CNCC 2026｜时间序列基础模型和动态世界建模Tutorial在成都举办

在人工智能基础研究与行业应用加速融合的背景下，如何理解和建模物理世界的动态演变，成为人工智能领域的重要研究课题。时间序列是描述物理世界动态演变的一种重要“语言”，广泛应用于工业、能源、城市和金融等场景中，记录着复杂物理世界随时间变化的状态与规律。通过对大规模、多类型时间序列数据进行建模，时间序列基础模型能够学习物理世界的演化模式，为物理世界的状态感知、趋势预测、系统理解与智能决策提供重要支撑。

在CNCC 2025成功举办“时间序列基础模型及其基准评测”Tutorial的基础之上，在本次CNCC 2026大会上，由华东师范大学决策智能实验室杨彬教授牵头，邀请北京航空航天大学周号益教授、清华大学裴丹教授和华东师范大学赵锴教授共同组织“时间序列基础模型和动态世界建模”Tutorial，进一步探索时序基础模型如何更好地建模物理世界的动态演变。本次Tutorial以动态世界建模为目标，以AGREE原则为框架，围绕时序基础模型的自动化（Automation）、通用性（Generalization）、鲁棒性（Robustness）、可解释性（Explainability）与高效性（Efficiency），系统介绍相关领域的前沿进展。

四位Tutorial讲者老师合影

本次Tutorial围绕时序基础模型与动态世界建模的关键问题展开深入探讨。杨彬教授从动态世界建模的视角出发，介绍时间序列基础模型的定义、技术演进与核心挑战，阐释 AGREE 原则的整体框架以及自动化和通用性；赵锴教授聚焦鲁棒性、可解释性与高效性，介绍面向多模态和非规则数据的建模方法、融合领域知识的可解释模型，以及面向边端部署的模型轻量化技术；周号益教授围绕生成模式驱动的跨域时序建模，探讨生成式建模统一异质时序数据表征、提升模型跨域泛化能力的技术路径；裴丹教授则聚焦面向动态世界的时序推理，介绍相关挑战与建模方法，以及“表征—证据—推理—决策”的时序推理闭环，并探讨时序推理在人工智能“感知—认知—决策—规划—行动”闭环中的关键作用。

Tutorial现场全景照

本次Tutorial从时序基础模型的构建出发，进一步延伸至复杂场景下的鲁棒建模、生成式跨域建模与时序推理，展现了时序智能从数据建模走向动态世界建模和理解的研究方向。相关研究不仅关注模型对历史数据的学习与未来趋势的预测，也进一步探索如何理解复杂世界的演化规律，提升模型在不同场景中的适应能力与推理能力。

展望未来，随着时序基础模型与生成式人工智能的持续发展，动态世界建模有望为物理世界和复杂系统的感知、理解与决策提供更加有力的技术支撑。相关研究将继续推动时序基础模型的通用化、可靠化与推理能力建设，探索时序智能在工业、能源、金融、智慧城市、防灾减灾等领域的应用新范式。

Tutorial圆满结束、合影留念