为进一步拓宽师生学术视野，促进人工智能与智能制造、智慧能源等领域的交叉融合，7月9日，自动化工程学院邀请加拿大西安大略大学机械与材料工程系夏敏教授作题为“可信人工智能赋能智能制造与智慧能源系统”的学术报告。报告会在科技楼510会议室举行，由王瀛洲副教授主持，自动化工程学院、电气工程学院、能源与动力工程学院相关专业教师、研究生参加了本次报告会。
夏敏教授现任加拿大西安大略大学机械与材料工程系教授、机器智能实验室（MIN Lab）主任，主要研究方向包括智能机器状态监测、先进制造过程监测与优化、工业数据挖掘以及智慧清洁能源系统。作为项目负责人或共同负责人，他先后主持由“欧洲地平线”、英国创新署、加拿大自然科学与工程研究理事会（NSERC）、Mitacs等机构资助的20项科研项目，累计经费超过2100万美元，并在同行评审期刊和国际学术会议上发表论文100余篇。夏敏教授现任《Journal of Mechatronic Systems and Control》主编，同时担任《IEEE Transactions on Industrial Informatics》《IEEE Transactions on Systems, Man, and Cybernetics: Systems》《IEEE Transactions on Instrumentation and Measurement》《Journal of Intelligent Manufacturing》以及《IET Collaborative Intelligent Manufacturing》等期刊副主编。
报告中，夏敏教授首先介绍了机器学习特别是深度学习在智能制造和智慧能源系统中的应用现状。他指出，凭借在分类、回归以及内容生成等任务中的突出能力，深度学习已被广泛应用于工业系统状态监测、生产过程优化和智能决策等领域。近年来，以大语言模型为代表的生成式人工智能进一步拓展了数据驱动方法的应用边界，为复杂工程系统的智能化发展提供了新的技术路径。
针对深度学习模型存在的“黑箱”问题，夏敏教授分析了人工智能技术在实际工业应用中面临的可靠性、可解释性和可信度挑战。他强调，工业场景对模型决策的安全性和稳定性具有较高要求，仅追求预测精度难以满足工程应用需要，如何构建可靠、可验证且值得信任的人工智能方法，已成为当前学术界和工业界共同关注的重要课题。
随后，夏敏教授围绕可信人工智能方法，重点讲解了可解释模型学习、不确定性估计和物理信息学习等研究内容。可解释模型学习能够揭示模型预测结果与关键输入特征之间的关系，增强模型决策过程的透明度；不确定性估计可以对预测结果的可信程度进行量化，为风险判断和安全决策提供依据；物理信息学习则通过将机理模型、物理规律与数据驱动方法相结合，提高人工智能模型在复杂工况和有限数据条件下的泛化能力与工程可靠性。
结合智能制造过程监测、机器运行状态评估和智慧清洁能源系统等实际案例，夏敏教授进一步展示了科学机器学习方法在故障诊断、性能预测、运行优化及辅助决策等方面的应用效果，并对可信人工智能在先进制造、能源系统和智能工程领域的发展趋势及未来应用场景进行了展望。
在交流环节，与会师生围绕物理机理与数据模型的融合方式、模型不确定性的量化方法、人工智能模型的工业部署以及可信人工智能的发展方向等问题与夏敏教授进行了深入交流。夏敏教授结合自身科研经历和具体工程案例，对相关问题进行了细致解答，现场学术氛围热烈。
本次学术报告内容丰富、前沿性强，加深了学院师生对可信人工智能及科学机器学习方法的认识，为相关研究工作的开展提供了新的思路。自动化工程学院将持续加强与国内外专家学者的学术交流，积极推动人工智能、自动化、智能制造与智慧能源等学科方向的交叉融合，不断提升学院人才培养和科学研究水平。
来源：自动化学院 王越
