究工作，在领域内重要期刊会议上发表学术论文70余篇。研究工作入选IJCAI 2021优秀青年学者亮点报告。获江苏省科学技术一等奖。主持国家重大项目课题。担任Machine Learning等期刊编委，IEEE Big Comp 2020、CCML 2021等会议程序主席。担任中国人工智能学会机器学习专委秘书长。

鲁棒反绎学习：迈向安全利用弱标注与弱规则

反绎学习是融合机器学习与逻辑推理并使它们能够比较均衡地协同发挥作用的新范式，然而其面临弱标注数据和弱逻辑规则情形时可能会导致性能下降不稳定。本报告将介绍提升反绎学习鲁棒性方面的近期研究进展。