会议内容：
本次研讨会聚焦于人工智能技术应用与科研创新维度，围绕AI大模型、智能体、多模态人工智能以及AI赋能科研与教学等方向展开深入讨论，核心讨论议题主要集中在四个方面：
一是生成式人工智能与大语言模型应用。围绕ChatGPT、通义、文心一言、DeepSeek等大语言模型在信息检索、文本生成、知识问答、代码辅助、科研写作以及数据分析等方面的应用展开讨论，重点分析大模型的基本工作机制、能力边界以及如何提升人工智能输出结果的准确性、可靠性和可解释性。二是AI与科研工作深度融合。重点探讨人工智能在科研选题、文献调研、实验方案设计、数据处理、程序开发、论文写作和科研成果总结等环节中的应用模式。三是多模态人工智能与智能应用。围绕文本、图像、语音、视频以及结构化数据等不同信息形式的融合处理展开讨论。四是AI智能体与实际应用场景。重点讨论基于大模型的AI Agent技术，通过任务规划、工具调用、信息检索和自主执行等能力，实现从“回答问题”向“完成任务”的转变。主讲人雷老师结合当前人工智能技术发展趋势及团队相关研究基础，对AI技术的发展现状、典型应用模式以及未来研究方向进行了系统梳理，并围绕AI技术如何与专业领域结合进行了重点讲解。
1.研究背景
雷老师指出，当前人工智能技术正在经历由传统机器学习向大模型、生成式人工智能和智能体技术快速发展的阶段。尤其是近年来大语言模型、多模态大模型的快速发展，使人工智能的应用范围从传统的分类、识别和预测任务逐步扩展到内容生成、复杂推理、知识问答、程序开发和任务执行等更加复杂的认知型工作。
从科研和教育应用的角度来看，传统的信息处理方式通常需要研究人员花费大量时间完成文献检索、资料整理、数据分析、程序编写以及文字撰写等工作，而生成式人工智能能够在上述环节提供一定程度的辅助，从而改变传统科研工作的组织方式。与此同时，AI应用也带来了新的科研问题。一方面，大模型具有较强的信息处理和内容生成能力，但仍可能产生事实错误、逻辑错误以及“幻觉”等问题；另一方面，不同模型在专业知识、推理能力、数据安全以及任务执行能力方面存在明显差异。因此，如何建立科学、可靠、可验证的AI应用模式，是当前人工智能应用研究需要重点解决的问题。本次会议正是在这一背景下，围绕人工智能技术的实际应用展开讨论，重点探索AI与科研、教学以及专业领域融合的具体路径。
2.研究现状
在生成式人工智能应用方向，当前大语言模型已经能够完成文本生成、摘要提取、知识问答、代码辅助、翻译、内容改写等多种任务。随着模型上下文处理能力不断增强，AI已经逐步从简单的信息生成工具向综合性知识处理工具发展。但在专业领域应用过程中，模型生成内容的真实性、专业性和可验证性仍然需要人工审核，因此“AI生成+人工验证”成为目前较为重要的应用模式。在AI辅助科研方向，人工智能已经逐步进入科研工作的多个环节。在文献调研过程中，可以利用AI对大量论文进行摘要、分类和主题提取；在数据分析过程中，可以辅助完成数据清洗、统计分析和可视化；在程序开发过程中，可以辅助生成代码、分析错误和优化程序；在科研写作过程中，可以辅助进行语言润色、结构调整和内容梳理。但与此同时，AI生成内容的来源可靠性、科研数据隐私以及学术诚信等问题也需要引起重视。在多模态人工智能方向，研究重点已经由单一文本处理逐步扩展到文本、图像、语音、视频等多种信息的综合理解。多模态模型可以同时处理不同类型的数据，为智能教育、医学辅助、工业检测、图像分析和人机交互等应用提供新的技术基础。与传统单模态AI相比，多模态人工智能能够从不同信息维度获取更加完整的任务信息，但其计算成本、数据对齐和模型可靠性等问题仍需要进一步研究。在AI智能体方向，研究重点进一步从“生成答案”向“自主完成任务”转变。智能体能够根据用户目标进行任务拆解，并结合搜索、数据库、代码工具等完成复杂工作。
3.应用场景讨论
雷老师从AI应用研究和实际需求的角度，梳理了不同应用场景背后对应的关键技术问题：
针对科研辅助场景，对应的核心研究问题是如何利用人工智能提高科研工作效率。可以利用大模型辅助完成文献资料整理、研究方向分析、实验方案讨论、代码开发和论文结构梳理，同时通过知识库、检索增强生成等技术降低大模型产生错误信息的风险。针对教学辅助场景，对应的核心研究问题是人工智能如何实现个性化教学。通过分析学生的学习过程、知识掌握情况和作业完成情况，可以构建智能问答、知识讲解、学习规划和错题分析等功能，从而形成更加灵活的智能教学辅助模式。针对科研数据分析场景，对应的核心研究问题是如何利用AI提高数据处理效率。通过自然语言交互，研究人员可以直接向AI提出数据分析需求，由AI辅助完成数据清洗、统计分析、程序编写和结果可视化，降低复杂数据分析任务的技术门槛。针对智能办公场景，对应的核心研究问题是如何利用AI实现重复性工作的自动化。例如会议纪要整理、材料撰写、信息分类、文档总结以及工作流程管理等，通过AI智能体和自动化工具，可以进一步提高日常工作效率。针对专业领域应用场景，对应的核心研究问题是如何将通用大模型与专业知识结合。通过构建专业知识库、领域数据集和检索增强系统，可以使AI更加适应特定行业和专业场景，从而提高人工智能应用的专业性和准确性。
4.讨论环节
参会科研人员围绕三个前沿技术方向展开了深入的学术讨论：
第一个研讨方向是大模型的可靠性与专业化应用。与会人员认为，当前大模型虽然具有较强的综合信息处理能力，但在专业问题上仍可能出现知识错误、事实错误和逻辑推理偏差。因此，在实际科研应用中不能简单地将AI生成结果直接作为最终结论，而应建立检索、验证和人工审核机制。第二个研讨方向是AI智能体在科研工作中的应用。针对科研人员需要处理大量重复性工作的实际情况，参会人员提出可以进一步研究基于大模型的科研智能体，使AI能够按照科研人员提出的目标自动完成任务拆解，并调用搜索、数据库、代码执行和数据分析等工具。第三个研讨方向是多模态AI与专业领域融合。参会人员认为，未来人工智能的应用将不再局限于文本交互，而是逐步实现文本、图像、语音、视频和结构化数据的综合处理，为智能教学、科研数据分析和专业领域智能应用提供更加完整的技术支撑。此外，与会人员还围绕AI应用过程中的数据安全、个人隐私、知识产权、学术诚信以及人工智能伦理等问题进行了讨论。大家认为，在推进人工智能应用的同时，应建立规范的AI使用流程，确保人工智能技术在科研和教学活动中的合理应用。
5.会议总结
本次会议重点围绕人工智能技术及大模型在科研、教学和实际应用中的发展趋势与应用模式展开研讨，重点讨论了生成式人工智能、多模态大模型、AI智能体以及AI辅助科研等前沿方向。主讲人雷老师结合当前人工智能技术的发展情况，对AI技术的基本特点、应用模式以及未来发展方向进行了详细讲解，参会老师围绕大模型应用、科研效率提升、智能教学、多模态AI和智能体技术等内容展开了深入交流。通过本次研讨，大家进一步认识到人工智能正在从传统的辅助工具向综合性智能平台转变，AI与科研、教学及专业领域的深度融合将成为未来人工智能应用的重要方向。同时，参会人员也认识到，AI应用不能单纯追求工具使用，而应更加重视实际问题解决、专业知识融合、数据安全和结果可靠性。会议进一步明确了后续可以重点关注的研究方向，包括大模型专业化应用、AI智能体开发、多模态人工智能、AI辅助科研、智能教学以及人工智能应用安全与可信评价等，为后续开展相关科研工作和AI应用实践提供了思路和参考。
图为会议研讨现场
