第一届人工智能生成内容国际会议

（一）：基础模型和微调策略

基础模型（例如，BERT、DALL-e、GPT、稳定扩散、视频预训练等）在大规模数据上训练，可以适应广泛的下游任务。尽管基础模型是基于传统的机器学习模型和算法的，但它们的大规模导致了在各种下游应用上的广泛能力。在实践中，微调预先训练的基础模型是一种经济实惠的方式，可以通过使用一组小型个性化数据定制模型来利用其广泛的功能。

可能涉及的内容，例如： 根据具体需求定制基础模型，适应特定领域的语言，如行业术语、技术术语或其他专业词汇，应用程序中准确、相对和上下文感知的响应，更真实、毒性更小、更符合具体要求的回应，强化学习的基础模型，科学基础模型。

专题讨论会主席

（二）：不完善数据下的可信基础模型

基础模型（如GPT、CLIP和Stable Diffusion）已经显示出比以前的学习范式更显著的零点性能，为人工通用智能（AGI）铺设了新的途径。尽管它们的性能令人印象深刻，但目前的基础模型在开放世界中仍远非完美，在训练和部署期间很容易受到不完善数据的阻碍。这些不完善的数据可能会对现实世界造成威胁，这也促使本次研讨会朝着强大而可靠的基础模型方向发展。

可能涉及的内容，例如： 噪声数据，偏见数据，分布范围外的数据。

专题讨论会主席

（三）：现实世界中的强化学习

强化学习属于机器学习的一种技术，在该技术中，代理学习作为一种策略，通过试错将决策生成环境中的行动方式。强化学习在模拟环境中取得了巨大的成功，例如在游戏视频、MuJoCo基准测试和围棋游戏中，这些环境定义明确且训练样本充足。人们在现实世界中应用强化学习表现出越来越强烈的兴趣。最近在机器人、医疗保健、金融、自动驾驶和能源管理等各个领域中取得了巨大的成功。但是，将强化学习部署到实际应用程序中仍然是一个开放性的挑战。