2026年中法人工智能暑期学校（第二期）

围绕人工智能学习所需的数学基础与深度学习基本思想展开。课程聚焦机器学习中的数学基础——机器学习模型的构建、训练和分析离不开微积分、线性代数、概率统计与优化方法等核心工具。

通过本模块，学员将完成从数学基础到深度学习基本框架的过渡，为后续课程中更具体的机器学习前沿应用、AI for Science、智能体系统、可解释性 AI 和项目实践奠定统一的理论基础。

重点介绍机器学习的前沿应用以及人工智能在数学研究中的新兴作用。课程将帮助学员理解机器学习不仅可以用于传统的分类、回归和预测任务，也可以在复杂建模、科学计算、数学发现和问题求解中发挥重要作用。

通过本模块，学员将逐步理解 AI 不仅是一类工程技术，也正在成为数学与科学研究中的重要辅助工具。

AI for Science 是本次暑期学校的核心跨学科模块。该模块聚焦人工智能如何参与科学研究过程，帮助科学家处理复杂数据、发现潜在规律、加速模拟计算、优化实验设计，并推动科学发现范式的转变。课程将重点介绍 AI 在自动化科研 Agent、AI 量子计算和脑科学、材料以及医疗中的应用：

• AI for 材料科学（徐振礼）
• AI 赋能量子计算（张镭）
• AI for 脑科学（周栋焯）
• AI 医疗（张小群）
• AI 自动化科研（周冰心）

本模块将帮助学员理解 AI 正在从“辅助分析工具”逐步发展为“科研协作伙伴”：它不仅可以处理数据，也可以生成科学假设、设计实验、调用工具、检索文献、运行代码，并在一定程度上参与科学发现过程。

本模块是暑期学校中面向可信人工智能的重要专题。课程将首先介绍 AI 中的不确定性问题，帮助学员理解模型预测往往伴随着数据噪声、知识不足、分布偏移和模型不确定性。随后课程将介绍可解释性人工智能的基础理论与方法，使学员理解为什么深度学习和大模型虽然具有强大的表达能力，但其内部决策机制往往难以直接理解。课程将围绕特征归因、概念解释、模型可视化、局部解释和全局解释等核心问题展开。最后，课程将进一步讨论 XAI 在深度学习中的应用，尤其是如何解释复杂神经网络模型的预测行为，如何评估解释结果的可靠性，以及如何将可解释性方法用于模型诊断、风险控制和实际应用。

本模块将帮助学员形成对可信 AI 的整体认识：AI 系统不仅要“能用”，还要“可信、透明、可控、可解释”。

本课程将分析人工智能在技术安全、权益保护、社会伦理等方面的影响，探讨如何构建可持续和负责任的 AI 技术生态。

本模块将帮助学员形成对人工智能伦理风险的系统性辨识能力，掌握多利益相关方协同治理的分析框架，并树立兼顾创新激励与风险防范的负责任价值观，从而为参与 AI 政策制定、产品合规设计或社会影响评估奠定坚实的思维基础。

由来自法国 AI 企业和美国硅谷 AI 企业的行业导师带来 AI 创业专题分享，帮助学员了解 AI 创新创业的真实路径、产业生态与商业化实践，拓展产业视野。

暑期学校期间，学员将在导师指导下开展项目实践。项目实践将以团队合作形式进行，通常每组 4–5 人，围绕人工智能、机器学习、AI for Science、可解释性 AI 或创新应用等真实问题展开。

学员需要综合运用课程中学习到的知识和能力，完成问题分析、方案设计、模型实现（Python/Matlab/Vibe Coding 等）、结果展示和总结汇报。项目实践的最终成果将在 Demo Day 中进行展示，并接受专家评审与反馈。

该环节旨在帮助学员将课堂知识转化为实际能力，培养跨学科合作、问题建模、技术实现和科研表达能力。