（通讯员 王丹 张丹 黄思婧 张若浛 马梦茹 贾楠 耿雪莉）10月28-31日，由中国人工智能学会、国际信息研究学会中国分会共同主办，西安电子科技大学承办的第五届智能科学国际会议（The Fifth International Conference on Intelligence Science，ICIS 2022）在线上成功举办。会议汇集了国内外人工智能领域的专家学者，在跨学科的背景下，围绕脑科学、认知科学、人工智能领域前沿共同探讨智能的本质和相关技术，共吸引了6300余人次观看直播。

纽约科学院院士、发展中世界工程技术科学院院士、北京邮电大学钟义信教授，印第安纳大学David B Leake教授以及欧洲科学院外籍院士、俄罗斯自然科学院外籍院士、IEEE Fellow、西安电子科技大学焦李成教授担任大会主席。中国科学院计算技术研究所主任史忠植研究员，欧洲科学院院士、IEEE Fellow、英国萨里大学金耀初教授以及西安电子科技大学张向荣教授担任程序委员会主席。组织委员会主席、西安电子科技大学永利皇宫463cc执行院长侯彪教授主持了开幕式；焦李成院士与史忠植研究员分别为大会致辞。大会主题报告及特邀报告由史忠植研究员和张向荣教授主持。

焦李成教授在大会开幕式上致辞

史忠植研究员在大会开幕式上致辞

侯彪教授主持大会开幕式

大会学者汇聚，百家争鸣。德国比勒费尔德大学神经信息学组Helge Ritter教授，西安电子科技大学焦李成教授、张向荣教授在会议中做主题报告；IEEE Fellow、南方科技大学姚新教授，IEEE Fellow、鹏程实验室副主任、西安电子科技大学石光明教授，IEEE Fellow、清华大学孙富春教授，中国科学院计算技术研究所史忠植研究员以及英国莱斯特大学周挥宇教授做特邀报告。

此外，会议还设置了“Brain Cognition & Language Cognition”，“Machine Leaning”，“Data Intelligence & Medical Artificial Intelligence and Wireless Sensor”，“Perceptual Intelligence”，“Remote Sensing Images”五个主题分会场，49位相关领域的研究人员和学生在各个会场畅所欲言，交流学术成果。

Helge Ritter：Cognitive Interaction Technology

Helge Ritter教授首先介绍了人类大脑内认知互动的进化，这些进化使得人们能够更好的适应非结构化的现实环境。通过对比人工智能和自然学习发现，当交互数据的获取成本很高时，后者可以将自己的技能进行推广。因此，Helge Ritter教授提出，人工智能进一步取得进展的一个关键将是更好地理解在数据匮乏的条件下，认知主体在交互技能的相关性和概括性方面的表示。Helge Ritter教授指出，在非结构化的现实环境中，许多交互都涉及到触觉，这使得触觉成为认知交互技术的核心，触摸和体验是认知交互技术的基石。与视觉相比，触觉传感器技术仍处于相对初级的阶段，因为触觉数据依赖于难以共享的交互。Helge Ritter教授指出，如何建立涵盖从低水平感知到高水平认知的各个层次的触觉表示，以及我们如何为灵巧的机器人创建必要的触摸感知和处理能力是认知交互技术发展的重要挑战。

焦李成，张向荣：Brain-like perception and cognition: challenges and thinking

报告从类脑感知与认知的研究背景和科学问题、高分辨率遥感信息采集、高分辨率遥感影像建模、高分辨率遥感影像应用以及大脑感知与认知的思考，五个方面对类脑高分辨遥感进行了介绍。张向荣教授首先介绍了类脑感知与认知的研究背景和发展历史。计算神经科学的发展促进了人工智能领域的发展，而人脑的各种运行机制极大地启发了人工智能研究者们构建更强大的神经网络。张教授详细介绍了类脑算法的动机与原理，包括稀疏性、学习性、选择性、方向性、多样性，同时指出人工智能需要从目前的特征工程、特征学习转向感知决策学习和环境适应最终到学习如何学习。

高分辨率遥感信息采集是指在高分辨率图像处理程序之前需要对高分辨遥感图像进行解译。通常高分辨遥感图像数据表现出种类繁多、高维高、体积大、信息杂等特点，目标的多尺度奇异性、复杂多样等大大增加了目标建模和目标信息学习识别的难度。张教授介绍了借鉴生物视觉认知与感知机理，对高分辨遥感信息获取（感）、解译（知）以及应用（用）的研究，视觉感知与脑认知（稀疏性、学习性、选择性和方向性等）为实现高效准确的高分辨遥感影像感知与解译提供了建模思路。最后，张教授从大脑活动的全面认知、大脑信息处理机制的数学模型和类脑学习算法的发展给出了类脑感知与认知发展的思考。

姚新：Dealing with Concept Drifts in Data Streams

机器学习的主要挑战之一是未来的测试数据通常不同于历史训练数据，从历史数据中学到的东西对未来数据未必适用；在数据流的在线学习中，模型学习到的知识则可能会由于底层数据分布的变化而漂移。针对这一问题，姚新教授介绍了模型空间中的学习作为处理数据流变化的有效方法。该方法不是直接尝试检测数据流中的变化，而是首先学习数据流的生成模型，然后检测这种模型空间中的变化。姚教授介绍了模型空间学习如何进行认知故障的诊断，讲述了在在线学习的训练过程中，可能会存在特征空间不同或者分布不同的数据，进而使得预测结果产生了较大的概念漂移问题。最后，姚教授提出了一种集成学习方法（DDD：Diversity for Dealing with Drifts）来进行概念漂移在线学习，其中在检测到漂移之前和之后的学习和调整具有不同多样性水平的集成。同时，姚教授也指出了在概念漂移的在线学习中存在类别不平衡的影响，对数据流中的类演化进行了讨论。

石光明：A Novel Bionic Imaging and Its Intelligent Processing

工业智能制造等诸多行业对运动目标的有效成像需求很大，然而，传统的非高速成像容易造成模糊，而高速成像技术又过于昂贵。石光明教授介绍了一种新颖的受生物视觉机制启发的仿生成像技术及其相应的智能处理算法，可以低成本、有效地捕获移动目标。石教授主要从四个方面展开分享：感知、处理、理解和应用。首先介绍了基于差分概念的动态视觉芯片和仿生成像系统设计（感知）。其次，石教授讨论了去噪和可视化的整体流程和框架（处理）。利用事件流的有效地离子之间的关联性和噪声的随机性进行时、空双维度去噪。针对神经网络参数量较大的问题，石教授提出了轻量化的SNN网络（理解），在对网络进行压缩的同时，性能也得到保证。最后，石教授展示了该系统在强光下可以高效地捕获动态的目标，同时，在大场景下也可以捕获较小的目标（应用）。

孙富春：The Cognitive Computation Model for Behavior AI

在 “行为AI的认知计算模型”的报告中，孙富春教授指出，人工智能的行为主义范式强调感知服务于行为，以及行为如何增强感知的闭环过程，是一种动态和闭环的人工智能，而符号主义和连接主义范式的人工智能是开环的。当前人工智能系统设计中，智能体大多与环境没有物理的交互，没有利用知识，而且智能体的感知、推理和行动这三个核心组成部分通常是相互独立的，从感知到行动的映射往往是单向和静态的，忽略了感知与行为之间的物理结构和动态交互过程，智能体很难在动态变化的环境中实现知识的利用、增长和发展。

为了解决行为人工智能的认知计算问题，孙教授提出了一种新的认知模型“Bcent”，即脑-体协同发展。该模型是一种新的统一的、可推广的闭环人工智能框架，集感知、认知和行为三要素于一体，具有环境感知、知识推理、认知形成、博弈对抗和闭环系统等多重功能。该模型将感知和行为视为两个物理过程，分别称为感知体和行为体；同时，将连接感知体和行为体的推理部分称为认知体，主要完成知识推理和认知发育。孙教授具体地介绍了Bcent中三个核心部件的理论方法和功能实现，展示了这些理论方法在移动机器人、口咽拭子机器人和无人机中的应用。最后，孙教授展望了基于Bcent的行为AI的发展趋势，给出了行为人工智能的关键挑战：1、多认知体如何协同工作？2、如何在动态环境中实现机器人与人的协作？3、如何在云环境下实现分布式感知和行为学习？4、如何在Bcent中使用非马尔可夫框架进行决策? 5、预训练模型能否应用于机器人技能学习?

史忠植：Memory Cognition

史忠植研究员报告从智能科学的定义、分层记忆、工作记忆、记忆与计算的集成以及认知机器学习五个方面展开。智能科学是智能基础理论和技术的交叉学科，主要包括脑科学、认知科学、人工智能等。认知科学研究人类的心理活动，如感知、学习、记忆、思维、意识等。记忆是对人脑所经历的事物的识别、保留和再现。它是思考、想象和其他高级心理活动的基础。记忆系统的输入为刺激信号，然后输出相应的反应，主要包括感官记忆，短期记忆和长期记忆。其中的长期记忆可分为程序性记忆、陈述性记忆和情感性记忆。陈述性记忆又可进一步分为情景性记忆和语义性记忆。工作记忆与推理密切相关，具有保持信息和形成初步的心理特征的功能。工作记忆中存在时态逻辑思维，图像思维和直觉思维三种思维，其加工机制都可以在大脑皮层找到相应的区域。报告还概述了针对“Memory Wall Problem”出现的记忆和计算的集成方法及相关研究，记忆和计算的集成方法不仅可以提高计算速度，而且可以降低计算功耗。认知机器学习是指机器学习与脑认知科学结合，三个研究方向包括：学习的出现，程序性知识学习和学习的进化。

周挥宇：Emerging Artificial Intelligence Technologies in Healthcare

      周挥宇教授结合自身的实践经验和研究成果，介绍了新型深度学习模型在医学图像识别解析中的应用。周教授从帕金森疾病（PD）的病理分析出发，分享了如何将帕金森病的研究与治疗和人工智能相结合。帕金森病的标准治疗包括支持性治疗、药物治疗和脑部手术。其中，支持性治疗包括物理治疗和职业治疗。药物治疗和脑部手术的原理都是用同样的方法刺激多巴胺的产生，从而使得帕金森疾病症状减轻。周教授及其团队通过使用深度学习算法框架来探测和追踪老鼠行为，并对追踪结果进行智能化分析，用以辅助帕金森病的早期诊断和后期治疗。周教授指出，这种与人工智能相结合的方法能帮助识别帕金森症状，有助于药物的发展和研究。除此之外，周教授及其团还研究了跟踪和检测老鼠行为、老鼠行为识别和姿态估计的算法、并将其应用扩展到Twitter上的抑郁症检测和脑胶质瘤分割技术。