Bengio 15 年前论文再夺 AAAI 奖！AI 正告别单纯炫技，走向真实世界

作者 | 木子

新加坡的会场里，全球人工智能顶会AAAI，正式揭晓年度奖项，也迎来了它的第 40 个年头。

今年共颁发了 5 个杰出论文奖，以及 2 个经典论文奖。在获奖名单中，竟然还有“机器学习三巨头”之一的Yoshua Bengio。

不过这一次，他并不是因为最新成果获奖，而是凭借在 2011 年写的一篇论文获得了经典论文奖。而且不久前，他刚达成 AI 领域首个“百万被引作者”的成就。

为什么 10 多年前的这篇论文，会在今年被重新拉出来，还获得了经典论文奖？

不妨来看看它讲了些什么。

论文名为 Learning Structured Embeddings of Knowledge Bases（《面向知识库的结构化表示学习》）。提出了一种方法，把知识库的结构化数据嵌入到连续空间中，从而让结构化知识更容易用于机器学习任务。

换句话说，这篇文章解决的是如何把离散世界（知识、事实、关系）嵌入到连续空间；以及如何让神经网络不靠纯统计，而是“接住现实结构”。而今天热门的世界模型、RAG、Agent 的外部记忆等等这些东西，从本质上讲，全都在复用这条路线。

再说回今年获奖的5 篇杰出论文，这些论文有讲机器人和 VLA 的，有在讲如何在连续时间系统中让 AI 模型“白盒化”的，还有讲 LLM 和 CLIP、讲高频信号和局部判别结构的。

串起来看，这些论文的研究方向，其实可以概括出一个共同指向：AI 的竞争，已从拼实验环境的中的炫酷 Demo，转向真正的应用层。Scaling Law 那套虽然不完全失效，但多少有点过时了，谁能在真实世界中被理解、被修订、被信任越来越关键。

AAAI 2026: AI 走向现实，

评奖标准重塑

下面来看看这几篇杰出论文，都有哪些有意思的信息。

具身智能领域：

论文名： ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver （ReconVLA：作为高效机器人感知器的重建式视觉 - 语言 - 动作模型）

要说清本文的创新点，需要再这里先简单回顾一下什么是 VLA——VLA（Vision-Language-Action）具身智能领域的一个关键模型，可以把视觉感知、语言理解和动作生成统一到同一个模型中，直接根据“看到什么 + 听到什么”，来输出可执行机器人动作。

不过当前 VLA 的缺陷也是很明显的：比如模型在执行动作时，视觉注意力高度分散；即便模型能“理解指令”，但在复杂场景、多干扰物、长任务中，往往看不准真正要操作的物体。

结果就是：抓错对象、操作不精确（现实世界对精确度要求很高）、长链任务中途失败等等。

总之，以往 VLA 只监督“动作输出”，几乎不约束“视觉感知过程本身”。

而ReconVLA 的关键思想是：不“告诉模型看哪里”，而是“逼模型把关键区域重建出来”。

其核心机制，简单来说，就是模拟人类视觉的“凝视（gaze）”机制，不要求模型输出框，也不输入裁剪图，而是让模型在内部生成一种“重建信号”，去还原“当前要操作的局部区域”。

论文还系统性地对比了三类视觉定位（grounding）范式：

• 一类是以外部检测器和裁剪图像为代表的Explicit Grounding，

• 一类是先输出目标框、再生成动作的CoT Grounding，

• 以及作者提出的Implicit Grounding（隐式 Grounding），也就是 ReconVLA 的方式。

图注：不同范式 Grounding 之间的概念性对比。

前两类方法本质上都是在显式告诉模型“答案在哪里”，并未真正改变 VLA 内部的视觉表示和注意力机制。

而 ReconVLA 通过重建过程，将关键区域作为一种隐式的视觉监督信号，引导模型生成所谓的“重建 token（reconstructive tokens）”，从而在不引入额外输入或输出的前提下，重塑视觉感知能力。

换句话说，它不再让模型“蒙着眼睛试动作”，而是强制模型在每一步决策前，先把目标对象看准，再去动手。

关于从“结果可解释”，走向“结构可操作”：

论文名： Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis （基于理论评分分析的动态系统因果结构学习方法）

这篇论文提出了一种方法：CADYT。能够在连续时间、甚至不规则采样的数据中，同时刻画系统的动力学演化，并恢复其中的因果结构。

更重要的是，作者证明了用于判断因果关系的评分函数，在理论上等价于一种合理的模型选择准则，而不是经验性的启发式指标。换句话说，就是这个评分不是凭经验设计的，而是从理论上保证：它会偏向那些“解释得刚刚好、不多也不少”的因果结构。

在现实世界的系统中，无论是工业控制、物理系统，还是医疗过程，系统本质上都是连续时间演化的，而且由稳定的因果机制驱动。但以往的方法往往只能解决其中一半问题。

一类是时间序列因果发现方法，它们通常基于离散时间建模（如 DBN、Granger），并假设规则采样，因此在面对真实的连续动力学和不规则采样时，难以准确刻画系统本身的演化机制。

另一类是连续时间动力学建模方法（如 Neural ODE、GP-ODE），虽然能自然处理不规则采样，却主要关注预测精度，本质上并不区分因果依赖与偶然相关。

这就留下了一个长期存在的空白：几乎没有方法，既工作在连续时间框架下，又能够同时恢复系统的动力学机制和因果结构。

而 CADYT 正是针对这一空白提出的。它将连续时间的高斯过程动力学建模，与基于最小描述长度（MDL）和算法马尔可夫条件（AMC）的因果评分结合起来，在不规则采样条件下，通过比较不同因果结构对数据的“压缩能力”，来识别真正的因果关系，并给出了明确的理论保证。

说得更直白一点，这项工作把连续时间动力学建模，从“拟合得像不像真实轨迹”，推进到了“学到的机制在因果上是不是对的”。

论文名： Model Change for Description Logic Concepts （描述逻辑概念的模型变更）

此论文还未公开上传，暂无链接。

关于表示学习，重新审视结构本身

论文名： LLM2CLIP: Powerful Language Model Unlocks Richer Cross-Modality Representation （LLM2CLIP：强大语言模型解锁更丰富跨模态表征）

CLIP（Contrastive Language–Image Pre-training）是一个经典的多模态模型，通过对比学习，将图像和文本映射到同一语义空间，从而实现“以文找图、以图找文”等跨模态理解能力。

CLIP 在跨模态检索和基础语义对齐上表现出色，但它也有一个公认的短板：文本编码器容量较小、上下文长度有限，对长、复杂、信息密集的文本理解能力不足。这在长文本检索、多语言理解等场景中尤为明显。

LLM 在语言理解、上下文建模和世界知识方面，倒是明显更强。但问题在于，LLM 不能直接接入 CLIP。

——一方面，原生 LLM 的句向量并不具备对比学习所需的“高区分度”，很难有效拉开不同 caption 之间的距离；另一方面，如果端到端联合训练 LLM 和 CLIP，计算成本也高得不可接受。

这篇论文提出了一种系统化的新方法，名曰：LLM2CLIP，顾名思义，把 LLM“接入”或“输送”到 CLIP 里，用 LLM 来替代或者增强 CLIP 的文本能力。

但这并不是简单地把 LLM 直接接进去。作者给出的解决路径，是分两步走，各解决一个关键障碍。

第一步，是先让 LLM 成为一个“合格的文本 embedding 模型”。为此，论文提出了Caption-Contrastive Fine-tuning：

使用同一张图像对应的不同 caption 作为正样本，通过对比学习，让语义相近的描述在向量空间中更接近、不相关的描述更远；同时配合平均池化、双向注意力和 LoRA 等结构调整，提升句向量的稳定性和可区分性。

这一步的目标并不是做多模态，而是把 LLM 训练成一个真正“好用”的文本表示器。

第二步，则是直接用经过处理的 LLM，替换掉 CLIP 原有的文本编码器。在这一阶段，LLM 参数被冻结，仅训练一个非常轻量的 adaptor 来对齐视觉特征，使整体训练流程几乎等同于普通的 CLIP 微调，算力成本基本不变。

大量消融实验表明：同时保留两个文本编码器、或试图在两者之间做复杂对齐，效果反而更差；“直接替换”是最简单、也是最有效的方案。

实验结果显示，LLM2CLIP 在长文本检索任务上提升最为显著，短文本检索也有稳定增益，同时多语言检索能力明显增强。更重要的是，这些提升是在仅使用百万级数据、几乎不增加训练成本的前提下实现的。

总体来看，LLM2CLIP 的价值在于，它没有重造一个更大的多模态模型，而是用一种低成本、可复用的方式，把“语言理解”这块短板，直接补进了 CLIP 的核心结构里。

论文名： High-Pass Matters: Theoretical Insights and Sheaflet-Based Design for Hypergraph Neural Networks （高频信息的重要性：面向超图神经网络的理论分析与 Sheaflet 方法设计）

此论文还未公开上传，暂无链接。

总而言之，这些研究都在把关注点从结果层面的性能，推向模型内部的感知、结构和机制本身。

论文地址：

https://arxiv.org/abs/2508.10333

https://arxiv.org/abs/2411.04997

https://arxiv.org/abs/2512.14361

https://aaai.org/about-aaai/aaai-awards/aaai-conference-paper-awards-and-recognition/

https://aaai.org/about-aaai/aaai-awards/aaai-classic-paper-award/?utm_source

https://aaai.org/conference/aaai/aaai-26/award-talks/