扫描报名二维码：
（扫码报名）
据互联网数据中心（IDC）预测，2025年全球平均每人每天产生的数据高达1.5GB，海量数据的异构特性变得越来越明显。数据异构、设备异构、以及数据来源多样化让数据的价值挖掘变得更加复杂。大模型基于其较强的表征和学习能力，对海量异构数据的学习会更加有效。端侧设备受限于较弱的计算和连接能力，大模型训练和推理任务挑战巨大。云侧具备较强的计算能力，可以高效执行较大规模的模型训练和推理任务。如何协同端云两侧的大小模型对海量异构数据进行价值挖掘？学术和行业最前沿的研究和应用是什么？未来有哪些值得探索的方向？我们邀请相关领域的学者和专家，开放讨论行业现状及对未来的思考，提供端云智能服务，进而服务和联接世界。
论坛安排
顺序
主题
主讲嘉宾
单位
1
端云互融计算范式探索
邓华荣
OPPO
2
隐私保护跨域智能推荐
陈超超
浙江大学
3
边缘智能与协同计算
周俊龙
南京理工大学
4
大小模型协同训练：知识蒸馏与意见咨询
敖翔
中国科学院计算技术研究所
5
十年的回眸：从协同服务计算到智能大小模型的可信协同
胡亮
同济大学
执行主席
王俊
OPPO研究院数据智能研究部部长、高级专家
CCF区块链专业委员会执行委员，曾任职于新加坡科技局（A*STAR）与卢森堡国家邮政总公司，分别担任研究员与高级专家。就职于卢森堡国家邮政总公司期间兼任欧洲共同利益重大项目 (IPCEI) 卢森堡邮政首席专家。在TDSC, TIFS, ESORICS, IJCAI, ISSTA、MM等高水平国际会议及期刊上发表多篇论文。
共同执行主席
陈超超
浙江大学计算机科学与技术学院特聘研究员、博士生导师
曾任蚂蚁集团高级算法专家。主要研究方向为隐私保护机器学习、分布式机器学习、图机器学习和推荐系统等。他于2016年获得浙江大学博士学位，并于读博期间在UIUC担任访问学者。他曾作为主要骨干获得了2020 年度“CCF科学技术奖”-科技进步卓越奖以及2021年度中国人工智能学会“优秀科技成果奖”。他曾在NeurIPS，WWW，ACM MM，SIGIR，ICDE，KDD，AAAI，IJCAI，TKDE，TDSC，TKDD等国际会议和期刊发表论文70余篇，申请国内外发明专利200余项，其中授权100余项。近年来他担任多个国际顶级会议的程序委员会委员或高级程序委员会委员，担任多个国际顶级期刊审稿人。
论坛讲者
邓华荣
OPPO云数能力中心GM
负责OPPO云和大数据能力平台建设。2005年毕业于中国科学技术大学计算机学院，此前曾在腾讯，京东，OPPO担任数字营销，云计算等领域领域专家和管理工作，在数字营销，云和大数据方面有超过10年的从业经验。
报告题目：端云互融计算范式探索
摘要：
在推荐场景中，可能涉及端侧高价值数据的挖掘。一方面，更好的数据挖掘需要更大更复杂的模型；另一方面，在端侧数据不离开终端本地的情况下进行模型训练和推理，减少了端云间的通信成本，数据的使用也更加合规。基于上述两方面要求，端云互融计算范式被提出。端云互融计算范式结合端云两侧的计算能力和数据，协同完成模型训练和推理任务。为支持该范式的研究和落地，OPPO构建了相应产品矩阵，包括端云协同计算的框架和仿真系统。
陈超超
浙江大学计算机科学与技术学院特聘研究员、博士生导师
报告题目：隐私保护跨域智能推荐
摘要：
随着互联网的快速发展，推荐系统成为数字生活中不可缺少的工具，与此同时，数据安全和隐私保护也成为必然趋势。为提高推荐的智能性，往往需要融合异构多源的数据，为此，基于隐私计算的跨域智能推荐技术应运而生。本报告将分别介绍隐私计算和跨域推荐基础技术，并着重介绍如何将不同的隐私计算技术与跨域智能推荐相结合。
周俊龙
CCF嵌入式系统专业委员会副秘书长
南京理工大学计算机学院副教授、博士生导师、院长助理
南京理工大学计算机学院副教授、博士生导师、院长助理，分布式计算与体系结构研究所副所长，CCF嵌入式系统专委会副秘书长/常委。主要研究领域包括边缘计算、嵌入式系统、计算机体系结构。在IEEE TC、TCAD、TPDS、TDSC、RTSS等国际重要期刊和会议发表论文100余篇，主持国家和省部级科研基金10余项，任JSA等5个国际期刊编委，10余次国际会议主席， 获江苏省青蓝工程人才计划、江苏省优青、江苏省计算机学会青年科技奖、上海市计算机学会优博等奖励，多次获得国际会议最佳论文奖，连续四年入选全球前2%顶尖科学家榜单。
报告题目：边缘智能与协同计算
摘要：边缘计算与人工智能的结合催生了边缘智能，它融合了网络、计算、存储、应用核心能力的新兴技术，通过将智能算法部署在更贴近用户的边缘设备，能够更高效地为用户提供高质量的智能服务。相比云端人工智能计算与处理模式，边缘智能具备低功耗性、低时延性、更隐私安全性和贴近用户等优势。边缘智能近年来已成为了学术界的研究热点。本报告将聚焦边缘智能与协同计算的前沿及进展，并介绍我们在边缘智能及其协同技术的一些初步探索。
敖翔
中国科学院计算技术研究所副研究员
CCF高级会员，CCF数字金融分会常委、大数据专委执委、YOCSEF总部委员。研究方向为智能金融、数据挖掘与自然语言处理。先后主持国家重点研发项目子课题1项，国家自然科学基金项目3项，CCF-腾讯犀牛鸟科研基金、阿里巴巴AIR计划（获优秀奖），腾讯广告犀牛鸟专项基金、蚂蚁集团金融安全专项基金等10余项科研项目，在IEEE TKDE、KDD、WWW、ICDE、SIGIR、ACL、AAAI、IJCAI等国际权威期刊和会议上发表论文80余篇，其中CCF A类40余篇，谷歌引用2700余次，H-index为28。入选北京市科技新星、中国科学院青促会、微软亚洲研究院“铸星计划”。担任SIGKDD、WWW、SIGIR、ACL、AAAI、IJCAI等学术会议的(高级)程序委员。
报告题目：大小模型协同训练：知识蒸馏与意见咨询
摘要：
以GPT为代表的大模型涌现的机器智能为大小模型协同学习提供了契机。大模型的巨量参数存储了从海量数据中学习到的知识，同时其惊人的意图理解能力和分析推理能力为指导小模型性能提升提供了可能性。本报告将从知识蒸馏和意见咨询两个角度介绍大模型指导小模型算法优化上的研究进展。其中，知识蒸馏方面的进展以大模型回答与解释之间的一致性为指导，优化小模型在NLP相关任务上的表现。意见咨询方面的进展则是指在小模型训练过。
胡亮
同济大学电子与信息工程学院，教授、博导
上海海外高层次人才，国家海外高层次青年人才。获上海交通大学计算机应用技术博士学位，悉尼科技大学分析学博士学位。研究领域包括机器学习、推荐系统、人机协同、数据科学、隐私计算，以及跨学科交叉融合的新一代智能技术。发表超过70篇高水平学术论文，其中包括CCF A类刊物40余篇，包括WWW、IJCAI、AAAI、ICDM、ICWS、TOIS、TKDE、NeurIPS、ICML等。在众多高水平人工智能国际会议（IJCAI、AAAI、ICDM、CIKM、KDD、CVPR等）担任程序委员会委员，并担任十余个著名人工智能和数据科学相关的国际期刊的审稿人，包括ACM CSUR、IEEE TKDE、ACM TOIS、IEEE TPAMI等。以联席主席身份在IEEE ICDM、DSAA等多个著名国际学术会议上组织了关于人工智能、神经网络和推荐系统的多个研讨会和特别专题在IJCAI、AAAI、KDD、SIGIR、ICDM、WWW等多个顶级人工智能及数据科学会议上，进行了近10个关于智能推荐系统的专题报告（Tutorial）。担任国际期刊JSDA编委，在国际期刊MDPI Mathematics上作为首席客座编辑组织了可信人工智能算法相关的特刊。主持和参与多项国家级科研项目。
报告题目：十年的回眸：从协同服务计算到智能大小模型的可信协同
摘要：
十多年前，我当时还在研究服务协同计算的问题，服务协同计算是一种计算模式，它涉及到多个服务之间的合作与协调，以完成复杂的计算任务。这种计算模式通常用于分布式系统，强调不同服务组件之间的交互和协同工作，以达到更高效的资源利用、更好的性能和更高的灵活性。以下是服务协同计算的一些关键特点和应用场景。服务协同计算面临的挑战包括服务发现、服务组合、事务管理、安全性和隐私保护等。
十多年后，以GPT系列为代表的大模型脱颖而出，成为了人工智能领域的前沿研究方向，然而近来针对大模型本身的研究似乎已遇到了一定的瓶颈，使人们重新开始思考是否“越大”意味着“越好”。近来研究的大模型的“大”，也从单体模型参数的“大”迈向群体模型规模的“大”。因此，大小模型如何进行可信协同，通过协作的方式，发挥群体智能的优势，已成为研究热点。为了解决大小模型的协同，一个方法便是建立起多智能体的协作机制，这又让我们回忆起服务协同计算所要解决挑战，通过基于大小模型的多智能体协作，完成服务发现、服务组合、安全性和隐私保护等问题。