报告题目1：基于Web3的去中心化边缘人工智能计算与计算验证

报告人：江山（中山大学）

报告时间：2025年11月2日下午2:30—4:00

报告地点：西区图书馆一楼报告厅

报告1摘要：

在人工智能技术，特别是大型人工智能模型（Large AI Models）高速迭代的当下，行业对高性能计算能力及完善的人工智能基础设施的需求正持续攀升，这已成为制约大模型规模化落地与创新突破的关键瓶颈。本次演讲江山博士将聚焦其团队在两大核心领域的最新研究成果——去中心化计算与人工智能基础设施建设。这些成果旨在从底层架构革新大模型的开发模式、部署路径与应用场景，为解决当前大模型发展中的计算资源瓶颈问题提供全新思路。其中，团队近期围绕Web3核心原则开展的研究颇具突破性：通过Web3技术的去中心化特性，团队成功实现了协作式边缘人工智能（Collaborative Edge AI, CEAI）的公开化访问与参与。具体而言，该Web3平台构建了一个连接三方主体的生态系统：用户、模型开发者及大型人工智能模型的设备供应商。借助这一生态，大模型运行所需的计算资源得以通过去中心化方式调配，不仅能够显著提升资源利用效率、增强系统可扩展性，还能有效降低大模型开发与应用的成本，形成兼具经济性与实用性的人工智能解决方案。

报告题目2：以“计算验证”为主题的交流研讨

报告人：江山（中山大学）

报告时间：2025年11月2日下午4:00—5:30

报告地点：西区图书馆一楼报告厅

报告2摘要：

通过联邦学习框架可实现不共享原始数据的协同模型训练，在边缘设备本地完成AI推理，既解决了中心化AI的隐私泄漏风险，又提升了实时性与带宽效率，这也是Edge AI能以33.3%年复合增长率扩张的关键原因。但计算验证仍是核心挑战：一方面，去中心化节点的异构性和信任缺失可能导致计算结果不可靠，现有方案如冗余计算虽能通过多节点共识保障可信性，却因高端GPU资源短缺加剧了成本压力；另一方面，如何在零信任环境下实现计算过程的全生命周期可信管控，还需依托区块链的拜占庭容错能力与数链融合技术，让算力贡献、数据流转与结果验证全程可追溯。本次交流研讨的内容以上述核心挑战为中心展开，围绕“如何平衡验证安全性与算力成本”“零信任环境下的全流程可信技术路径”两大议题，结合具体项目实践案例，将深入探讨异构节点协同验证方案、轻量化共识算法优化、区块链与AI模型层的深度耦合等关键方向，旨在为去中心化边缘AI计算的落地应用提供可操作的技术思路与协作框架。

个人简介：

江山，现任中山大学软件工程学院副教授，博士生导师，中山大学“逸仙学者计划”新锐学者，入选广东省重大人才工程。2015年获中山大学计算机科学与技术理学学士学位；2021年获香港理工大学计算机科学哲学博士学位；2018年至2019年访问帝国理工学院；2021年至2025年曾任香港理工大学电子计算学系研究助理教授。近5年发表国际期刊会议论文40余篇，获IEEE Transactions on Cloud Computing 2024最佳论文奖、BlockSys 2021最佳论文奖。主要研究方向为分布式系统、区块链、Web3、边缘智能。