时空AI驱动复杂系统科研新范式论坛-当预测不是终点,时空AI能否涌现4Science统一范式?| CNCC2026

报告主题：时空AI驱动复杂系统科研：现状与挑战

报告摘要：时空复杂系统广泛存在于气象、海洋、交通、能源等领域，是AI for Science的重要研究对象。随着泛时空数据的快速积累和人工智能技术的发展，时空AI正逐步由面向单一任务的专用模型迈向基础模型、预训练模型和跨领域泛化，为复杂系统建模、预测与科学发现带来了新的机遇。然而，泛时空AI驱动复杂系统科研仍面临基础网络架构不适配、预训练模型泛化能力不足、公平评测体系缺失以及领域知识融合困难等共性挑战。本次报告将围绕这些关键问题，结合基础模型、基准评测及典型AI for Science场景的研究进展，探讨时空AI驱动复杂系统科研的发展现状、关键挑战与未来方向。

博士，现任中国科学院计算技术研究所特别研究助理，主要研究方向为面向异质性的时间序列鲁棒预测。已在国际顶级会议和期刊发表论文30余篇，谷歌学术引用逾4200次。多篇代表性论文入选ESI热点论文及Paper Digest最具影响力论文。曾获中国科学院优秀博士学位论文、ACM SIGSPATIAL China新星学者、中国指挥与控制学会科技进步一等奖等荣誉。

报告主题：时空多任务基础模型：通用泛化与海洋智能实践

报告摘要：近年来，面向时空数据的基础模型逐渐成为AI for Science的重要研究方向。气象、海洋等领域的数据虽然来源和形态各异，但普遍具有多变量耦合、时空关联和动态演化等共性，并涉及预测、分类、重建等多类任务。然而，如何构建具备多任务泛化能力的基础模型，并对其跨数据、跨任务能力进行公平评测，仍处于探索阶段。本报告将介绍我们在时空多任务智能领域的代表性工作，包括多任务时间序列基础模型“宙斯”、多元时间序列多任务评测基准BasicTS+，以及面向海洋涡旋的多任务“观沧”系统。该系统覆盖涡旋状态分析、水下三维结构重建、运动轨迹和关键参数预测等任务，探讨从基础模型、基准评测到海洋科学应用的技术路径，以及泛时空智能赋能复杂海洋系统认知与科学发现的潜力。

清华大学长聘副教授，博导。研究领域为人工智能基础模型架构及算法，在Nature子刊、IEEE TPAMI、CVPR、NeurIPS等期刊/会议发表论文200余篇，谷歌引用10万余次，代表性工作DenseNet单篇引用6万余次。以第一/通讯作者获CVPR最佳论文奖、ICML杰出论文奖、NeurIPS最佳论文亚军奖待；曾获教育部、CAAI、CSIG自然科学一等奖，主持国自然优青、联合重点、国家重点研发计划青年科学家项目等。担任IEEE TPAMI 副编辑和CVPR、NeurIPS、ICML等国际会议领域主席。

报告主题：强化学习驱动的时空动态计算与复杂推理

报告摘要：本报告聚焦强化学习驱动的高效时空动态计算与复杂推理方法。首先，针对视觉数据中普遍存在的时空冗余问题，将介绍如何突破现有视觉模型的并发式计算范式，将视觉识别任务重构为序列学习模型，并借助强化学习构建最简学习过程，实现计算效率的显著提升。其次，报告将剖析当前强化学习驱动的大模型后训练技术所面临的主要局限，并探讨可能的突破方向。最后，将介绍一种具备自进化能力的强化学习后训练框架，在无需人工标注数据的条件下，显著提升大模型在数学、编程等复杂推理任务中的性能。

华东师范大学数据科学与工程学院二级教授，国家级领军人才。曾就任于丹麦奥尔堡大学, 工程技术学院 （2022年USNews全球大学排名奥尔堡大学工科排名欧洲第一，世界第八）杰出科学家，计算机系终身教授，丹麦独立研究基金会Sapere Aude科学家。曾就任于丹麦奥胡斯大学和德国马克斯普朗克研究院。主要研究领域涵盖人工智能和数据科学，尤其是时间序列和时空数据驱动的决策智能。在人工智能和数据库等领域的重要会议和期刊发表论文120余篇。

报告主题：OpenTS: 时间智能与自主决策

报告摘要：时间序列数据是描述工业系统、能源网络、城市运行、自然环境、金融市场等动态系统的核心数据模态，换言之，时间序列数据是描述世界动态演变的“语言”。时间智能与自主决策围绕“动态世界建模”这一目标，旨在通过“时序语言”构建时序基础模型，实现对动态系统的感知、预测与决策。报告人阐述构建时序基础模型时需要面临的核心挑战，并提出AGREE原则，即自动化（Automation）、通用性（Generalization）、鲁棒性（Robustness）、可解释性（Explainability）和轻量化（Efficiency）。报告人将介绍其团队基于AGREE原则开发的时序基础模型OpenTS，即其在预测性维护、智慧城市、防灾减灾上的应用。

清华大学长聘副教授，软件学院信息系统与工程研究所所长。从事机器学习、大数据分析与人工智能大模型方面的科研工作，以第一作者/通讯作者在Nature正刊/子刊和TPAMI等期刊会议上发表论文80余篇，谷歌引用7万余次；气象大模型系列成果被《Nature》正刊专题报道，入选《自然·机器智能》封面文章。入选爱思唯尔中国高被引学者、全球前2%科学家、AI100青年先锋，获得国际基础科学大会前沿科学奖、世界人工智能大会优秀论文奖、中国电子学会自然科学奖一等奖（第一完成人）等。

报告主题：气象大模型：物理智能的理论与实践

报告摘要：近年来，物理智能（Physical AI）领域备受关注。2023年，美国哈佛大学联合多家单位在《Nature》上发表题为《Scientific Discovery in the Age of Artificial Intelligence》的论文，指出人工智能技术大大加速了科学研究，可以获得传统方法无法发现的科学洞见。然而，如何实现物理规律与人工智能的深度融合，仍然处于研究探索的早期阶段。本报告将介绍大数据系统软件国家工程研究中心与中国气象局天气预报大模型团队在人工智能气象大模型领域的代表性工作，包括极端天气临近预报大模型NowcastNet、人工智能临近预报系统“风雷”和全球中短期天气预报系统“风清”等，探讨科学机器学习这一物理智能范式的重要进展。

国防科技大学系统工程学院副教授、博士生导师。中国指挥与控制学会大模型与决策智能专委会总干事，先后入选湖南省杰青、湖湘青年英才及国防科技大学高层次创新人才，基金委创新群体骨干。主要研究方向包括机器学习、复杂网络、运筹优化等，作为负责人及核心承担10余项国家和军队重点项目，在Nature子刊、IEEE汇刊等期刊和会议上发表论文70余篇，出版专著2部，授权专利20余项。研究成果获世界人工智能大会青年优秀论文奖、吴文俊人工智能科技进步一等奖等。

报告主题：AI for Combinatorial Problems in Complex Networks

报告摘要：本报告探讨如何利用人工智能方法（如强化学习、图神经网络）解决复杂网络中的组合优化问题，包括网络瓦解、自旋玻璃基态求解等。AI方法能学习高效启发式策略，克服传统算法的计算瓶颈，为AI for complex system提供新思路。

CNCC是一个宏观论述技术趋势的大会，具有规格高、规模大、内容丰富等特点，会议形式包括大会特邀报告、大会论坛、专题论坛、特色活动及展览。大会汇聚两院院士、国内外顶尖学者、知名企业家等亲临大会，展望前沿趋势，分享创新成果。ACM、IEEE CS、IPSJ、KIISE等国际计算机组织的代表也多次获邀现场参加这一盛会。CNCC2026将于10月21-24日在四川省成都市举办，大会主题是“数聚驱动，智算未来”，欢迎各界前来参会。