从事人工智能、认知科学、AI for Brain Science、脑机智能领域的研究，在（基于fMRI、MEG、EEG数据的）神经编解码、多模态神经计算、视觉-语言-大脑联合建模、大模型评估与解释等方面发表了50多篇高水平论文，如 Nature Machine Intelligence、IEEE TPAMI、ICLR、ICML等。主持国家自然科学基金、北京市-小米联合基金、中科院特别研究助理资助项目、中国人工智能学会—华为 MindSpore 学术奖励基金，科技创新2030—“新一代人工智能”重大项目子课题等项目。作为研发骨干参与科技创新2030—“脑科学与类脑研究”重大项目，国自然重点项目，科技部国家重点研发项目等。长期担任 Nat. Hum. Beh., TPAMI, NeurIPS, ICLR, CVPR等期刊/会议的审稿人/程序委员，是中国自动化学会模式识别与机器智能专委会委员。多次受邀在国际顶级人脑图谱大会 (OHBM)、国际顶级多媒体大(ACMMM)、国际顶级人工智能大会（AAAI）做学术报告。曾获得小米青年学者、中科院院长奖、北京市优秀毕业生、2021年AI华人新星百强、IEEE ICME 2019 最佳论文奖（亚军）、研究成果被《MIT Technology Review》等科技媒体头条报道。更多信息见：https://changdedu.github.io/

研究概述

我的研究致力于探索智能的本质，聚焦于生物智能与人工智能的交叉前沿，通过神经科学、认知科学与人工智能的深度融合，揭示大脑信息处理的基本原理，并以此推动新一代人工智能的发展。研究主要围绕三个相互关联的方向展开：理解脑、启发AI、融合智能。

• 首先，在“理解脑”方面，利用多模态神经数据（如fMRI、EEG、MEG等）与计算建模相结合的方法，系统研究大脑在自然任务中如何编码感知输入、整合先验知识、进行复杂推理并生成行为反应。特别关注感知、认知、情绪与行为之间的动态交互机制，致力于构建可解释的神经编码大模型，揭示大脑中表征学习与信息转换的普遍规律。
• 其次，在“启发AI”方面，探索大脑的稀疏性、可塑性、模块化等计算特性，发展受脑启发的新型人工智能框架。通过将神经科学发现反向融入深度网络设计，提升AI模型的表征能力、泛化性能与学习效率。同时，我关注深度神经网络/大模型的机制可解释性，推动深度学习从经验性工程向可理解的科学范式转变。
• 第三，在“融合智能”层面，致力于脑机接口与脑机融合智能的前沿探索，开发高效算法解码大脑活动，实现从神经信号到视觉图像、语音语言与行为动作的跨模态重建；并构建脑机协同的混合智能系统，充分发挥生物智能的灵活性与机器智能的精确性优势。

总体而言，我的研究强调双向启发：一方面以人工智能为工具解析大脑，加速神经科学的发现进程；另一方面以大脑为蓝本优化AI，突破当前模型在表征深度与适应性上的瓶颈。目标是建立一个理解智能、模拟智能并最终拓展智能的统一研究范式。

   

081104-模式识别与智能系统

人工智能，认知科学，NeuroAI，AI for Brain Science，脑机融合智能

2016-09--2019-06   中国科学院自动化研究所   博士
2013-09--2016-06   中国科学院国家天文台   硕士

博士

博士

   

2023-07~现在, 中国科学院自动化研究所, 副研究员
2021-07~2023-07,中国科学院自动化研究所, 助理研究员
2019-07~2021-07,华为技术有限公司, 主任工程师

2023-08-31-今,自动化研究所博士生授课教师,
2021-10-30-今,中国自动化学会模式识别与机器智能专委会,