中国工程院院士、同济大学党委书记郑庆华教授首先作了题为“机器记忆智能”的报告。郑庆华院士指出，当前主流大模型面临小样本、低算力与强推理场景的结构性瓶颈。为此，创新提出“机器记忆智能”新范式，借鉴人脑记忆与认知机制，以“吸引子”为核心记忆载体，融合抽象、联想与混沌激活三大机制，构建具备自组织演化与持续学习能力的低功耗智能模型体系。该范式突破传统深度学习对大数据与反向传播的依赖，仅激活1%–4%神经元即可完成高效推理，能耗降至现有大模型的十万分之一，为国产AI开辟了自主可控的新技术路径。

郑庆华（线上）

中国科学院院士、南京大学副校长周志华教授作了题为“学件智能体”的报告。周志华院士指出，未来人工智能的发展未必是构建单一超级模型，同时可能要实现海量小模型的组合与持续演进。为此，他创新性提出“学件”范式，通过系统自动生成的“规约”，在不暴露原始数据与模型细节的前提下，能够提供刻画并连接模型的能力，使其如乐高积木般根据未来用户的需求进行匹配与组合。容纳海量模型的学件基座系统可能促成跨领域的能力涌现，还天然解决了灾难性遗忘与数据孤岛问题，为AI发展提供了一条更轻量、更安全且可演进的技术路径。

周志华

中国科学院计算技术研究所所长陈熙霖研究员作了题为“智能的迁移与成长——从共性走向个性”的报告。他强调，智能系统从“共性”走向“个性”，不仅需要突破传统大模型对海量数据与固定任务的依赖，转向具备连续学习、本体适应与任务分解能力的具身智能体系。他提出通过分层架构实现高层规划与底层执行的解耦，将操作技能抽象为可复用的“策略代码”，并借助语言交互完成复杂任务拆解。针对跨场景泛化需求，他以“昆虫纲问题”强调多样性驱动，提出从思维、用户与行为空间的角度考虑个性化问题，为低功耗、高适应性的下一代具身智能体提供了可能的路径与方法指引。

陈熙霖

浙江大学求是特聘教授潘纲作了题为“脑机智能：新型智能形态的探索与实践“的报告。潘纲老师指出，脑机智能是实现真正理解个体思维模式的个性化计算的重要途径。其团队早期提出的“智能影子”构想，已将个人大脑信号作为重要组成部分考虑。近年逐步通过解读大脑信号展现应用，例如使瘫痪患者能以意念操控机械臂、写汉字等。近来，AI大模型对大脑信号解读已取得较好进展：一个通用基座模型即可同步识别睡眠、情绪、运动想象乃至癫痫前兆等多种任务。更深层的研究在于以大脑的“理解方式”反哺AI，使机器能像人类一样理解抽象概念，而非仅依赖数据记忆。与此同时，“达尔文类脑芯片”通过模拟神经元脉冲传递，正推动计算向生物逻辑演进。这些探索有望共同推动一个正在发生的认知革命——构建能够理解个体意图、实现双向增强的“个体智能”系统。

潘纲