聂婕，中国海洋大学，“英才工程第一层次”教授，博士生导师，围绕海洋人工智能交叉研究方向发表百余篇高水平论文，提出“海洋多模态智能计算”等面向海洋科学的人工智能关键技术，担任科技部重点研发计划项目“数据驱动的海洋生态系统健康评价”青年科学家项目首席，围绕该方向主持国家自然科学基金优秀青年项目“海洋多模态智能计算”、区域联合（重点）项目“海洋大数据知识演化与复杂问题协同推理”等国家级项目6项，以第一发明人授权国家发明专利45余项，获得山东省科技进步一等奖2项，山东计算机学会科技进步一等奖1项，担任IEEE TCSVT、IJDE，IMTS等国际顶尖期刊编委。

欧阳万里，香港中文大学教授，上海人工智能实验室领军科学家。曾任悉尼大学电子信息工程学院研究主任。研究领域：模式识别、深度学习、计算机视觉、AIforScience。谷歌学术引用5,4000+, H-index 指数 103。澳大利亚未来学者杰出青年人才计划、悉尼大学杰出科研校长奖、澳大利亚计算机科学领导者奖。其团队现已推出书生·风乌（气象）、书生·丰登（育种）、书生·翼飞（翼型设计）、书生·鉴原（化学）、书生·言普（谱学）等科学领域模型。ICCV最佳审稿人，担任人工智能领域顶级期刊TPAMI和IJCV副编，CVPR2023资深领域主席，CVPR2021、 ICCV2021领域主席。获得ImageNet和COCO物体检测第一名。

赖志辉，男，博士、教授、博士生导师。他曾任香港理工大学副研究员、博士后研究员及研究员，已发表了200多篇学术论文，其中有70多篇发表在TPAMI等IEEE Transactions系列权威杂志上，他所发表的学术论文已获得近5000次SCI引用及11000次GOOGLE学术引用，曾有6篇论文入选EIS高被引论文排行榜。他曾获得2017年江西省自然科学技术奖二等奖、2018年国际会议AIFT最佳论文奖、2019年吴文俊人工智能科学技术奖自然科学奖三等奖；他于2023年获广东省人工智能产业协会自然科学二等奖、2024年获山东省自然科学二等奖、2025年广东省图象图形学会自然科学二等奖。赖志辉于2015年入选深圳市海外高层次人才“孔雀计划”，现任国际SCI期刊International Journal of Machine Learning and Cybernetics的编委。

杨跃东, 中山大学计算机学院教授、国家超算广州中心总工程师, 国家级青年人才，主持基金委重大专项课题、国家重点研发课题等。作为第一/通讯作者发表100多篇论文，包括Nature Machine Intelligence（2篇）/Nat Comp Sci/Chem/Nat Comm(5篇)，谷歌学术总引用1万多次，近三年连续入选年度全球前2%最有影响力科学家。获2023年广东省科技进步特等奖、中国电子学会科技进步一等奖、Cell出版社2021中国年度论文、2021年世界人工智能大会青年优秀论文奖等，入选2022年首届中国智能计算科技创新人物（麻省理工评论）。担任Comm Biol和BMC Bioinfo杂志编委。目前主要面向数字细胞建模，研究融合超算和智算的多尺度生物信息计算方法，开发基于超算的一站式生物医药高性能计算平台。

白琮，博士，浙江工业大学计算机科学与技术学院教授，博士生导师。浙江省杰出青年基金及延续资助项目获得者。学院党委委员，学术副院长。中国气象学会气象人工专委会副秘书长。研究方向为智慧气象。主持国自然联合重点、面上及科技部重点研发计划课题等省部级以上项目10项；在国内外知名学术期刊或会议上发表论文60余篇，包括Nature Commnunications、ICML、KDD、AAAI、IEEE TGRS, IEEE TNNLS, IEEE TMM和 GRL等领域内的权威期刊或会议上，其中ESI高被引论文1篇,《软件学报》2019年和2020年高影响力论文各1篇。曾5次获得国际/国内知名学术会议的最佳/优秀论文奖。

报告摘要：理解大脑是最重要的科学问题之一，而解码大脑神经活动则是揭示其奥秘的关键。脑电信号（EEG）作为大脑神经活动的直接观测数据，已成为神经科学领域理解大脑的重要工具。然而，脑电数据常常存在信噪比低、非稳态、个体差异大等问题，给机器学习带来了巨大挑战。为解决这些难题，我们提出了首个多任务脑电基座模型NeuroLM，创新性地将EEG信号视为“外语”，结合大语言模型卓越的语言处理能力，实现了脑电任务的多任务学习与推理。在此基础上，我们运用生成式人工智能技术，成功地基于脑电信号解码了人类的静态与动态视觉感知；设计了新型脑机接口，大幅提升了基于脑电的文本输入准确率；并开发了AI Neurologist工具，帮助医生更好地理解脑电信号。

讲者简介：李东胜，博士，微软亚洲研究院（上海）首席研究员，复旦大学计算机学院客座教授、行业博士导师，中国计算机学会协同计算专业委员会执委，上海计算机学会计算机视觉专业委员会副主任。主要研究方向为人工智能及其在脑科学和医疗健康领域的应用，在相关领域的知名期刊和会议发表论文200余篇，出版专著2部。被《麻省理工科技评论》中国与DeepTech联合评选为“2023年中国智能计算创新人物”。

报告摘要：AI驱动的科学智能仿真与设计旨在融合数据和机理方法，显著提升科学计算设计效率和精度。在方程求解方面，本报告将介绍全息物理混合器，该方法有效统一了基于注意力和基于谱的方程求解方法，整合注意力机制的局部灵活性和谱方法的全局泛化能力。在逆向设计方面，本报告将介绍基于生成式AI的物质序列逆向设计方法，实现从功能到序列的高效反向映射。本报告将展示AI驱动技术如何在流体力学、材料科学、生物医学等领域革新科学仿真与设计流程，加速科学发现和工程创新。

讲者简介：朱霖潮，浙江大学计算机科学与技术学院百人计划研究员、博士生导师，入选国家级青年人才项目，获首届谷歌学术研究奖、斯坦福全球前2%顶尖科学家等荣誉。曾在澳大利亚悉尼科技大学担任助理教授。主要研究方向为科学智能、智能仿真、人工智能通用基础模型等。曾获美国国家标准总局TRECVID LOC等8项国际竞赛冠军。担任NeurIPS、ECCV、CVPR等国际会议领域主席，并多次在国际会议上组织专题研讨会。

报告摘要：在复杂物理系统的科学计算与工程应用中，模拟、控制、逆问题求解与设计优化是四大核心任务。传统方法通常为每项任务构建专用模型，导致高昂的开发成本以及难以泛化的挑战。本工作提出一个统一的生成式建模框架，首次将上述四大任务集成于单一模型中。以流固耦合系统为验证场景，该框架在各项任务及多种场景下均显著超越专用基线方法，并展现出卓越的分布外泛化能力。此外，我将简要介绍我在复杂物理系统实时、闭环、安全的生成式控制的系列工作。

讲者简介：吴泰霖，西湖大学工学院人工智能系特聘研究员，博士生导师。吴泰霖本科毕业于北京大学物理学院，博士毕业于麻省理工学院物理系，并于斯坦佛大学计算机系博士后。主要研究领域为开发机器学习方法用于大规模科学仿真、控制、设计和发现，并在能源、流体、机械等领域应用或部署。在人工智能顶级会议和物理学顶级期刊等发表文章30余篇，其中5篇被评为热点论文。主持国家自然科学基金海外优青项目。

报告摘要：在材料科学研究中，电子显微镜作为一种高分辨率的表征工具，对于揭示材料微观结构和性质至关重要。然而，传统的电镜图像分析方法往往耗时且依赖于专家经验。本报告旨在探讨如何利用深度学习技术提高电镜图像的自动化分析能力。本报告将概述深度学习在电镜图像分析中的作用以及处理电镜图像的挑战。通过案例研究，我们展示了深度学习模型在材料缺陷检测、晶粒尺寸分析等任务中的高效性和准确性。此外，我们还探讨了深度学习在处理大规模电镜数据集时的优势，包括提高分析速度和降低人工成本。尽管深度学习在电镜表征分析中展现出巨大潜力，但我们也指出了当前面临的挑战，如数据标注的难度、模型的可解释性以及对特定材料系统的适应性。针对这些挑战，我们提出了一系列解决方案，包括使用模拟仿真数据，预训练大模型以减少对大量标记数据的依赖。本报告旨在为参会者提供一个关于AI在实验表征分析中应用的全面视角，并激发对未来技术发展的深入思考和讨论。

讲者简介：洪燕辉，深势科技高级算法研究员，获得清华大学计算机科学与技术系学士和硕士学位，专注于机器学习领域，特别是在应用机器学习技术解决实验表征方向的问题，有丰富的研究和项目经验，包括材料领域的颗粒识别与定量表征，STEM图像缺陷检测与分析等。

报告摘要：机理代谢模型为揭示基因型与表型之间的关系提供了重要工具，已广泛应用于细胞水平的代谢分析与设计。我们以模式生物酿酒酵母 (Saccharomyces cerevisiae) 为研究目标，构建了基因组尺度代谢网络模型 Yeast8，并在此基础上引入更多生物过程和约束条件，例如蛋白质合成、分泌等，实现了对细胞代谢状态的定量模拟。为提升模型的覆盖范围与预测能力，我们结合深度学习方法，开发了 DLKcat 等工具，用于在全基因组尺度上预测酶动力学参数，从而显著增强了模型的表型预测能力，并拓展了其在合成生物学等领域的应用潜力。在人类系统层面，我们构建了动态的跨尺度的全机体代谢模型Human2，能够模拟20多个器官之间的代谢协同作用及其对超过18,000种食物成分的响应。该模型不仅为营养代谢研究提供了强有力的工具，也为疾病机制的解析和个体化治疗策略的制定奠定了坚实基础。综上所述，我们构建了一个从细胞到全机体、结合机理模型与人工智能技术的统一建模体系。该体系为数字细胞和数字人体孪生模型的开发提供了可扩展的技术平台，推动了系统生物学和精准医学的深入发展，应用前景广阔。

讲者简介：李斐然，清华大学深圳国际研究生院助理教授，博士生导师。曾获国家海外高层次人才（青年）项目、AI100青年先锋及《麻省理工科技评论》“35岁以下科技创新35人”（中国区）等荣誉。2021年博士毕业于瑞典查尔姆斯理工大学，师从中国工程院外籍院士Jens Nielsen教授。长期致力于通过开发新方法和新技术分析生物大数据和研究生物系统，揭示内在机理，促进合成生物学和生物医药研究。近年来，共发表同行评议SCI论文20余篇，其中第一/通讯作者身份在Nature Catalysis，Nature Communications，Molecular Systems Biology，Nucleic Acids Research及PNAS等国际高水平期刊发表文章多篇。担任Advanced Biotechnology青年编辑以及Nature Biotechnology，Nature Genetics，PNAS及Nature Communications等期刊审稿人。

报告摘要：科学智能（AI for Science） 作为人工智能与科学研究深度融合的跨学科领域，正推动物理、化学、生物、环境等多学科的范式变革。该领域通过人工智能技术突破传统方法效率低下与建模困难等瓶颈，加速科学发现与技术创新。金属有机框架材料（MOFs）凭借其可调控的孔结构和化学组成，在CO₂吸附领域展现出巨大潜力。然而，MOF庞大的搜索空间使传统模拟方法（如密度泛函理论/DFT）计算成本高昂，而机器学习依赖人工特征设计，深度学习方法又因可解释性不足受限。 针对上述挑战，本次报告提出多模态MOF吸附图神经网络（MMAGNN），专用于预测MOF的CO₂吸附性能。为提升预测精度与可解释性，我们提出了如下的研究方法与机制： 1. 构建多维度特征体系：整合23种结构/分子描述符与765个计算特征，通过机器学习解析MOF吸附机理； 2. 发现关键机制：特征重要性分析表明，MOF分子孔结构与库仑/范德华力等原子间相互作用主导吸附过程； 3. 设计多模态架构：MMAGNN同时输入分子图结构与三维原子坐标，基于图神经网络与注意力机制融合多模态特征。实验证明该架构有效减少特征冗余与干扰，提升预测精度与稳定性； 4. 开发可解释模块：集成基于Transformer的模块，结合局部拓扑特征与全局结构依赖关系，量化单原子对吸附行为的贡献。通过与吸附密度分布对比，验证模型精准捕获原子相互作用与孔结构信息，定位CO₂吸附位点。 综上，MMAGNN兼具稳定性、高效性与高精度，其强可解释性为高性能MOF结构筛选与设计提供新范式。报告还将简述我们课题组在科学人工智能（AI4MS）与具身智能机器人等领域的研究案例。

讲者简介：单光存，中组部海外高层次人才计划青年专家、教授，北京市交叉科学学会理事；全国应急技术与管理联盟副理事长；香港城市大学原校董，Sustainable Horizons 编委、美国物理联合会科学仪器评论（Review of Scientific Instruments (RSI)，仪器科学类 Top SCI 期刊）副主辑。研究兴趣包括人工智能与科学人工智能（AI4S），机器学习加速功能材料智能设计、智能传感器与水下智能机器人及海洋无人系统，柔性电子技术及其健康监测研究。近年来荣获 2018 香港王宽诚教育基金会奖励资助、2019 全国高校人工智能大数据“人物创新奖”、2020 JPCM Emerging Leaders, 2022 中国产学研合作创新奖、2022APEC科技奖提名（全球仅13名）、2023 IAAM 协会科学家奖章和 2023 中国航空学会技术发明奖，并于近期入选2024 APM Emerging Leaders in Materials Science和第六届 Young Innovator Award (Nanomaterial Self-assembly) in Nano Research 45等；其中，带领团队在海洋放射性环境智能应急监测方面的科研成果荣获 2022 年国际跨界创新挑战赛（FALLING WALLS Lab）北京赛区第三名和中关村前沿科技大赛绿色低碳领域TOP10奖章及2024首都优秀前沿学术成果奖等。