北京
近日，国际人工智能联合会议（IJCAI 2026）的Tutorial录用名单公布，一个极其罕见的现象让学术界炸了锅：清华大学王鑫教授团队同时拿下T9《Beyond Graph Distribution Shifts》和T11《OOD Generalized Generative AI》两个讲习班席位。在同一场顶会上完成“双杀”，在过往的IJCAI历史上都称得上是凤毛麟角。但这不只是清华抢风头那么简单，它更像一记信号弹——生成式AI的下一场技术仗，已经从“我能把参数堆多高”的IID拟合，全面转向“能不能扛住真实世界毒打”的OOD泛化。
很多人还没反应过来，凭什么同一个团队能包揽两席？答案藏在一条被多数人忽略的时间线上。当大模型还靠参数规模卷得热火朝天，王鑫团队已经把精力死死压在了分布外泛化（Out‑of‑Distribution Generalization）这根硬骨头上。他们没去拼谁的模型跑分更漂亮，而是直接对深度学习最脆弱的“数据同分布”假设动刀。用一句不好听的话讲：绝大多数模型在训练数据上猛如虎，换个没见过的新场景就智商断崖式下跌，这种“见光死”的窘境，恰恰是王鑫团队过去几年反复解剖的核心命题。两场Tutorial，就是他们多年积累的一次集中爆发。
- T9到底在挑战什么？ 官方介绍直白得不留情面：现有的图学习方法几乎全部建立在“同分布”的温室里，而真实世界的图数据——不管是动态知识图谱还是不断进化的生物医学网络——根本就不跟你讲这个规矩。为了撞开这堵墙，王鑫与朱文武教授团队甩出了一套三维解法。第一维叫“Graph LLMs”，直接把大语言模型的表征能力嫁接到图结构上，让模型在图数据上也能玩转上下文学习和少样本学习，不再当只会背模板的呆子。第二维是“动态适应”，通过图神经网络架构搜索和持续学习策略，逼着模型自己长出进化的本事，数据一变它也能跟着变。第三维最硬核，引入因果推断原则来剥离图中的虚假关联，抓住真正稳定的因果机制，这样哪怕遇到从未见过的分布，图网络也不至于集体翻车。这套组合拳不只是在给图机器学习升维，它直接为金融风控、药物发现这类高度结构化的复杂场景，在LLM时代铺了一条能落地的路。
- T11的野心更大。 如果说T9是对结构化数据的深耕，那T11就是对当前最火爆的生成式大模型直接“降维打击”。T11全称《Out‑of‑distribution Generalized Generative AI》，一上来就把多模态大语言模型（MLLMs）的理解能力和基于扩散模型的视觉生成一起端上了桌。它不只拆解这些多模态巨兽的概率公式、架构设计和交互机制，更在产业界最痛的软肋上狠狠戳了一刀：怎么让这些模型在OOD环境下安全部署？当前多数企业训练完大模型后，一到线上遇到用户匪夷所思的prompt就满嘴跑火车，其实根源就在于后训练阶段的对齐做得不够鲁棒。王鑫团队在T11里重点探讨了通用化的后训练策略，通过统一的框架设计，在分布偏移和全新涌现的应用场景下，依然让模型咬住准确率不松口。能在IJCAI这种级别的会议上开这类Tutorial，本身就在说一件事：国际学术界已经认了，清华在这个交叉领域既有开创性，又有领导力——他们不只是解题，更是在“定义问题”。
- 为什么说这是长期主义的胜利？ 看看生成式AI这几年的热闹，绝大多数团队都在追热点，谁参数量大谁嗓门高。但王鑫团队的选择很“冷”：不跟风堆硬件，专挑底层逻辑死磕。他们敏锐地捕捉到，当算力与参数的暴力美学撞上边际收益递减的铁墙时，真正决定模型能不能走向通用人工智能的是OOD泛化能力。两场Tutorial的背后，是提前多年埋下的学术草蛇灰线。这份“双星闪耀”，其实是对短期泡沫最优雅的嘲讽——能扛住真实世界不确定性毒打的模型，才配拿那张AGI的入场券。而在这张入场券上，清华和中国学者的名字，正在被刻在最显眼的位置。
当然，光说不练是假把式。为了把这场定义下一代AI范式的学术风暴第一时间带回国内，雷锋网AI科技评论已经派出了特派编辑团队，远赴德国不莱梅，将在IJCAI 2026会场一线全程蹲点。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
