網(wǎng)上營(yíng)業(yè)廳
掌上營(yíng)業(yè)廳
近日，由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）推薦的A類學(xué)術(shù)會(huì)議、人工智能領(lǐng)域頂級(jí)國(guó)際會(huì)議之一“NeurIPS 2025”（神經(jīng)信息處理系統(tǒng)大會(huì)）公布論文錄用結(jié)果。中國(guó)電信人工智能研究院（TeleAI）共有7項(xiàng)成果被收錄，重點(diǎn)聚焦正激勵(lì)噪聲（Pi/π-Noise, Positive-incentive Noise）、具身智能，以及大模型推理加速、圖像生成、多模態(tài)理解，進(jìn)一步推動(dòng)人工智能技術(shù)創(chuàng)新并邁向產(chǎn)業(yè)落地應(yīng)用。
作為機(jī)器學(xué)習(xí)和計(jì)算神經(jīng)科學(xué)領(lǐng)域歷史最悠久、聲望最高的頂級(jí)國(guó)際會(huì)議之一，NeurIPS 涵蓋從深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、計(jì)算機(jī)視覺、自然語言處理，到理論基礎(chǔ)、算法優(yōu)化、倫理公平性等廣泛議題，是觀察 AI領(lǐng)域最新研究進(jìn)展和未來趨勢(shì)的重要窗口。今年會(huì)議共收到 21575篇有效論文投稿，接收率為24.52%，五年來最低，競(jìng)爭(zhēng)激烈。
在正激勵(lì)噪聲（Pi/π-Noise, Positive-incentive Noise）研究方向，TeleAI 提出 MIN（Mixture of Noise，噪聲混合）方法，通過引入有益噪聲和噪聲混合，解決基于預(yù)訓(xùn)練模型（PTM）的類別增量學(xué)習(xí)（CIL）中的參數(shù)漂移（有害噪聲）問題，讓模型能夠持續(xù)學(xué)習(xí)新類別知識(shí)，但不遺忘舊類別知識(shí)，保持預(yù)訓(xùn)練模型的泛化能力。
為了讓人形機(jī)器人能夠像人類一樣保持對(duì)身體的控制穩(wěn)定性，并學(xué)習(xí)多種多樣的高動(dòng)態(tài)人類技能，TeleAI推出具身不確定性規(guī)劃框架 CURE、高動(dòng)態(tài)全身運(yùn)動(dòng)框架 KungfuBot、上下肢對(duì)抗訓(xùn)練與協(xié)同框架 ALMI 三項(xiàng)創(chuàng)新成果。這些成果將提升機(jī)器人的穩(wěn)定性和協(xié)調(diào)性，讓它們具備更靈活的運(yùn)動(dòng)能力及應(yīng)對(duì)復(fù)雜高動(dòng)態(tài)行為的模仿能力。
在進(jìn)一步推動(dòng)大模型落地的“最后一公里”方面，TeleAI 提出 CAS-Spec 算法和 NFIG 算法，分別針對(duì)文本生成和圖像生成，實(shí)現(xiàn)大模型的推理效率提升及成本節(jié)約。為打通數(shù)字智能與物理智能的連接，TeleAI 還推出面板理解與操作基準(zhǔn) PUO-Bench，并創(chuàng)新設(shè)計(jì)隱私保護(hù)框架 PPF，為物理設(shè)備的智能交互提供全面解決方案。
NeurIPS 與 ICML（國(guó)際機(jī)器學(xué)習(xí)大會(huì)）、ICLR（國(guó)際表征學(xué)習(xí)大會(huì)）并稱為機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)難度最大、水平最高的三大會(huì)議。作為央企新型研發(fā)機(jī)構(gòu)，TeleAI 始終活躍在科學(xué)研究的最前線，在包括 NeurIPS、ICML、ICLR，及 ACM、ACL、AAAI 等人工智能領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)議屢創(chuàng)佳績(jī)。
TeleAI 構(gòu)建了以AI治理、智傳網(wǎng)（AI Flow）、智能光電（包括具身智能）、智能體為核心的“一治+三智”戰(zhàn)略科研布局。結(jié)合智傳網(wǎng)（AI Flow），大模型、具身智能等前沿技術(shù)創(chuàng)新將得到加速發(fā)展。同時(shí)，本次入選 NeurIPS 2025 的研究成果，也將為TeleAI在智傳網(wǎng)（AI Flow）的研發(fā)提供基礎(chǔ)支撐，助力人工智能從理論前沿走向產(chǎn)業(yè)應(yīng)用。
NeurIPS 2025 入選論文：
K. Jiang et al., "MiN: Mixture of Noise for Pre-Trained Model-Based Class-Incremental Learning", NeurIPS 2025.
S. Yin et al., "Towards Reliable LLM-based Robots Planning via Combined Uncertainty Estimation", NeurIPS 2025.
W. Xie et al., "KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills", NeurIPS 2025, arXiv:2506.12851.
J. Shi et al., "Adversarial Locomotion and Motion Imitation for Humanoid Policy Learning", NeurIPS 2025, arXiv:2504.14305.
Z. Ning et al., "CAS-Spec: Cascade Adaptive Self-Speculative Decoding for On-the-Fly Lossless Inference Acceleration of LLMs", NeurIPS 2025.
Z. Huang et al., "NFIG: Multi-Scale Autoregressive Image Generation via Frequency Ordering", NeurIPS 2025.
W. Lin et al., "PUO-Bench: A Panel Understanding and Operation Benchmark with A Privacy-Preserving Framework", NeurIPS 2025.
