2026年是“十五五”规划开局之年，“人工智能（885728）+”行动正从文件走进产线。10月17日，由北京市科协主办，北京自动化学会、北京人工智能（885728）学会、智能过程系统工程教育部工程研究中心承办，北京化工（850102）大学、北京工业大学支持的2026年首都前沿学术成果报告会(自动化及人工智能（885728）领域)在北京化工（850102）大学会议中心多功能厅举行。四位来自高校和科研院所的报告人，分别围绕网络主动防御、工业大模型、具身智能手物交互与污水处理（885412）智能优化带来最新成果，一起来看他们的观点——
网络攻击正在变得更“重”，也更“巧”。北京交通大学网络空间安全学院副教授、智能交通数据安全（885942）与隐私保护技术北京市重点实验室副主任张焘指出，当前网络攻击规模趋于泛化、大型化，频率趋于持续化、高频化，方式趋于隐蔽化、精细化，技术趋于复杂化、智能化，而传统静态防御在攻防博弈中始终处于劣势。
“在攻防博弈中，防御方一直在明处，攻击者在暗处。”张焘用一个时间账说明这种不对称：网络杀伤链(Cyber Kill Chain)分为侦察、武器化、投递、漏洞利用、安装、命令与控制、目标达成七个阶段，仅“侦察”一环通常就要占用三分之二以上的时间——攻击者有充足的余地去摸清IP地址、端口和网络拓扑，而防御方只能等着被找到。
他的解法是把“靶子”动起来。移动目标防御通过持续改变被保护对象的物理位置、网络标识和通信链路，让攻击者辛苦侦察到的信息随时过期。张焘给出的两条曲线很直观：静态防御的攻击难度随时间推移不升反降，因为系统暴露的信息只会越来越多，加固带来的往往只是边际改善；移动目标防御则相反，攻击难度随时间增加。
围绕“云-边-端”异构网络，张焘给出了三条路径。在云端，把IP地址跳变建模为马尔可夫决策过程，用深度强化学习引导地址块分配、主动避开高风险区域；为回应“地址一跳、业务会不会断”的顾虑，设计了基于滑动窗口的无缝跳变机制，保证已建立的连接存活。仿真与实测显示，网络扫描命中率显著下降，对视频传输等业务影响轻微，团队还搭建原型系统完成了攻防对抗测试。在边缘侧，针对“间谍车辆”(即被攻击者操控、负责侦察并引导攻击的恶意车辆)引导的高隐蔽DDoS攻击，用强化学习动态调整路侧单元(RSU)的配置，缩小受攻击单元范围、扩大正常单元容量，并借助引入时间衰减因子的恶意评分公式，以较低误判率识别并封禁间谍车辆。在端侧，针对车辆自组网中的黑洞攻击(攻击节点吞包而不转发)，把数据转发建模为马尔可夫决策过程，通过比较节点运动向量与地理向量的相似度选择安全中继、绕开攻击区域。实验表明，该方法的效果不受攻击者丢包率影响，在不同网络规模下，其平均到达率均优于对比方法。
如果说网络安全（885459）面对的是“对手在暗处”，工业场景面对的则是“约束在明处”。北京航空航天大学助理研究员王海腾在《工业大模型+智能体+数字族谱：驱动未来工业世界》的报告中，把工业大模型的挑战讲得很具体：多模态数据高度异质、质量参差；对准确性要求极高，几乎不容许“幻觉”；任务泛化困难，一条产线的经验很难平移到另一条产线；全生命周期（883436）流程复杂；现场控制约束严格。这也解释了为什么通用大模型常常“会说”却“算不准”。
王海腾的答案是回到基座做原始创新：从高质量数据的采集与预处理，到基座模型的自监督预训练、多模态语义对齐，再到垂直化适配，形成一套工业大模型创新体系；并用模糊神经网络构建决策智能体，先评估任务复杂度，再自适应调用大模型或小模型，在决策精度与算力成本之间取平衡。
两项关键技术值得注意。一是工业机理内嵌技术，让大模型在学习大数据统计关联的同时掌握工业世界物理规律，避免产生违背工程常识和物理约束的错误判断，使预测结果更加准确、可靠。二是VLT多模态视觉语言时序架构，把时序数据转化为频谱图，借助视觉语言模型提取语义，再把语言向量对齐回时序模型，从而提升少样本条件下的泛化能力。为了让“好不好用”可衡量，团队构建了覆盖7个工业领域、43000道题目的测评基准，结果并不轻松——通用大模型在工业综合推理与工程应用上仍存在较大不足。
在王海腾看来，工业智能体的演化路径已经清晰：从规则驱动、被动响应，走向大模型驱动、主动规划、自适应演化与多智能体协同。机翼自动化设计的案例颇具代表性——把气动专家经验与机理嵌入模型，通过多轮仿真迭代，再外挂知识图谱增强，让设计过程既自动、又可解释。针对工业数据稀缺的问题，团队提出“数字族谱”概念，用多模态渲染与场景智能生成，为具身智能训练“造”出高质量数据集：数据不够，就让数据被“设计”出来。
机器人要真正干活，绕不开一双手。中国科学院软件研究所助理研究员曲文天把镜头对准了手物交互领域：手部动作快、遮挡重、形变大，是三维视觉里公认的硬骨头。
他首先梳理了三维重建的范式变迁：从经典几何、多视图几何、深度学习驱动，到神经辐射场(NeRF)与3D高斯泼溅。前者实现了无需三维真值监督的高质量渲染，后者则以更高的实时性，成为高效的数据生成器。
针对手物交互中的遮挡问题，曲文天团队构建姿态驱动的人手与物体模型，为遮挡条件下的形状与姿态估计提供有效先验；在此基础上，团队进一步探索基于3D高斯泼溅的数据增强方法，在手物网格模型上构建3D高斯模型，并结合姿态优化与超分辨率模块批量生成合成数据用于模型训练，基线模型在手物交互重建与接触区域预测任务的精度随之提升。在物体姿态估计上，团队利用大规模预训练模型的通用特征建立二维对应关系，结合迭代优化与三维特征引导，使未知类别物体的姿态也能被准确估计。
在他看来，这一方向的下一个目标是“向交互真实演进”：进一步解耦材质与光照，构建可重光照的真实感模型，并探索面向具身交互的物理属性重建方法，从而以更低的成本、更高的效率构建世界模型。
同样的逻辑，也出现在一座污水处理（885412）厂里。北京工业大学信息科学技术学院博士生徐子昂带来的是典型的“老行业、新问题”：处理水量越来越大，环保要求越来越高，而污水处理（885412）依赖活性污泥法完成多阶段降解，水量分配、鼓风曝气、污泥回流、碳源投加等环节彼此耦合。
难点在于变量的“混”。水量调节既涉及离散的泵站启停，又涉及连续的反应时间，优化空间极易陷入组合爆炸。徐子昂给出的思路是先“分而治之”再“分层协同”：用基于采样过程的粒子群算法做水量离散混合调度，通过编解码建立离散与连续的映射，用掩码提取与斥力约束处理复杂边界条件；针对曝气与水量上下层任务的冲突，按任务关联性聚类，划分核心、边缘与独立任务，实现分层协同调度；加药环节则做鲁棒性优化，把外部时序干扰与内部周期（883436）性干扰分离，分别放入大尺度对齐框架与基于分布建模的内部干扰学习，为出水水质达标留出余量。
更前沿的一步，是让算法“理解时间”。污水处理（885412）反应慢、决策存在延迟效应，团队用强化学习对齐跨时期数据，预判延迟可能带来的决策偏差。徐子昂认为，未来的方向是大语言模型与预测性控制的结合——从“结构化优化”走向“模块化搭建”，由模型自动生成更适配现场的新型决策方法。
