12月10日-11日，“双一流”学科与交叉学科建设论坛成功举办。论坛特邀13位国内外专家、学者，围绕计算机科学与技术“双一流”学科建设、人工智能交叉学科建设、人工智能发展的前沿与挑战等主题展开了深入讨论，探索新技术、新方向、新理论，共谋泛电子信息领域“双一流”学科与交叉学科建设向纵深发展的良策。专家们精彩纷呈、入木三分的论述吸引了超过130万人次观看论坛直播。
本文根据现场速记整理，将各位专家学者的报告再次以文字呈现，以供参考。
高新波：人工智能的未来发展趋势分析
国家级人才、重庆邮电大学校长高新波教授的报告以“人工智能的未来发展趋势分析”为主题，首先介绍了人工智能（Artificial Intelligence, AI）的发展历程，并举例说明了现有人工智能技术在特定领域取得的突破性进展。他生动的阐释了人工智能的发展现状：如果按照“聪明和笨”、“勤奋和懒惰”来划分，今天的AI只是一个勤奋但不聪明的孩子,如打败围棋九段柯洁和李世石的AlphaGo存储并学习了多达100万盘棋谱，而这是柯洁和李世石两个人加起来都难以达到的。这样的成功更多来自于“勤能补拙”，但这样的成功又相当不易，我们希望AI能多一点聪明（机智灵活，学习中具有举一反三、触类旁通的能力）、少一点辛苦。高新波教授指出，与人类相比，现有的AI还有局限性，AI发展的技术瓶颈包括数据瓶颈、泛化瓶颈、能耗瓶颈、语义鸿沟瓶颈、可解释性瓶颈和可靠性瓶颈，导致了AI技术的不可信、不可控、不可靠，因而迫切需要更聪明、更靠谱（可靠可信可控）的AI。因此，未来人工智能的发展趋势大致可以总结为绿色低碳更灵巧的人工智能、知识数据双驱动的人工智能、人机物融合的混合人工智能、可信可靠可解释的人工智能、非深度神经网络的人工智能和开放环境自适应的人工智能。对于AI技术的发展，下一步需要系统、全面地借鉴人类的认知机理，这不仅仅是神经系统的特性（脑科学），还有认知系统（包括知识表示、更新、推理等），发展更加具有生物合理性、更灵活、更可信可靠的AI系统，从而使未来的AI系统“不仅勤奋而且更聪明更可靠”。
张青富：进化计算中群体与模型的关系
IEEE Fellow、国家级人才、香港城市大学计算机科学系张青富教授的报告围绕“进化计算中群体与模型的关系”这一主题进行介绍。他首先介绍了进化算法的研究现状。进化算法（进化计算）是用来解决优化问题或者和优化问题相关的问题，算法的设计也主要是受自然界和生物学中的一些现象所启发，然而，这也使其缺乏一定的理论支撑。在经典优化里，最经典的原则之一是梯度法，很多优化方法是梯度法的改进。与经典优化方法相比，进化算法的优势是易理解和解释，不需要梯度信息，在无梯度信息的问题上容易取得成功的应用；由于使用了群体，易并行，从而算法效率也可以得到保证。进化算法的缺点一是没有好的理论，难以分析，很多情况下，需要通过精心设计的算法才能取得好的性能，缺乏系统的设计方法；二是算法主要是模拟大自然，而模拟不是研究。考虑到进化算法和经典优化都可以用于解决优化问题，所使用的一些基本原则应该是一样的，因此，张青富教授团队对此进行了探索，他认为，如果用模型取代群体，也许可以找到进化算法和传统优化算法之间的桥梁，从而可以用传统优化的方法研究进化算法。他以提出的分布估计算法(Estimation of Distribution Algorithm, EDA)为例进行了说明，其思想就是用概率模型来取代种群，这个概率模型的形式可以是多样的。模型的引入使其与统计数学有了关联，因而，EDA的收敛性会很容易被研究。EDA在某种程度上可以看成是对进化算法的一个模型化，这样就可以将很多梯度优化的技术用来设计进化算法。最后，张青富教授希望能在进化算法与传统优化方法之间建立联系，从而提供一些系统的设计进化算法的方法论。
王磊：个性化学习支持与关键技术研究
陕西理工大学副校长王磊教授的报告以“个性化学习支持与关键技术研究”为主题，从“为什么（研究背景）、是什么（实质内涵）和做什么（如何促进相关学科的建设）”三个方面展开。
1、为什么要做这项工作？王磊教授介绍了研究的社会背景、智慧教育行业发展经济环境分析以及我们面临的挑战。教育信息化是国家现代化建设的重要组成部分，具有战略性、全局性和基础性的地位，相较于我国教育事业蓬勃发展的大好局面和坚定决心，我们依然要冷静的看到，教育领域的发展还存在不均衡、不充分的问题。这也是当前教育工作者下一步要重点解决的一个关键问题。
2、这项工作的实质内涵是什么？王磊教授介绍了在学习支持技术方面的已有探索、智慧教育的提出、智慧教育系统的一般体系架构和智慧学习环境的关键要素等内容。尝试探索如何以某些信息技术（如知识图谱技术的改进与完善等）和智能技术（如目标感知、特征提取和机器学习技术等），将人类发现和总结出的知识或在实践中积累的数据，通过数字化、结构化和虚拟化的过程，转化为能够适用于人类学习的表现形式，进而支撑作为教育和教学工作的内容和方式。
3、这项工作如何促进相关学科的建设？王磊教授给出了教育学学科双一流建设现状、陕西理工大学学科建设战略布局、智能技术和教育交叉融合视角下个性化学习支持的外延，以及借助智能科学的多元平台、多样态提升教育学科的建设成果。教育的智能化只是手段，智能化的教育才是真正的目的。通过学科交叉和智能科学的发展，助推教育科学的进步，进而促进教育学科的创新建设，最终满足人才培养质量可持续提升的需求。
最后，王磊教授表示，在信息高速发达的今天，随着社会在数字化、信息化和虚拟化方面的发展，人们接收教育的渠道和针对未知领域的探索也有了新的形式和新的机遇。
李军：半监督判别随机场学习及高光谱图像分类研究
IEEE Fellow、国家级人才、中国地质大学李军教授在本次论坛上作了题为“半监督判别随机场学习及高光谱图像分类研究”的报告，介绍了高光谱图像分类的背景、基于贝叶斯理论的高光谱图像分类，以及李军教授团队在马尔可夫随机场（Markov Random Fields）、循环置信传播（Loopy Belief Propagation）和判别随机场（Discriminative Random Fields）三个方向上的研究成果。高光谱图像具有丰富的光谱信息，如果只考虑光谱特征，考虑到样本的随机独立性，会存在一些椒盐噪声。由于高光谱图像也具有丰富的空间信息，为了能够得到一些更加平滑的结果并进一步提升高光谱图像分类效果，在分类时要同时考虑空间和光谱信息的联合。之后，李军教授介绍了他们在贝叶斯框架下将空间和光谱信息融合，基于马尔可夫随机场、循环置信传播和判别随机场所做的研究。马尔可夫随机场具有概率密度的函数和先验两部分，使用马尔可夫随机场加入空间信息，可以极大提升高光谱图像的分类性能，但并没有考虑概率密度的函数和先验之间的关系，使得直接采用马尔可夫随机场会有边缘模糊、过平滑的效应，而循环置信传播在高光谱分类中能够更好地保护空间细节信息。对于判别随机场，由于有时会出现数据量很大而训练样本很少的情况（数据质量不好），会影响整体的分类效果，在学习参数的时候，应该用所有样本去学习参数，而不是只用训练样本，即采用半监督的学习的方式。其次，循环置信传播虽然能产生细节信息，但也可能带来噪声，而通过判别随机场对所有样本进行训练后，不仅在视觉上看到了清晰的边界，分类精度也有很大提升。李军教授表示，地理学的第一定律中描述相关关系的是越近的事物相关性就越大，越远的事物相关性就越小，这就是一个最自然、最直接的图，网络也是一个图，马尔可夫随机场、条件随机场、判别随机场也是一个图，所以希望团队后面能够将它们有效地关联起来作为一个研究方向。
杜博：武汉大学计算机一流学科群建设与发展思考
国家级人才、武汉大学计算机学院院长杜博教授从武汉大学计算机学院的本科专业概况、专业建设目标、专业建设举措和成效、本科专业建设特色及亮点、下一步建设思路五个方面分享了“武汉大学计算机一流学科群建设与发展思考”的报告。
杜博教授首先介绍了武汉大学计算机学院概况，学院现有计算机科学与技术、软件工程、人工智能三个本科专业，其中，计算机科学与技术、软件工程专业入选国家级一流本科专业建设点。学院专业建设目标为：以建设国家一流本科专业、“六卓越一拔尖”计划2.0为契机，探索新工科和计算机科学拔尖学生培养计划2.0背景下高素质人才培养的新机制和新方法。努力将学科综合优势、科研优势与办学优势转换为本科人才培养优势，打造世界知名、国内一流本科专业，建成拔尖创新人才培养体系，培养具有家国情怀、国际竞争力、德智体美劳全面发展的复合型创新人才。专业建设方面，继续深入推进“三全育人”综合改革、教学改革推动教学质量的稳步提升、多措并举提升学生三创能力、完善质量保证体系建设为教学质量提升保驾护航。武汉大学计算机学院目前的学科建设已经形成党委引领、全员参与、重点投入，形成“以本为本”重教氛围、需求导向、方案牵引、组织保障，助力拔尖创新专业人才培养、和教研相长、教赛结合、产教协同，多措并举培养学生三创能力的本科专业建设特色及亮点。最后，杜博教授介绍了武汉大学计算机学院下一步建设思路：以2023版培养方案执行为契机持续推进课程建设，大力加强实践能力培养体系建设，形成武大特色解决方案。
韩军伟：浅谈交叉学科及AI交叉医学的初步探索
IEEE Fellow、国家级人才、西北工业大学自动化学院院长韩军伟教授从浅谈交叉学科、AI交叉医学研究背景、AI影响分析工具、AI自闭症筛查方法和AI内窥成像设备五个方面介绍了交叉学科及Al交叉医学现状和初步探索成果。
韩军伟教授首先介绍了将人工智能引入医疗、健康领域实现AI赋能高效人机混合的研究背景。虽然目前我国国家自然科学基金委设立交叉科学部走在世界前列，然而交叉学科项目管理面临诸多困局，主要问题存在于政策导向、交叉属性甄别、项目评审、项目考核等方面。交叉学科在项目管理方面的核心问题是缺乏客观量化指标，缺乏专业人才。近年来，人工智能在医学领域取得一些进展，展示出了一定优势，为未来医学技术进步指明了道路。智能医学领域主要分为三个阶段，即，从Al影像处理工具集成到AI筛查与诊断方法开发，再到Al成像及手术设备研制。韩军伟教授从建模、数据、应用三个层面重点阐述了AI影像分析工具的解决思路，通过对AI自闭症筛查诊断方法的详细介绍，从实例出发，验证了AI影像在医学应用中的重要性。他指出，AI影像工具使得原本昂贵的高科技检查手段越来越普及，让更多低收入人群也能得到好的医疗资源。报告最后，韩军伟教授讲述了AI内窥成像智能检查手段较常规检查方法的优势，将人工智能和内窥镜系统深度融合能显著提升其成像和诊断能力。
丁贵广：深度学习模型压缩与优化
国家级人才、清华大学软件学院副院长丁贵广副教授指出，深度学习模型的端侧部署已经成为人工智能应用的主要形式，如在智能手机，智能摄像头、自动驾驶等场景中的模型部署，然而，深度学习模型复杂度高，参数量大，给端侧部署带来了巨大挑战，如何在不损失或较少损失模型精度的前提下，减小模型的计算复杂度是人工智能领域研究的重要方向之一。报告中，丁贵广副教授进一步介绍了模型压缩与优化的三种思路：轻量化架构设计、模型搜索NAS以及模型剪枝蒸馏，同时介绍了所在团队在深度模型轻量化方向的工作成果：
1、使用重参数化方法进行模型轻量化。团队提出了“训大用小”的训练和部署，增加了训练时的非线性重参数以及提供了多样化的链接。
2、通过结构设计和优化来提升卷积神经网络的性能，团队提出全局近似最优模型剪枝技术提升卷积神经网络的性能。
针对以上两种方法，丁贵广副教授介绍了重参数化和通道剪枝方法各自的优势和特点，重参数化在提高精度的基础上保留了原模型结构，而通道剪枝虽然精度稍降，但能大幅度降低模型参数量。
唐珂：从进化算法到算法进化
国家级人才、IEEE Fellow、南方科技大学唐珂教授围绕“从进化算法到算法进化” 为主题，从智能算法自动设计这一必然需求出发，介绍算法进化的基本思想、技术挑战和该方向的一些最新成果。
唐珂教授首先指出，智能算法是绝大多数智能系统的核心部件之一。近十年来，激增的智能应用场景引发了巨大的“需求过载、算法过载”挑战，需求过载使得手工设计算法越来越难，算法过载使得大量算法不利于工业设计，其引起的对人力和专业知识的大量需求日益成为人工智能系统落地应用的瓶颈。进化计算领域的发展为解决这一挑战、实现智能算法的自动设计提供了可能的手段。唐珂教授介绍了从进化算法到算法进化的方案，即由一类优化算法求解器到算法性能的自动优化框架。进化的对象从问题的解到算法本身参数或求解器表示。并行算法组自动调参是工业级算法的一种常见表示，可以契合主流计算机系统架构并进一步提高效率。最后，唐珂教授就多问题实例的分配计算资源问题、训练实例不足问题以及对抗样本生成问题，给出了进化PAP和手工求解器对该问题求解的方法和结果。
雷柏英：面向临床应用的智能筛查、
