2026年10月23日下午，由CCF主办的CNCC2026“非平稳环境下的自适应机器学习”专题论坛（第二届）在成都中国西部国际博览城4号馆416会议室成功举行。本次论坛以“大模型给非平稳环境下的自适应机器学习带来的挑战”为主题，汇聚了来自国防科技大学、电子科技大学、合肥工业大学、中国科学院香港创新研究院、南京大学等高校和科研机构的知名学者，共同探讨非平稳环境下自适应机器学习的最新进展与未来方向。
论坛发起人、五邑大学文益民教授在开幕致辞中指出，在应用为王的人工智能智能时代，人工智能模型必须适应非平稳环境。大模型的出现给自适应机器学习带来了新的思路，但是又带来新的挑战！如何让人工智能模型在非平稳环境中保持可信、可控、可持续的自适应，已成为推动人工智能真正落地应用的关键所在。
在专题报告环节，国防科技大学侯臣平教授作了题为“大模型架构泛化与幻觉抑制理论”的报告。他指出，大模型的泛化能力与幻觉风险同源于模型对关联关系的学习和利用——泛化是正确关联的迁移，幻觉则是错误关联的放大。报告从基础功能单元、架构组件单元及其级联方式三个层面，分析了不同结构设计对大模型泛化能力与推理稳定性的影响，并据此提出即插即用的时空双维校正方法，无需额外训练数据即可有效抑制幻觉。
电子科技大学李晶晶教授带来了题为“大模型高效微调统一视角：理论分析与算法设计”的报告。他指出，随着大语言模型参数规模的指数级增长，全量微调面临巨大的计算与存储开销，而LoRA、Adapter、Prefix-tuning等参数高效微调方法往往被视为相互独立的启发式策略，缺乏统一的理论解释。报告提出了一种大模型高效微调的统一视角，将参数更新表达为统一的三元矩阵分解形式并涵盖现有主流方法，引入频域分解与正交矩阵学习实现参数的自适应优化。实验表明，该方法在数学推理、图像分类等任务上，参数量仅为LoRA的6%时即可达到相近甚至更优的效果。
合肥工业大学李培培教授围绕“面向概念漂移的鲁棒数据流分类：研究进展与大模型时代的开放问题”展开报告。她指出，概念漂移是非平稳环境下自适应机器学习面临的核心挑战，广泛存在于金融风控、网络安全、推荐系统等现实场景。报告系统梳理了数据流分类的基本范式与概念漂移的经典检测与适应框架，围绕多标签数据流和短文本流两类典型场景，分析了高维特征、标签相关性与语义稀疏性与概念漂移的相互影响，并介绍了团队在含噪单标签与多标签数据流分类方向的系列成果，相关技术已应用于社会治理系统。报告还探讨了大模型时代的高效在线适配与持续学习、大模型与传统在线学习的优势互补、大模型辅助的漂移检测与可解释性等开放问题。
中国科学院香港创新研究院朱飞副研究员介绍了持续自主进化的智能体系统CLAgent。该系统采用通用执行机制与领域逻辑解耦的架构，支持专业智能体的快速构建与部署；从系统、记忆和应用三个层次组织持续进化，并基于执行记录和用户反馈构建自我反思机制，将交互中获得的知识、经验与工作方法凝练为可复用能力。团队构建了包含81个任务、8大类场景的持续进化测试集，实验显示系统的任务表现较传统方案提升近10个百分点。
南京大学张绍群副教授作了题为“面向大模型推理和交互的不确定性分析”的报告。他指出，大模型在开放动态环境交互中的可信性屡受考验，“相同提示词的多次推理结果不同”“自信地产生错误回答”等现象尤为突出。报告从不确定性归因、估计、优化和决策四个方面展开系统拆解，构建了推理不确定性的归因体系，探讨了不确定性的Scaling Law问题，提出了基于有向图建模思维链的不确定性估计方法，并据此形成“推理—不确定性估计—自适应决策”的闭环路径。在21种推理任务上的实验表明，该方法相较传统方法提升3.3%至45%，可适配大语言模型、时间序列基础模型及Agent等多种模型形态。
在随后进行的研讨环节，论坛发起人文益民与侯臣平、李培培、朱飞、张绍群四位专家围绕大模型给自适应机器学习带来的挑战展开交流。侯臣平辨析了“幻觉”概念的狭义与广义之别——作为大模型缺陷的狭义幻觉应当被抑制，而广义上大模型产生的“对事物的不同认识”恰恰可能成为创新的来源。李培培认为，数据流学习在大模型时代并未过时，关键在于找到大模型与传统在线学习的互补结合点。朱飞强调，智能体自主进化的核心不在工程量，而在于系统设计与进化机制的设计。张绍群指出，不确定性与准确率之间是相关性而非决定性关系，低不确定性未必意味着正确，因此基于不确定性估计的拒绝策略应随环境与需求自适应调整。
在观众互动环节，来自国防科技大学、电子科技大学、上海大学、桂林电子科技大学、五邑大学等高校的师生以及企业界代表踊跃提问，话题涵盖Agent时代的持续学习切入点、智慧医疗中不确定性与正确性的关系、工业场景下基准与评测方法的设计、表格基础模型的上下文设计与检索、AI for Science与幻觉的关系等。
本次论坛系统梳理了大模型时代非平稳环境下自适应机器学习的研究现状与关键挑战，为学者、工程师与产业界人士提供了宝贵的交流平台。随着大模型技术不断深入现实应用场景，如何让模型在持续变化的环境中保持可信、可靠与持续进化，必将成为推动“AI落地”向“AI融入”演进的核心驱动力。
