2022年北京智源大会召开在即，5月31日至6月2日，持续三天，26场由各领域领军学者主导的专题论坛。大会将紧紧围绕这些当前学术领域迫切需要解决的问题，以及产业落地过程中存在的诸多挑战，延续一贯以来的“内行认可”品质口碑，分享真正内行认可的重大成果与真知灼见，献上一场诚意满满的AI盛宴！目前已正式开放大会线上报名渠道。大会将同步向全球线上直播。

北京智源大会倒计时：5 天

论坛议程

论坛主席

刘嘉，清华大学基础科学讲席教授、清华大学脑与智能实验室首席研究员、智源首席科学家

毕业于麻省理工学院（MIT）脑与认知科学系，获认知神经科学哲学博士学位。主要研究领域为人工智能的认知神经基础（AI of Brain & Cognition, ABC）、视觉智能。曾获得国家杰出青年基金、教育部长江学者特聘教授、国家“万人计划”科技创新领军人才等国家级人才项目资助以及教育部自然科学一等奖等。

演讲主题及嘉宾介绍 （按照发言先后顺序）

1、暖场介绍

     介绍人：刘嘉

2、从神经的稀疏编码到数学超分辨率显微镜 / From sparse coding mechanisms to its extension in mathmatical superresolution microscopy

议题简介：我们将介绍一下压缩感知和稀疏编码的提出与定义，然后讨论大脑皮层中不同类型的稀疏性编码，如何作为感知觉信息加工的普遍策略，为神经系统信息加工带来的优势。最后讨论压缩感知和稀疏编码在计算与信号处理中的应用，以及应用于我们的研究中实现数学/计算超分辨率显微成像的实例。

陈良怡，北京大学博雅特聘教授，未来技术学院长聘教授，麦戈文脑科学所研究员、智源研究员，北大-清华联合生命科学中心研究员

一直致力于开发多模态跨尺度的高时空分辨率成像手段，用于研究糖尿病相关的胰岛分泌，曾获国家自然科学基金委杰出青年基金、优秀青年基金资助，并成为Faculty of 1000组织的资深faculty member。获得过科技部“973”项目、国家科技支撑计划、国家自然科学基金项目、北京市自然科学基金重点等项目支持，获得过包括“2017年中国科学十大进展”、“2018年中国光学十大进展”、“2021年度中国光学领域十大社会影响力事件”、国家自然科学二等奖等多个奖项，超高时空分辨微型化双光子荧光显微成像被选为Nature Method的2018年度方法“自由行为动物成像”。一方面发展的新成像技术获得首届全国颠覆性技术创新大赛总决赛优胜奖(最高奖)，推动了国内外许多合作者的生物医学基础研究工作，另一方面，将原创技术也转化成为国内急需的高端显微镜产品，解决国内高端显微镜产品被国外厂商“卡脖子”的现状。

3、知觉学习：机制、功能及其增强/Perceptual learning: Mechanisms, functions, and Enhancements

议题简介：Perceptual learning refers to remarkable improvement in perceptual sensitivity after intensive training. It is a popular model for studying cortical plasticity, especially in human adults. In my lab, we combined psychophysics, magnetic resonance imaging, and transcranical magnetic/electrical stimulation to investigate human visual perceptual learning. In the first part, we probed the neural mechanisms of perceptual learning. The neural mechanisms of discrimination perceptual learning are implemented by refining the neural representations of trained stimuli at the sensory processing stage, as well as by optimizing the connections or weights between sensory and decision-making areas in the brain. Detection perceptual learning is subserved by amplification of neural signals tuned to trained stimuli. In the second part, we identified two additional functions of perceptual learning. One is modifying the inherent functional specializations of visual cortical areas. The other is alleviating visual crowding by shrinking the population receptive field sizes in V2. In the third part, we found that perceptual learning can be speeded and enhanced by training with a partner (i.e., dyadic perceptual learning) and 10 Hz transcranial alternating current stimulation (tACS).

方方，北京大学心理与认知科学学院院长，智源研究员

主要研究利用脑成像、神经调控、心理物理学、计算建模、人类遗传学等方法和技术研究视知觉、意识、注意和它们的认知神经机制。所获学术荣誉和奖励包括：百人计划（北京大学，2007年）、国家杰出青年科学基金（国家自然科学基金委，2009年）、中国青年科技奖（中共中央组织部、人力资源和社会保障部、中国科学技术协会，2011年）、教学优秀奖（北京大学，2011年、2017年）、特聘教授（教育部，2011年）、王选优秀青年学者奖（北京大学，2012年）、政府特殊津贴（国务院，2014年）、中青年科技创新领军人才(科学技术部，2014年)、百千万人才工程国家级人选（人力资源和社会保障部，2015年）、国家有突出贡献中青年专家（人力资源和社会保障部，2015年）、青年科学家奖（国际心理科学联合会，2016年）、万人计划科技创新领军人才(中共中央组织部、科学技术部，2016年)、会士（美国心理科学学会，2018年）、首届中国神经科学重大进展（中国神经科学学会，2020年）。担任北京大学-清华大学生命科学联合中心高级研究员、北京大学机器感知与智能教育部重点实验室教授、北京大学麦戈文脑研究所研究员、Current Biology编委、Experimental Brain Research编委、Science China: Life Sciences编委、中国神经科学学会常务理事、中国心理学会常务理事、中国认知科学学会常务理事、中国大百科全书（心理学卷）副主编、国务院心理学学科评议组成员。

4、用神经网络实现类比规则学习

议题简介：抽象推理是智能的基本问题之一。人类可以从特定实例中抽象出可泛化的规则，但目前的人工智能却与之存在差距。尽管神经网络在一些视觉任务中已经达到了人类水平，但其推理能力仍然远远落后，尤其是在无监督（规则未知）的情况下。在这个报告里，我将介绍一下我们在这方面的两个尝试。1）受认知科学启发，我们设计了一个更像人类学习规则的任务，该任务旨在通过试错的方式来学习抽象规则。我们使用一种新的架构来解决此任务，该架构主要根据先前的试验结果学习规则的表征，并用当前的反馈动态的更新它们，这使得该结构可以快速适应没有见过的规则组合。2）我们提出通过内部推理的过程来学习更鲁棒的规则表征。该方法关键思想是将学到的规则重复应用到不同的实例中，以期对规则有一个全面的理解(即更鲁棒的表征），这将有利于抽象推理在不同场景下的泛化。

宋森，清华大学教授，清华大学生物医学工程系研究员，智源研究员

主要研究方向为情绪与动机相关神经回路、计算神经科学与类脑计算，目前已在Nature、Nature Neuroscience、ICML、ACL等国际会议期刊发表论文60余篇。2000年提出了类脑计算领域常用的时间信号依耐可塑性算法（STDP）。2019年参与清华类脑计算中心团队类脑计算芯片“天机芯”的研究，研究论文登上《自然》（Nature）杂志封面。

5、脑启发的客体识别 / Recognition of objects with cortex-like mechanisms

议题简介：生物大脑通过二维的腹侧颞皮层（Ventral Temporal Cortex）来实现了对抽象复杂的高维客体空间的表征以最终实现对客体的快速精准的识别。这里，我们通过构建混合自组织图（Self-Organized Map）模型，并配备受人类腹颞皮层物理实现的神经元布线长度限制的生物启发的布线成本最小化的原则，来研究腹颞皮层中是如何实现在二维空间里表征高维客体空间。我们将该混合模型与人类的功能性磁共振脑成像实验数据和非人类灵长类动物的神经电生理数据进行比较，发现VTC-SOM模型能够准确预测微观尺度的客体选择性表征以及宏观尺度的抽象功能地图。简而言之，我们的研究说明，仅凭简单的布线成本最小化原则和适当的生物约束，就足以忠实地在大脑二维皮质表面实现高维客体空间的表征。

介绍人：刘嘉

6、大脑精细仿真：未来脑科学领域的明珠？ 

议题简介：人类大脑里有接近千亿个神经元，可分为好几千种不同类型的神经元，其中每一种类的神经元都拥有自己独特而优美的结构和丰富的离子通道。最新的实验进展表明，由于具有复杂的树突结构和离子通道，单个神经元具有强大的计算能力，甚至能够和5层的深度学习网络相当。所以，生物神经元并不能简单的看成是一个“点模型”，而是具有超强计算能力的树状网络。这种对生物神经元计算模式的新型理解，正在逐渐颠覆传统的基于点模型的神经动力学研究，并且被Hinton等人工智能领域的先驱认为会影响到下一代人工智能的算法和架构。大脑精细仿真就是用来模拟带有复杂树突结构，丰富的离子通道和突触的数学工具。在这个报告里，我会首先概述百年以来人类对神经元树突计算功能的研究，追溯大脑精细仿真的理论体系，并且拓展到当前最新的树突计算的理论研究，以及在AI模型上的实现。

杜凯，北京大学人工智能研究院助理研究员

北京航空航天大学飞行器动力工程系学士（2002），瑞典卡罗琳斯卡医学院神经科学系博士（2016）和博士后（2020），欧盟脑计划“大脑仿真平台” 瑞典团队主要成员(2008-2016)，于2020年加入北京大学人工智能研究院任助理研究员，并与北京智源人工智能研究院生命模拟中心深度合作，领导北大/智源团队进行超大规模的大脑模型的开发。他建立了领域内第一个中等树突棘神经元（medium-spiny neurons）的精细模型(Du,et.al.,PNAS,2017),并在此基础上 发展了基底核脑区的纹状体精细模型。研究工作主要发表在PNAS，J.neuroscience，PloS Comput. Bio. 等领域内一流刊物上。主要研究方向是大脑精细仿真，树突计算，以及基于大脑精细模型的新型人工智能系统和理论。

7、从智人进化看AI中的语义理解 / From the evolution of Homo sapiens to semantic understanding in AI

议题简介：近年来基于深度学习的自然语言处理取得了长足进展，大模型的成功更是极大提高了人工智能在语言任务中性能，但是单纯基于符号层面的模型从本质上会面临”中文屋子”困境, 即难以实现具有真实世界含义的语义理解。从智人的进化过程来看，获得对抽象符号的语义理解能力是最近十万年左右发生的关键性事件，推动了人类智能迈上了基于推理、语言、想象等能力的新台阶。本报告中我们将从这一视角讨论AI克服语义理解所具有的重要意义、所面临的挑战和可能的探索方向。

余山，中国科学院自动化研究所研究员，博士生导师，模式识别国家重点实验室副主任, 北京智源“人工智能的认知神经基础”方向研究员

于2000年、2005年在中国科学技术大学分别获生物学学士与博士学位。2005年至2014年在德国马克斯普朗克脑研究所、美国国立精神卫生研究所进行博士后研究。2014年9月加入中科院自动化研究所，结合实验神经科学与计算建模方法，致力于理解大脑皮层信息处理的网络机制，研究脑启发的人工智能算法，并探索新型脑机接口及其应用。

8、连续吸引子神经网络：大脑信息表达和加工的正则化模型 / CANN: the cannonical model for brain information representation and processing

议题简介：连续吸引子神经网络（CANN）是数学化、抽象化了的大脑表征和加工信息的网路模型。CANN的提出是基于大量的神经生物学实验发现。CANN的结构核心是神经元之间的连接在特征空间上平移不变，反应了网络所储存信息之间的相似性。在CANN中，神经元群活动的稳定状态（吸引子，即储存的信息）在网络状态空间中行成了一个低维流形，即吸引子空间。在外部输入和内在动力学驱动下，网络状态在吸引子空间上的演化执行了大脑的信息加工过程。本报告中将举例介绍一些CANN的动力学与当前机器学习算法关联的一些例子，如Langevin dynamics，Hamiltonian Monte Carlo sampling, Equivariant representation等。

吴思，北京大学长聘教授、麦戈文脑科学所研究员、定量生物中心研究员、北大-清华联合生命科学中心研究员，智源研究员

主要研究领域:计算神经科学与类脑计算。在Nature, Nature Neuroscience, Neuron, PNAS, eLife等顶级神经科学期刊和Neural Computation, IEEE Trans. On Neural Networks, NeurIPS 等顶级人工智能期刊和会议上发表大量原创性工作。计算神经科学领域最大国际期刊Frontiers in Compulational Neuroscience共同主编，中国神经科学学会《计算神经科学与神经工程专业委员会》主任。

9、主动推理 Active Inference

议题简介：在认知神经科学和机器学习中，我们有正式的方式来理解和表征感知和决策；然而，这些方法似乎非常不同：当前感知形成的机制建立在预测编码和贝叶斯大脑假设等理论上。与之相反的，形成决策和选择的行为的机制通常基于强化学习和贝尔曼最优原则。一方面，大脑似乎优化了其感觉是如何产生的信念；另一方面，我们的选择和决定似乎受价值函数和奖励的支配。这些机理是不可调和的吗？还是说存在某种潜在的命令，使感知推理和决策成为同一枚硬币的两个方面。

Karl Friston，伦敦大学学院教授

Karl Friston 是一位理论神经科学家，也是脑成像领域的权威。他发明了统计参数映射 (SPM)、基于体素的形态测量 (VBM) 和动态因果建模 (DCM)。这些贡献是由精神分裂症研究和价值学习的理论研究推动的，被表述为精神分裂症的失联假说。数学贡献包括变分拉普拉斯程序和分层贝叶斯模型反演的广义过滤。弗里斯顿目前致力于人脑功能整合模型和神经元相互作用的基本原理。他对理论神经生物学的主要贡献是行动和感知的自由能原理（主动推理）。Friston 获得了首届人脑图谱青年研究者奖（1996 年），并被选为医学科学院院士（1999 年）。2000 年，他担任国际人脑图谱组织主席。2012 年，他当选英国皇家生物学会会士，2013 年，因对数学生物学的贡献他获得韦尔登纪念奖和奖章，并于 2014 年被选为 EMBO（生命科学卓越奖）和（2015 年）欧洲科学院的成员。2016 年，他因在脑研究领域的无与伦比的突破而获得查尔斯·布兰奇奖和人类脑图谱领域的终身成就奖——Glass Brain 奖。他拥有苏黎世大学和拉德布德大学的荣誉博士学位。

9、圆桌论坛

陈良怡 | 北京大学教授，智源研究员

方方 | 北京大学教授，智源研究员

宋森 | 清华大学教授，智源研究员

刘嘉 | 清华大学教授，智源首席科学家

杜凯 | 北京大学人工智能研究院助理研究员

余山 | 中科院自动化所研究员，智源研究员

吴思 | 北京大学教授，智源研究员