本科阶段获得清华大学能源与动力工程系学士学位以及北京大学经济学学士学位（双学位），博士就读于北京大学，以优秀毕业生身份提前毕业并获得力学（能源与资源工程）博士学位，现在鹏城实验室攻读博士后。

本次活动由仙桃大数据学院轮值院长李潮主持，指令集智能科技有限公司CTO宋杨、中国船舶集团海装风电股份有限公司大数据专家张方红博士、重庆峘能电动车科技有限公司CTO黄晓微博士、长安汽车集团有限公司制造技术规划工程师李冬伟、陶诗波、贾宪水等企业嘉宾以及重庆各高校优秀学生共计60余人参与了本次活动。

活动伊始，轮值院长李潮作活动致辞，向各位企业嘉宾的到来表示热烈的欢迎。李院长说道：“从上一次神经网络兴起开始，人工智能在图像、在自然语言处理等方面有了很多应用，在安防、金融、消费等领域有了非常多的实践，创造了很高的价值，但在工业和产业领域却应用较少。未来，我们若想把人工智能应用于产业，很多专业问题还需深度研究并解决。而目前陈云天博士正在研究的就是，解决在小样本或者传统机器学习无法解决的情况下，把经验和机理方面的东西引入到人工智能领域，以实现人工智能在工业领域的更多应用。”

仙桃学院轮值院长李潮致辞

接着，陈云天博士从研究背景与意义、基于神经网络的序列数据预测问题、更适合工业场景的神经网络-ENN/EnLSTM、基于物理约束的机器学习模型、总结与展望五个方面进行了深度解析分享。陈博士说道：第一代人工智能高度依赖于人的经验知识形成的规则，没有自我学习的能力。第二代人工智能极度依赖于数据与算力，容易被攻击或误导，决策过程不清晰。而我现在做的就是第三代人工智能，希望用物理约束机器学习，从而提高第二代人工智能的鲁棒性，从而更好地应用于工业场景。

陈云天博士分享

首先，数据驱动模型或者连接主义AI，在处理序列数据时，是进行点对点的映射。但由于我们需要利用到数据的变化趋势以及上下文的信息，所以我们不能简单直接地用常规神经网络这种点到点的映射，而是需要用类似LSTM这一类的序列模型。第二，EnRML算法在工业领域应用较多，我们把它放到常规的全连接网或LSTM这一类的序列模型中之后，其实是在连接主义、数据驱动的范畴下，一定程度上提升模型在工业上的实用性，降低它的数据需求，提升它的鲁棒性，这对工业来说非常重要。物理约束机器学习，简单而言就是要解决“怎么把知识和数据融合到一起”的问题。对此我们做了一些简单的尝试，包括在数据预处理阶段、机器学习模型阶段、模型效果评估阶段引入一些领域知识。但都只是一些手段上的改变，整体上我们做的这些方法还是在向量空间里去做的。如何跳出向量空间，到语义特征的空间里去做这些事情，这是目前挺困难的一件事情，但这也是未来的研究方向之一。

陈云天博士分享

最后，李院长总结道：“仙桃学院现在正在打造双创研究院，我们正在做的人才培养、工业智能化、智能传感和智能决策大脑都是是为了能够支持数字经济建设和产业高质量发展，希望在这“百年未有的大变局”中找到更多和我们志同道合的合作伙伴，能够为企业、学校和社会贡献一份力量，创造价值！