<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-07-28 17:26 | 專題：IJCAI：國(guó)際人工智能聯(lián)合會(huì)議 |
編輯丨岑峰
在近日公布的國(guó)際人工智能聯(lián)合會(huì)議（IJCAI 2026）Tutorial（講習(xí)班）錄用名單中，出現(xiàn)了一個(gè)極其罕見的現(xiàn)象：清華大學(xué)王鑫教授團(tuán)隊(duì)，憑借 T9《Beyond Graph Distribution Shifts》與 T11《OOD Generalized Generative AI》同時(shí)包攬兩席。
在全球頂尖高校與科技巨頭云集的 IJCAI 賽場(chǎng)，同一團(tuán)隊(duì)拿下“雙殺”，不僅彰顯了清華在 AI 領(lǐng)域的強(qiáng)勢(shì)話語(yǔ)權(quán)，更向全行業(yè)釋放了一個(gè)強(qiáng)烈的信號(hào)：生成式 AI 的下一場(chǎng)技術(shù)戰(zhàn)役，已經(jīng)從“大力出奇跡的 IID（獨(dú)立同分布）擬合”，全面轉(zhuǎn)向了“應(yīng)對(duì)真實(shí)物理世界的 OOD（分布外泛化）挑戰(zhàn)”。為什么是王鑫團(tuán)隊(duì)？這兩場(chǎng)看似獨(dú)立、實(shí)則底層相通的 Tutorial，究竟藏著怎樣的學(xué)術(shù)野心與產(chǎn)業(yè)圖景？
01
大語(yǔ)言模型（LLM）與生成式 AI 在過(guò)去幾年高歌猛進(jìn)，但產(chǎn)業(yè)界很快撞上了一堵無(wú)形的墻：模型在訓(xùn)練數(shù)據(jù)（分布內(nèi)，IID）上表現(xiàn)如神，一旦面對(duì)真實(shí)世界中前所未見的新場(chǎng)景、新結(jié)構(gòu)或罕見提示詞（分布外，OOD），就會(huì)瞬間智商斷崖式下跌，甚至產(chǎn)生嚴(yán)重的幻覺。
這種“見光死”的窘境，源于傳統(tǒng)深度學(xué)習(xí)對(duì)“數(shù)據(jù)同分布”的脆弱依賴。而打破這一魔咒，正是清華大學(xué)王鑫團(tuán)隊(duì)長(zhǎng)期以來(lái)深耕的硬核領(lǐng)地。
早在生成式 AI 徹底爆發(fā)前，王鑫團(tuán)隊(duì)就已敏銳地察覺到：真實(shí)的物理世界永遠(yuǎn)是動(dòng)態(tài)變化的。他們沒(méi)有隨波逐流地去卷模型的“參數(shù)規(guī)?！?，而是死磕底層邏輯，將研究重心死死錨定在“OOD 泛化（Out-of-Distribution Generalization）”這一 AI 皇冠上的明珠。
此次 IJCAI 2026 的兩場(chǎng) Tutorial，正是其多年扎根這一領(lǐng)域積淀的厚積薄發(fā)。
02
入選的 T9 講習(xí)班主題為《Beyond Graph Distribution Shifts》（超越圖分布偏移）。這并非傳統(tǒng)的圖神經(jīng)網(wǎng)絡(luò)（GNN）基礎(chǔ)授課，而是精準(zhǔn)切中了當(dāng)前最前沿的交叉領(lǐng)域：Graph（圖）與 LLM（大語(yǔ)言模型）的泛化融合。
現(xiàn)實(shí)世界的數(shù)據(jù)往往是高度結(jié)構(gòu)化且動(dòng)態(tài)演進(jìn)的（例如動(dòng)態(tài)知識(shí)圖譜、不斷進(jìn)化的生物醫(yī)學(xué)網(wǎng)絡(luò)）。官方介紹中犀利地指出，絕大多數(shù)現(xiàn)有圖學(xué)習(xí)方法都建立在“同分布（I.D.）假說(shuō)”的溫室里，而真實(shí)場(chǎng)景無(wú)情地打破了這一假說(shuō)。
為了跨越這道天塹，王鑫與朱文武教授團(tuán)隊(duì)在 T9 中拋出了一套系統(tǒng)性的“三維解法”：
1.Graph LLMs（圖大語(yǔ)言模型）： 將 LLM 強(qiáng)大的表征能力與圖結(jié)構(gòu)深度綁定，讓模型在圖數(shù)據(jù)上也能實(shí)現(xiàn)靈活的上下文學(xué)習(xí)（In-context）和小樣本學(xué)習(xí)（Few-shot）。
2.動(dòng)態(tài)適應(yīng)（Adaptation）： 針對(duì)不斷進(jìn)化的數(shù)據(jù)，引入圖神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）與持續(xù)學(xué)習(xí)（Continual Learning）策略，讓模型擁有“自我進(jìn)化”的能力。
3.因果與不變性（Causality and Invariance）： 這是最硬核的底層重構(gòu)——將因果推斷原則引入圖模型，剝離虛假關(guān)聯(lián)，從而在從未見過(guò)的分布（Unseen Distributions）下構(gòu)建真正魯棒的圖網(wǎng)絡(luò)。
這套從大模型表征到因果底層邏輯的組合拳，不僅是對(duì)圖機(jī)器學(xué)習(xí)理論的升維，更是直接為金融風(fēng)控、醫(yī)藥發(fā)現(xiàn)等復(fù)雜結(jié)構(gòu)化場(chǎng)景在 LLM 時(shí)代的落地指明了航向。
03
如果說(shuō) T9 是在結(jié)構(gòu)化數(shù)據(jù)上的深耕，那么 T11《Out-of-distribution Generalized Generative AI》（OOD泛化的生成式AI）則是對(duì)當(dāng)下生成式大模型主流賽道的“降維打擊”。
當(dāng)前業(yè)界談?wù)撋墒?AI，往往陷入?yún)?shù)規(guī)模的內(nèi)卷。而王鑫團(tuán)隊(duì)在 T11 中，直接將視野拔高到了多模態(tài)大語(yǔ)言模型（MLLMs）的理解與基于擴(kuò)散（Diffusion-based）模型的視覺生成。
在官方介紹中，他們不僅系統(tǒng)拆解了這些多模態(tài)巨獸的概率公式、架構(gòu)設(shè)計(jì)與交互機(jī)制，更直擊產(chǎn)業(yè)界最痛的軟肋：如何讓這些模型在 OOD 環(huán)境下安全部署？
為此，團(tuán)隊(duì)重點(diǎn)探討了當(dāng)前 AI 界最前沿的博弈高地——通用化的后訓(xùn)練策略（Post-training strategies）。通過(guò)后訓(xùn)練階段的對(duì)齊與統(tǒng)一框架設(shè)計(jì)，讓模型在面對(duì)分布偏移和全新涌現(xiàn)的應(yīng)用場(chǎng)景時(shí)，依然能保持極高的魯棒性。能夠在 IJCAI 這樣的頂會(huì)開辦此類 Tutorial，說(shuō)明國(guó)際學(xué)術(shù)界已高度認(rèn)可清華團(tuán)隊(duì)在該交叉領(lǐng)域的開創(chuàng)性與領(lǐng)導(dǎo)力——他們不僅在解題，更在“定義問(wèn)題”。
04
從 Graph+LLM 到 OOD Generative AI，王鑫與朱文武教授團(tuán)隊(duì)在 IJCAI 2026 上的“雙星閃耀”，絕非偶然。它代表了一種長(zhǎng)期主義學(xué)術(shù)哲學(xué)的勝利：不追逐短暫的技術(shù)泡沫，而是敏銳捕獲智能進(jìn)化的底層命題。
當(dāng)算力與參數(shù)的暴力美學(xué)遭遇邊際收益遞減時(shí)，擁有極高 OOD 泛化能力的模型，才是通往 AGI（通用人工智能）的真正入場(chǎng)券。而在這張入場(chǎng)券上，清華大學(xué)與中國(guó)學(xué)者的名字，正在被刻在最顯眼的位置。
盛會(huì)即將啟幕，前沿碰撞在即。為了零距離捕捉這場(chǎng)定義下一代 AI 范式的學(xué)術(shù)風(fēng)暴，雷峰網(wǎng)AI科技評(píng)論將正式派出特派編輯團(tuán)隊(duì)，遠(yuǎn)赴德國(guó)不萊梅，在一線為您帶來(lái) IJCAI 2026 的深度現(xiàn)場(chǎng)報(bào)道。 我們不僅會(huì)持續(xù)追蹤、深度還原王鑫教授團(tuán)隊(duì)在 Tutorial 現(xiàn)場(chǎng)的精彩論道，更將全景展現(xiàn)全球頂尖學(xué)者在這場(chǎng)盛會(huì)上的思想激蕩。
目前，雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))“IJCAI 2026 頂會(huì)專區(qū)”已全面上線。
歡迎點(diǎn)擊（或收藏）：https://ijcai26.leiphone.com/ ，與我們一同跨越時(shí)差，見證生成式 AI 下半場(chǎng)的破局之戰(zhàn)！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
