Activities
導讀：2025年5月25日，2025國家新質(zhì)生產(chǎn)力與智能產(chǎn)業(yè)發(fā)展會議暨2024年度中國自動化學會科學技術(shù)獎勵頒獎儀式在北京隆重召開。本次大會以“向新而行·以質(zhì)致遠”為主題，聚焦國家戰(zhàn)略需求，緊扣科技前沿，立足發(fā)展實踐，匯聚產(chǎn)學研用多方力量，打造了一場融合學術(shù)研討、產(chǎn)業(yè)前瞻與成果表彰的科技盛會。本次大會邀請歐洲科學院院士、中國自動化學會副理事長、華南理工大學教授陳俊龍作題為“大小模型協(xié)同創(chuàng)新技術(shù)與應用”的報告。報告結(jié)合當前的大模型與小模型的研究現(xiàn)狀，分析了未來人工智能的大小模型混合發(fā)展對于未來產(chǎn)業(yè)發(fā)展的趨勢。
人工智能自1956年作為一門獨立學科提出以來，已在模型構(gòu)建與實際應用方面取得了顯著進展。其中，傳統(tǒng)人工智能應用多基于決策型模型，強調(diào)通過對決策條件與干預變量分布的建模來實現(xiàn)有效的推理與控制。
一、AI技術(shù)的跨越式發(fā)展
近年來，生成式人工智能的發(fā)展尤為引人注目。特別是2014年提出的生成對抗網(wǎng)絡（Generative Adversarial Networks, GANs）和2017年Transformer架構(gòu)的引入，被廣泛認為是該領域的兩項里程碑式突破。GANs顯著提升了圖像等數(shù)據(jù)的生成能力，而Transformer則成為大規(guī)模語言建模與自然語言處理任務的核心基礎，推動了以ChatGPT為代表的大語言模型（Large Language Models, LLMs）的快速發(fā)展。
在過去六至七年中，生成式模型不斷演進，已從早期的圖像、音頻、視頻生成拓展至多模態(tài)融合與語言生成，并逐步實現(xiàn)跨模態(tài)的理解與創(chuàng)作能力。當前，生成式人工智能正在成為推動智能系統(tǒng)走向通用人工智能的關鍵路徑之一。
在人工智能的實際應用中，決策層模型大致可歸納為三類：決策型模型、分析型模型，以及結(jié)合決策與分析功能的復合型模型。這些模型在諸多應用場景中已取得廣泛成果，特別是在機器人技術(shù)中的具身智能領域，展現(xiàn)出極高的實用價值。許多市面上流行的智能產(chǎn)品，正是基于此類模型的成功實現(xiàn)。
其中，分析型與決策型模型的深度融合，已在多個高影響力的案例中得到驗證，例如AlphaGo系統(tǒng)在圍棋對弈中的突破，便是此類模型協(xié)同工作的典范。這類智能系統(tǒng)的原理也被進一步延伸至自然科學領域，在多個與諾貝爾獎相關的科研成果中被成功應用。
自2021年底生成式模型迅速崛起以來，學術(shù)界與產(chǎn)業(yè)界開始探索其與傳統(tǒng)決策模型的融合潛力。當前的研究熱點之一，正是所謂的“大模型與小模型融合”問題，即如何將具備強表達與生成能力的大模型，與高效、精細、可控的小模型協(xié)同工作，從而實現(xiàn)更具實用性與通用性的人工智能系統(tǒng)。
二、DeepSeek出現(xiàn)的啟發(fā)
自2017年Transformer架構(gòu)提出以來，國內(nèi)外已涌現(xiàn)出多個成功的大模型應用案例。2024年底和2025年初，我國DeepSeek模型的發(fā)布引起了全球廣泛關注。DeepSeek的成功之處在于其開源特性、廣泛應用以及在參數(shù)優(yōu)化上的優(yōu)勢，尤其是在相較于國外模型的功能提升方面，表現(xiàn)出顯著優(yōu)勢。
DeepSeek的出現(xiàn)對國內(nèi)大模型發(fā)展具有重要啟示，尤其在“開源+高性價比+強推理能力”模式的實踐上，為國內(nèi)外大模型技術(shù)格局提供了寶貴的經(jīng)驗。其創(chuàng)新之處在于無需依賴頂級GPU，通過多層次的算法、硬件和軟件創(chuàng)新，突破了傳統(tǒng)算力瓶頸，推動了大模型的推理性能提升。DeepSeek的創(chuàng)新工作包括多Token預測與MoE多專家系統(tǒng)結(jié)構(gòu)的結(jié)合，展現(xiàn)了軟件與硬件協(xié)同的潛力，進一步推動了國產(chǎn)大模型的崛起。
在應用層面，DeepSeek極大地激發(fā)了國內(nèi)算力生態(tài)的整合與優(yōu)化。其關鍵貢獻之一在于打破了芯片算力的依賴，提出了適應中國特色的解決方案，并實現(xiàn)了傳統(tǒng)算力、算法和硬件的深度融合。通過這一創(chuàng)新路徑，DeepSeek突破了大模型計算的瓶頸，為全球范圍內(nèi)的大模型應用提供了新的參考與方向。
隨著生成式模型的不斷發(fā)展，生成對抗網(wǎng)絡、圖像生成模型、視頻生成模型及大語言模型的融合已在各行業(yè)得到廣泛應用。DeepSeek的出現(xiàn)，標志著國產(chǎn)大模型在開源、推理能力及參數(shù)優(yōu)化方面的重要突破。目前，市面上已有許多可以下載并應用的生成式模型，涵蓋圖像生成、視頻生成以及文件處理等多個領域，極大地促進了科研和工業(yè)應用的創(chuàng)新。
當前，主流的大語言模型參數(shù)已達到數(shù)千億甚至數(shù)萬億級別，而DeepSeek則提出了縮減算力和參數(shù)需求的解決方案，將模型參數(shù)壓縮至幾千億規(guī)模。特別是DeepSeek推出的一體機，能夠容納6000多億參數(shù)，并結(jié)合前端推理工作，為科研人員提供了高效的計算支持。通過這種一體化方案，科研人員無需從頭開始開發(fā)大模型，即可利用通用的大模型進行現(xiàn)場應用與研究。
DeepSeek一體機根據(jù)應用場景的不同，提供了兩類主要解決方案：一是面向通用場景的通用模型方案，二是針對特定行業(yè)需求的專業(yè)模型通道。無論是科研機構(gòu)還是工業(yè)企業(yè)，都能根據(jù)需求選擇合適的產(chǎn)品，價格區(qū)間從幾十萬到一兩百萬不等。對于科研人員而言，DeepSeek一體機不僅減少了開發(fā)工作量，還為大模型的實際應用提供了便捷的技術(shù)支持，在工業(yè)研究與應用場景中具有重要意義。
在垂直領域的應用方面，尤其是自動化行業(yè)，大模型與小模型的結(jié)合已成為行業(yè)應用的重要趨勢。從去年的學會年會討論開始，AI for Science逐步演變?yōu)?/span>AI for Industry及AI for Engineering，推動了人工智能技術(shù)在工業(yè)領域的深度應用。大模型在工業(yè)中的應用，尤其在智能制造領域的落地，成為了當前的重要話題。具體而言，可以從以下三個方面探討大模型的應用路徑：第一，工業(yè)軟件的智能化升級；第二，數(shù)控裝備與自動化生產(chǎn)的優(yōu)化；第三，安全生產(chǎn)的智能監(jiān)測與預警。
在這些應用中，來自中國、美國和德國的智能制造成功案例為行業(yè)發(fā)展提供了寶貴經(jīng)驗。這些案例表明，通過將大模型與行業(yè)知識結(jié)合，能夠有效提升制造業(yè)的自動化水平和智能化程度，為行業(yè)帶來全新的技術(shù)變革。
三、大模型落地制造業(yè)的可能路徑及應用
在工業(yè)軟件應用方面，大模型的引入促進了多個領域的自動化和智能化轉(zhuǎn)型。例如，借助大模型生成EAD（工程自動化設計）軟件、ERP（企業(yè)資源規(guī)劃）軟件和CRM（客戶關系管理）軟件等，已經(jīng)成為工業(yè)領域的一項重要發(fā)展。在自動化生產(chǎn)的代碼生成方面，特別是在自動控制系統(tǒng)的自動化生成上，國內(nèi)外廠商都推出了相應的產(chǎn)品。通過這種技術(shù)轉(zhuǎn)變，工業(yè)系統(tǒng)逐步從傳統(tǒng)的基于控制的模式轉(zhuǎn)向數(shù)據(jù)驅(qū)動的決策型范式。
此外，在工業(yè)人工智能應用場景中，AI的作用愈加顯著。例如，AI在生產(chǎn)運營中的應用主要體現(xiàn)在異常診斷和經(jīng)濟運行診斷方面。AI通過智能檢測和運維，能夠有效預測設備故障、進行設備性能評估，并在生產(chǎn)過程中識別智能違章行為，甚至進行能耗優(yōu)化。此類技術(shù)應用的廣泛展開，推動了工業(yè)領域的智能化和自動化升級。
在這一背景下，大模型的生成式功能也迎來了新的應用方向，在文生文、文生圖等傳統(tǒng)生成模式之外，工業(yè)界近年來正致力于開發(fā)“文生動作”的技術(shù)。AI Agent或智能體通過大模型支持，能夠?qū)崿F(xiàn)從文本描述生成動作。例如，用戶通過輸入任務或行動指令，AI Agent不僅能夠進行問答式的交互，還能通過推理過程進行綜合規(guī)劃和執(zhí)行任務，如將多項服務一鍵整合并自動執(zhí)行。這樣的功能大大簡化了用戶的操作需求，并推動了大模型在工業(yè)、商業(yè)及服務領域的深度應用。
在當前的人工智能系統(tǒng)構(gòu)建中，多模型融合，特別是大模型與小模型的協(xié)同機制，逐漸成為推動復雜任務智能化處理的重要方向。這種融合不僅是模型能力的組合，更是功能層級分工的體現(xiàn)。大模型具備強大的語義理解、推理與任務生成能力，小模型則因其高效、輕量的特性，適合在邊緣設備上承擔感知、執(zhí)行等具體任務。在實際應用中，這種融合模式主要體現(xiàn)為若干典型結(jié)構(gòu)的組合演化。小模型通常用于前端感知任務，如視覺識別、聲音檢測與物理狀態(tài)感知，其在速度與資源消耗方面具備天然優(yōu)勢，而復雜的語義理解與任務規(guī)劃則由大模型承擔。通過這種前感知、后理解的模式，系統(tǒng)能夠?qū)崿F(xiàn)感知—認知的有效銜接。
另一種常見的模式是以大模型作為任務的認知中樞，通過自然語言理解能力對用戶提出的復雜問題進行分解與規(guī)劃，再將子任務分發(fā)至多個小模型并行執(zhí)行。這種“理解—分發(fā)”的結(jié)構(gòu)在工業(yè)調(diào)度、政務系統(tǒng)以及流程管理等場景中展現(xiàn)出強大的任務組織能力。此外，大模型也可作為任務生成器使用，在語義驅(qū)動下輸出具體操作指令或控制邏輯，再由小模型對生成內(nèi)容進行本地化適配與執(zhí)行，從而形成“生成—執(zhí)行”的閉環(huán)機制。
在此基礎上，進一步發(fā)展出的AI Agent系統(tǒng)融合了上述多種功能路徑。Agent前端以小模型為主實現(xiàn)對環(huán)境的實時感知，中間以大模型為核心完成復雜認知與策略生成，后端再由小模型或?qū)Ｓ媚K完成具體動作的落地執(zhí)行。這種“感知—理解—生成—執(zhí)行”的全鏈路架構(gòu)構(gòu)成了具備端到端能力的智能體系統(tǒng)。在系統(tǒng)設計中，這類Agent被模塊化為統(tǒng)一的“智能中樞”，能夠從語言、圖像、視頻等多模態(tài)輸入中自動識別意圖并規(guī)劃任務，進而調(diào)用或調(diào)度多個模型資源完成響應。多個智能體可以串聯(lián)或并聯(lián)部署，從而構(gòu)建起多智能體協(xié)同系統(tǒng)，實現(xiàn)多任務處理、資源動態(tài)調(diào)配與并發(fā)控制。
在工業(yè)應用中，多智能體協(xié)同系統(tǒng)已經(jīng)展現(xiàn)出可觀的實踐效果。以Manus公司為例，其智能體系統(tǒng)能夠完成如旅游規(guī)劃、供應鏈管理等復雜任務；而大灣區(qū)的“智用開物”平臺，則將多智能體應用于政務系統(tǒng)，通過調(diào)度大模型進行智能解析，繼而由小模型模塊完成合同審核、法務事務處理等任務。類似地，“郎坤”平臺構(gòu)建了面向智能制造的中臺系統(tǒng)，通過集成模型分析、故障診斷與運維決策等多個智能體，構(gòu)建起完整的工業(yè)智能生態(tài)鏈，實現(xiàn)了故障預測、任務優(yōu)化與智能調(diào)度等關鍵能力的落地。
這種以多模型協(xié)同為基礎的智能體系統(tǒng)，其架構(gòu)理念與傳統(tǒng)控制理論中的多智能體協(xié)同算法具有高度一致性。在控制理論中，智能體之間通過分布式協(xié)同策略實現(xiàn)對目標狀態(tài)的同步到達，這一機制為AI Agent系統(tǒng)中的智能體任務協(xié)同與調(diào)度提供了理論基礎。未來的研究可進一步探索如何將這些經(jīng)典控制算法與大模型驅(qū)動的認知智能體相結(jié)合，實現(xiàn)更高效、更穩(wěn)定的系統(tǒng)級智能協(xié)作。在面向智能制造、智慧政務與復雜系統(tǒng)決策等領域，這一方向有望成為推動下一代人工智能系統(tǒng)能力躍升的關鍵路徑。
四、大模型蒸餾
當前，針對智能體的開發(fā)與應用興趣日益高漲，尤其在大模型驅(qū)動的多智能體系統(tǒng)構(gòu)建方面，已經(jīng)涌現(xiàn)出一系列成熟的軟件開發(fā)平臺與工具鏈，極大地降低了系統(tǒng)構(gòu)建的門檻。國內(nèi)外眾多大模型與軟件廠商，紛紛提供了便捷的智能體構(gòu)建環(huán)境。例如，字節(jié)跳動、騰訊元寶、百度、谷歌以及清華智譜的清言平臺等，均推出了支持多智能體架構(gòu)的軟件開發(fā)包，開發(fā)者可以直接調(diào)用其內(nèi)置的大模型與功能模塊，構(gòu)建滿足具體需求的智能體系統(tǒng)。這類平臺通常支持模塊化開發(fā)和插件式部署，開發(fā)者無需從零開始，即可實現(xiàn)智能體的快速搭建與迭代驗證。
與此同時，另一種重要的發(fā)展方向是基于大模型的知識蒸餾與模型壓縮技術(shù)，將龐大的預訓練模型轉(zhuǎn)化為可部署于邊緣設備的小模型，從而實現(xiàn)資源受限環(huán)境下的高效推理與響應。在這一過程中，預訓練的大模型如GPT系列、DeepSeek模型等，作為知識源，通過蒸餾技術(shù)提取其語義、決策與推理能力，并遷移至結(jié)構(gòu)更為緊湊的小模型中。這些小模型通常具備千萬級參數(shù)規(guī)模，相較原始的大模型在計算資源、存儲與延遲方面大幅縮減，適用于客戶端、邊緣端以及嵌入式設備中部署。
該蒸餾過程不僅能保留大模型的核心認知能力，還能結(jié)合目標應用場景的特定數(shù)據(jù)進行再訓練，以增強在下游任務中的泛化與適應能力。這種“云—邊協(xié)同”模式，即在云端保留大規(guī)模通用模型用于統(tǒng)一訓練和知識沉淀，通過知識蒸餾下沉出多種邊緣小模型，在本地實現(xiàn)低時延、低成本、強定制化的智能響應。該結(jié)構(gòu)的優(yōu)點在于不依賴高算力設備，系統(tǒng)對資源、環(huán)境與數(shù)據(jù)的依賴顯著降低，可支持智能體在工業(yè)現(xiàn)場、移動設備、智能制造、智慧城市等多種實際場景中部署，成為下一階段智能系統(tǒng)大規(guī)模落地的關鍵技術(shù)路徑。
在當前人工智能技術(shù)的實際應用中，大模型具備強大的通用認知與推理能力，但其高昂的計算資源需求與部署成本，使其難以直接在資源受限的場景中大規(guī)模應用。為此，“知識蒸餾”技術(shù)成為連接大模型與輕量級小模型之間的重要橋梁。其核心思想是將訓練良好的大模型作為“教師模型”，通過引導訓練另一個結(jié)構(gòu)更小的“學生模型”，使其在保持關鍵性能指標的同時，大幅降低參數(shù)量與計算開銷，從而適用于移動端、邊緣端或?qū)Ｓ迷O備的本地部署。
蒸餾過程不僅僅是簡單的模型壓縮，更包含了從大模型中提取通用知識、構(gòu)建遷移機制、設計反饋結(jié)構(gòu)等系統(tǒng)性工程。在技術(shù)路徑上，知識蒸餾可分為三類主要形式：離線蒸餾、在線蒸餾與自蒸餾。離線蒸餾中，教師模型預先完成訓練，然后將其輸出作為訓練數(shù)據(jù)提供給學生模型；在線蒸餾則在教師與學生模型并行訓練過程中不斷交換信息；而自蒸餾則不依賴單獨的教師模型，而是由模型自身在不同階段提取與傳遞知識。這些方法均可支持不同場景下對推理效率、模型輕量化與應用適應性的平衡優(yōu)化。
從應用角度來看，蒸餾技術(shù)可以大幅提升模型在特定垂直領域的專用性。原始大模型具備廣義推理能力，但對于特定專業(yè)場景如智能制造、無人系統(tǒng)、化工過程、物聯(lián)網(wǎng)等，其推理精度與泛化能力往往不足。通過蒸餾過程，通用模型中的基礎認知能力得以遷移與細化，使學生模型更貼合目標任務。例如在無人機控制系統(tǒng)中，可將通用大模型通過中間層特征提取與壓縮，分別蒸餾出處理力學建模、圖像識別與網(wǎng)絡通信的小模型，部署至邊緣端設備上，進而實現(xiàn)高效、低時延的任務執(zhí)行。在智能制造領域，同樣可通過大模型蒸餾提取面向工藝優(yōu)化、產(chǎn)線控制與故障診斷的特化模型，滿足工業(yè)現(xiàn)場對實時性與可靠性的高度要求。
進一步細化來看，蒸餾技術(shù)包括多個關鍵技術(shù)環(huán)節(jié)。其中，數(shù)據(jù)驅(qū)動蒸餾是通過策劃高信息密度的數(shù)據(jù)樣本集，經(jīng)過清洗與增強處理，指導學生模型更有效地學習知識表達；特征層蒸餾則關注于大模型中間層的特征表示，將其遷移至學生模型以提升其抽象能力；而反饋驅(qū)動蒸餾則結(jié)合強化學習機制，引入獎勵信號與反饋控制，從而提升模型訓練的動態(tài)適應性。這三類技術(shù)分別針對模型效率、特征表達與誤報控制等不同方向進行優(yōu)化，具有明確的應用優(yōu)勢。
在理論層面，KL散度等信息熵度量方法常被用于衡量教師模型輸出與學生模型預測之間的差異，作為優(yōu)化目標函數(shù)指導學生模型收斂。此外，近年來也有研究引入時序?qū)R、多模態(tài)交叉蒸餾等機制，使知識蒸餾更加細粒度、結(jié)構(gòu)化。例如在多模態(tài)大模型中，通過將圖像、語言、動作等不同模態(tài)特征壓縮進多學生模型，實現(xiàn)復雜場景下的跨模態(tài)遷移推理。
從全局角度看，知識蒸餾不僅是提升模型部署效率的工程技術(shù)，更是打通“通用智能”與“垂直應用”之間的關鍵橋梁。通過在云端構(gòu)建通用大模型、在本地部署蒸餾小模型的“云-邊協(xié)同”機制，可以實現(xiàn)在保持通用性優(yōu)勢的同時，大幅提升系統(tǒng)的專用性、實時性與可部署性。蒸餾所帶來的輕量化模型已在多個行業(yè)展現(xiàn)出廣泛前景，成為推動人工智能從實驗室走向現(xiàn)實世界的關鍵技術(shù)路徑。
五、大小模型協(xié)同技術(shù)產(chǎn)業(yè)化應用
近年來，情智一體化與情感計算機器人認知成為人工智能領域的重要研究方向。通用大模型在情感理解、營銷和醫(yī)療等多個領域展現(xiàn)了顯著的應用潛力，特別是在睡眠監(jiān)測和心理評估等健康相關場景中，已逐步實現(xiàn)實際應用。
針對大模型計算資源需求高且難以直接部署于邊緣端的難題，我們提出了分階段的模型蒸餾策略。通過知識蒸餾，將大模型先壓縮為中大型模型，再進一步蒸餾為小型模型，實現(xiàn)了在邊緣端的高效運行。邊緣端計算資源有限，但利用寬度學習方法，特別適合實時處理數(shù)據(jù)的增量學習及快速同化，自2018年以來，該技術(shù)經(jīng)過多年優(yōu)化，已被國內(nèi)多家高校采納，有效提升了模型對新增數(shù)據(jù)的快速響應能力。
相較于整體模型更新，寬度學習主要針對特征提取層進行局部快速調(diào)整，從而實現(xiàn)對少量新增數(shù)據(jù)的高效適應。此外，結(jié)合檢索增強生成技術(shù)，實現(xiàn)了數(shù)據(jù)層面與模型層面的快速增量更新，進一步強化了邊緣端模型的動態(tài)學習能力。
基于該框架，我們在多個應用領域取得了突破。在數(shù)據(jù)標注方面，利用半監(jiān)督寬度學習技術(shù)實現(xiàn)了對百萬乃至千萬級數(shù)據(jù)的自動標注，極大地減輕了人工標注的負擔。在機器人控制領域，增量學習使機械臂能夠快速適應環(huán)境變化，實現(xiàn)精準的動作預測與調(diào)整。在飛行器應用中，邊緣端算法支持快速軌跡預測與意圖推理，能夠在輕量級算力下實現(xiàn)實時推斷，并在對抗行為分析等復雜場景中展現(xiàn)出良好的性能。
在增量學習算法創(chuàng)新方面，我們率先提出了邊緣端無逆權(quán)重計算范式，支持數(shù)據(jù)和節(jié)點的雙重增量優(yōu)化，有效提升了分布式計算的效率。沈勁網(wǎng)絡架構(gòu)通過動態(tài)疊加單層寬度學習網(wǎng)絡，實現(xiàn)了神經(jīng)網(wǎng)絡結(jié)構(gòu)的靈活擴展，能夠適應不同復雜度的建模需求。該寬度學習架構(gòu)逐步融合進聯(lián)邦學習框架，取代傳統(tǒng)深度網(wǎng)絡模型，實現(xiàn)了分布式訓練的高效性與彈性，支持客戶端節(jié)點的動態(tài)擴展和服務器的快速擴容。
在大健康領域，我們基于上述技術(shù)體系，構(gòu)建了從大模型壓縮至基礎健康模型、再到邊緣端模型的多級架構(gòu)，成功應用于情緒識別和醫(yī)療診斷等場景。未來，計劃推進健康感知智能與數(shù)字平行人技術(shù)的深度融合，構(gòu)建真實人與數(shù)字人全生命周期交互的智能平臺。通過腦機接口等前沿技術(shù)，實現(xiàn)數(shù)字人之間及數(shù)字人與真人的高效智能交互，突破傳統(tǒng)數(shù)字人在認知與交互上的局限。此外，我們還積極開展人工智能科普工作，相關科普叢書已被翻譯成四國語言，廣泛應用于包括阿拉伯國家和美國在內(nèi)的國際市場，推動人工智能技術(shù)的普及與應用。
*本文根據(jù)作者所作報告速記整理而成
嘉賓簡介：
陳俊龍教授（C. L. Philip Chen），華南理工大學特聘講席教授、博士生導師、計算機科學與工程學院院長，教育部健康智能與數(shù)字平行人工程中心主任，廣東省人工智能產(chǎn)業(yè)協(xié)會聯(lián)席會長。他是IEEE Life Fellow、AAAS Fellow、IAPR Fellow、歐洲科學院院士（Academia Europaea）、歐洲科學與藝術(shù)院院士、俄羅斯工程院外籍院士、中國自動化學會(CAA) 、中國人工智能學會（CAAI）及香港工程師學會 (HKIE) Fellow。目前陳教授任中國自動化學會常務理事，曾任兩個IEEE 頂級期刊主編，獲IEEE 諾伯特·維納獎、IEEE約瑟夫·沃爾終身成就獎、吳文俊人工智能領域杰出貢獻獎、美國普渡大學杰出電機計算機杰出校友獎等榮譽。連續(xù)6年被列為全球高被引科學家，斯坦福大學發(fā)布的全球前2%頂尖科學家榜單。在高排名學者（Highly Ranked Scholars? ) 計算機類（Computer Science）近五年的影響力全國排名中名列第一，位列全球第8名。
陳教授主要從事計算智能系統(tǒng)，數(shù)據(jù)挖掘和知識發(fā)現(xiàn)，信息和視頻索引、控制論和無人系統(tǒng)的研究。他圍繞智能系統(tǒng)與控制、計算智能、數(shù)據(jù)科學等科研方向開展研究工作超過40年，在該領域取得一系列學術(shù)創(chuàng)新性成果。他曾獲中國自動化學會自然科學獎及廣東省科技進步獎一等獎。
