生成式人工智能，是一类能够生成内容、解决方案或新概念的人工智能技术。ChatGPT是一种超大规模生成式对话预训练模型，是大数据、大算力时代的产物，被认为已实现了部分通用人工智能的能力，是弱人工智能向强人工智能迈出的重要一步。而要把人工智能用好就要在这三个方面发力，即高质量的人工标注数据+强化学习为底层逻辑，在经过万亿级别的语料投喂后不断进行学习和迭代，最后依托于以强大的算力为产品的学习和输入输出进行支撑。我相信未来3到5年，大数据、大算力、大模型一定能够得到大发展，各位博士后也一定大有作为。

提高单位功耗下的算力（即芯片能效）是人工智能芯片必须克服的挑战。我们的研究聚焦强化学习，设计同时支持训练与推理功能的芯片架构，提出跨频域动态自适应方案、多电压幅值调整、灵活精度简化计算三种实施方案。最终实现了一个强化学习处理器，它与现有DNN训练处理器相比，降低了功耗，提高了工作效率。

视觉目标跟踪在救援、监控、辅助驾驶等领域有着迫切的需求。我们针对视觉目标跟踪任务中带有标注的训练数据不足的问题，提出了一种新的主动学习方法来挑选训练样本用于跟踪器中深度卷积神经网络模型的训练；在保证跟踪性能的同时，降低了标注训练样本的成本。同时采用了Tversky损失函数来改进跟踪器的边界框估计策略，使提出的跟踪器可以获得更准确的目标状态。

如何准确掌握重庆地区的地物分布情况是重庆城市规划、建设、发展的关键。我们针对山地智慧城市建设，利用高光谱遥感技术进行监测，分析山地城市的土地利用、地物变化、异常信息，提出双视角光谱与全局空间特征融合网络，用于高精度的土地利用类型识别；提出多尺度差分变化特征融合网络，实现地物变化的准确判断；提出分层抗噪非相关低秩表示方法，有效探测了异常信息同时抑制了背景。

现有的两种流形数据聚类存在计算所有数据对象之间的测地线距离、对大规模的矩阵进行特征分解具有较高时间复杂度的问题。基于此，我们提出了局部核心点的概念，重新定义了局部核心点之间的距离，使其能够用于衡量流形数据对象的不相似度，结合密度峰聚类、最小生成树聚类、谱聚类、K-means聚类等进行研究，提出了一系列面向大规模流形数据的局部核心聚类算法，有效提高了大规模流形聚类的效率。

自智网络是移动通信产业数字化的重要推动力，已赋能千行百业，包括健康、安全、社交、医院等，改变了群众生活。我们的研究面向新产业、新生活，从网络管理的角度出发，在数据融合和知识发现的应用、数据自适应能力、全场景全流程通用能力、网络优化平台开发四个方面进行，最终实现网络管理自动化，为消费者提供“零等待”“零接触”“零故障”的客户体验。

我们的研究在于增量学习场景和基于色彩空间的后门攻击。针对现有工作缺乏增量学习后门攻击方案的问题，提出了一种针对增量学习的后门攻击，所提出的后门方案攻击成功率高且具有很强的隐蔽性，能够躲过现有的后门检测。基于色彩空间的后门攻击，提出了一个强鲁棒性的后门攻击，它采用了色彩空间的偏移作为后门触发器，实现攻击的有效性和隐蔽性。