谭铁牛，研究员，博士生导师。现为南京大学党委书记、全国政协常委、中国科学院自动化研究所模式识别实验室主任、中国图象图形学学会名誉理事长，是中国科学院院士、英国皇家工程院外籍院士、发展中国家科学院院士、巴西科学院通讯院士、国际模式识别学会会士、国际电子电气工程师学会会士、中国图象图形学学会会士、中国人工智能学会会士。
谭铁牛博士主要从事图像处理、计算机视觉和模式识别等相关领域的研究工作。主持过一批由国家基金委、国家973计划、863计划、国际合作计划、国家重点研发计划等资助的科研项目。现已出版编著和专著18部，并在主要的国内外学术期刊和国际学术会议上发表论文700多篇，获准和申请发明专利100多项。曾获中国青年五四奖章、中国青年科技奖、国家技术发明二等奖、国家自然科学二等奖和国家科技进步二等奖和国际模式识别领域最高奖——傅京孙奖。曾任中央人民政府驻香港特别行政区联络办公室副主任、中国科学院副院长、中国人工智能学会副理事长、中国自动化学会副理事长、中国计算机学会副理事长、中国图象图形学学会理事长、国际模式识别学会第一副主席、IEEE生物识别理事会主席。
报告题目
大模型背景下的数字内容取证
摘要： 在数字化时代，随着人工智能技术的飞速发展，特别是深度学习技术的广泛应用，数字内容的生成和编辑变得更加便捷和高效。然而，技术的双刃剑特性也带来了数字内容取证领域新的挑战。生成式大模型能够生成逼真的文本、图像、音频和视频，很可能被广泛用于制造虚假信息、深度伪造等恶意目的，对社会秩序和信息安全构成威胁。在大模型背景下，取证工作变得更加复杂，需要更高级别的技术手段来应对伪造技术的不断进步。
为了应对网络虚假信息和大模型生成的高质量伪造内容，本报告介绍多项关键技术和一套整体的数字内容取证技术方案。本报告聚焦于传统图像篡改的检测和取证、人像深度伪造的检测，以及最新的AIGC图像和视频的检测，并针对已在网络上广泛传播虚假信息进行检测和事实性验证。面向大模型生成内容，还前瞻性地从源头入手，针对大模型进行知识编辑和输出内容的限制。这些研究从泛化性、可解释性、生成对抗博弈等多角度进行探索，取得了显著的成果，为在大模型背景下保障数字内容的真实性和可信性提供了重要方法和思路。
王耀南，中国工程院院士，机器人技术与智能控制专家,湖南大学教授，机器人视觉感知与控制技术国家工程研究中心主任；中国科协委员、中国图象图形学学会理事长、中国自动化学会会士、中国计算机学会会士、中国人工智能学会会士；国家863智能机器人领域专家；主持完成国家科技计划重大专项、重大科研仪器研制项目、国家863重大项目、国家自然科学基金重大项目、欧盟第五框架国际合作项目、德国杰出洪堡学者项目等；技术成果获国家技术发明二等奖1项、国家科技进步二等奖5项、中国发明创业特等奖1项、省部级科技奖励一等奖11项、国际IEEE机器人与自动化领域“工业应用最高奖”1项；发表高水平论文200余篇，出版著作15部，发明专利90余项。
报告题目
大模型驱动的具身智能人形机器人与展望
摘要： 人形机器人是模仿人的形态运动和功能、与人交流、模仿人类外观和行为的高级通用智能机器人，可以辅助或者替代人类执行危险、肮脏、重复环境下多种类型任务。本文分析了大模型驱动的人形机器人技术进展，介绍了人形机器人研究背景与意义、国内外研究现状、大模型驱动的人形机器人关键技术，如大型自然语言模型、多模态视觉语言模型、具身智能多模态大模型等，以及发展趋势与展望,并举例介绍了具身智能人形机器人是国际公认的机器人技术集大成者和科技竞争的制高点，可推广应用于工业制造、国防安全、智能服务和智慧医养等行业，具有广阔的前景和巨大的潜力。提出大模型技术的发展为人形机器人感知识别、认知决策、人机交互、自主学习、多机协同规划、行为操作控制系统注入语言理解、视觉泛化、常识推理等关键能力和实现方法，有望推动具身智能人形机器人技术与应用的新一轮发展。
马毅，是香港大学人工智能讲座教授、数据科学研究院首任院长，自2023年起担任香港大学计算机科学系主任。他的研究兴趣包括计算机视觉、高维数据分析和集成智能系统。Yi 于 1995 年获得清华大学自动化和应用数学两个学士学位，1997 年获得电子经济科学和数学两个硕士学位，2000 年获得加州大学伯克利分校电子经济科学博士学位。他曾于2000年至2011年在UIUC ECE任教，2009年至2014年任微软亚洲研究院视觉计算组首席研究员兼经理，2014年至2017年任上海理工大学信息科学技术学院执行院长。他于2018年加入加州大学伯克利分校EECS学院。他在计算机视觉、广义 PCA 和高维数据分析方面发表了超过 65 篇期刊论文、145 篇会议论文和 3 本教科书。他于 2004 年获得国家自然科学基金职业奖，2005 年获得美国国家航空和航天局青年研究员奖。他还获得了 1999 年 ICCV 颁发的计算机视觉 David Marr 奖，以及 2004 年 ECCV 和 2009 年 ACCV 颁发的最佳论文奖。他曾担任 ICCV 2013 的项目主席和 ICCV 2015 的总主席。他是 IEEE、ACM 和 SIAM 会员。
报告题目
透明且一致的深度表征学习：从黑盒到白盒，从开环到闭环
摘要： 在本次报告中，我们从压缩数据的编码和解码的角度，对过去十年深度神经网络的实学习特征的（有损）编码率计算得出。我们主张，对这一目标的展开迭代优化提供一个统一的白盒解释，可以解释几乎所有过去和当前广泛应用于人工智能实践的深度神经网络，包括ResNets和Transformers。我们将通过令人信服的理论和实证证据表明，数学上可解释、实践上有良好表现且语义上有意义的深度网络现在已触手可及。此外，我们的研究表明，为了使学习到的表征正确且一致，必须闭合编码和解码网络的循环，而不是像当前的做法那样，将它们作为独立的开环网络进行端到端的训练。最重要的是，这一新框架揭示了开发下一代高效的自主学习架构和系统的广阔而光明的未来，这些系统可以真正模拟记忆创建的计算机制。