82 篇论文撑起的判断：IJCAI 凭什么是推理、规划、知识的「第一主场」

50篇推理加32篇规划，IJCAI里最硬的8%。

作者丨陆毅 陈淑瑜

编辑丨岑峰

“IJCAI/AAAI在推理、规划、知识方面是最顶级的，这几个方向也是AI当下急需的。”

2019年，南京大学俞扬教授在一场关于 AI 顶会评级的讨论中写下了这句话。

彼时大语言模型尚未爆发，“推理”一词在AI社区远不如今天这般炙手可热。七年过去，当 DeepSeek-R1 用强化学习激发推理链、当 AlphaGeometry 用符号引擎超越 IMO选手、当整个行业开始反思“大模型到底会不会推理”时，俞扬教授的判断反而显得更具前瞻性。

IJCAI 是否在推理、规划、知识方面是最顶级的呢？AI科技评论以IJCAI-ECAI 2026的最新论文阵容为证据，从宏观格局和具体论文两个层面，验证“IJCAI在推理、规划、知识方面是最顶级的”这一观点在当下是否仍然成立。

01

为什么IJCAI的“基因”里写着推理、规划与知识

IJCAI-ECAI 2026将于8月15日至21日在德国不来梅举行，这届IJCAI将与第29届 ECAI 欧洲人工智能会议联合举办。

自1974年首届会议在英国布莱顿举办以来，ECAI一直是欧洲符号AI与知识工程研究的传统主场，ECAI 2024的 proceedings 描述中曾明确指出，ECAI 的覆盖领域明确包括"planning, search, constraints, satisfiability, knowledge representation"——这些正是符号主义AI的核心领地。

当IJCAI与欧洲符号 AI 的传统主场的 ECAI 联合举办时，“推理、规划、知识”在会议基因里的地位便被双重强化。这是学术传统自然汇流的结果。

而从数量上看，IJCAI对推理、规划、知识方向的投入是实打实的。

根据目前已有的IJCAI 2026公布情况，AI科技评论预估本次IJCAI 总投稿数超过5400篇，目前总录用论文数990篇，录用率约18%。

根据IJCAI 2026公开的main-track统计，"Knowledge Representation and Reasoning"共有67篇，"Planning and Scheduling"有32篇论文，换言之，仅这两个核心方向就占据了IJCAI-ECAI 2026main-track录用论文的13.3%。

如果将"Constraint Satisfaction and Optimization"与"Search"这两个与推理/规划同源、同样隶属于符号AI传统的方向一并计入，则推理、规划、知识方向的论文集群合计达148篇，占比约20.8%。也就是说，每五篇IJCAI论文中，就有一篇属于符号推理这一谱系。

更重要的是，这些方向不仅数量稳定，而且质量突出。

翻看IJCAI近年的杰出论文奖名单，推理/规划/知识方向的论文反复出现：

注：IJCAI每年评选3篇杰出论文奖，上图仅选取与推理/规划/知识方向直接相关的获奖论文，未列出的其他获奖论文涉及优化、公平性、推荐等方向。

上表九篇论文全部直接涉及推理、规划或知识表示。如果说录用数量说明的是“广度”，那么杰出论文奖反复花落此领域，说明的是“深度”。

02

推理（Reasoning）：从纯符号到神经符号的进化

俞扬教授所说的“推理”指的是符号推理——基于逻辑规则、知识表示的演绎推理。到2026年，这一方向在IJCAI不仅没有萎缩，反而因为大语言模型的兴起获得了新的生命力。

以下三篇IJCAI-ECAI 2026录用论文勾勒了这一趋势。

▎神经决策传播：让ASP在连续域中“可微”

Answer Set Programming是知识表示与推理的核心形式化工具之一，但将其与神经网络集成时，长期面临一个工程瓶颈：现有方法（如NeurASP、SLASH）的推理流水线依赖经典ASP求解器，神经网络的连续输出必须先被“翻译”成离散的符号原子，再交给求解器处理。

这一连续-离散转换引入了组合爆炸问题，也使整个系统无法利用 GPU 的并行计算能力。维也纳理工大学的Thomas Eiter、日本国立信息学研究所的Katsumi Inoue与Sota Moriyama在IJCAI-ECAI 2026上提出的Neural Decision-Propagation方法，正是为打破这一瓶颈而生。

论文链接： https://arxiv.org/abs/2605.01797

代码：https://github.com/sotam2369/NDProp

NDProp架构——Decision-Propagation (DProp) 迭代管线与神经化扩展

他们首先设计了一种全新的稳定模型计算方法——Decision-Propagation ，其核心思想是在原子级别交替进行“假值决策”与“真值传播”：每一步选择一个尚未决定的原子，将其暂定为假，然后传播其逻辑后果，直到所有原子都被确定。论文严格证明了成功的DProp计算恰好捕获稳定模型语义。

在此基础上，NDProp将DProp扩展为可微版本，也就是用循环神经网络替代离散的假值决策，用模糊逻辑算子替代真值传播，使得整个ASP求解过程可以在连续域中进行端到端训练。当输出为二值时，NDProp的运算等价于DProp，这意味着用强制二值输出的损失函数训练NDProp，本质上就是迫使网络学会输出稳定模型，并且无需任何监督信号。

实验结果令人瞩目。在 MNIST 算术推理任务上，NDProp 准确率全面超越NeurASP 和 SLASH，平均推理速度比 NeurASP 快约42倍、比 SLASH 快约7倍。在不完整数据的视觉数独任务中，NDProp 在所有数据量设置下均优于纯ASP和纯神经方法，兼得了符号推理的精确性与神经网络的鲁棒性。

NDProp在MNIST算术推理与视觉数独任务上的实验结果对比

这篇论文的意义在于：它将ASP的求解过程本身“神经化”，为神经符号AI打开了一条真正端到端的技术路径，避免了简单地在ASP外部附加神经网络的做法。

▎LLM进化SAT求解器：大模型加速符号推理

SAT 求解是组合推理的核心基础设施，但现代 SAT 求解器已极其精密复杂，人类专家很难再手动实现显著改进。IJCAI-ECAI 2026录用的论文"Bridging LLMs and SAT Solving: Automated Evolution of High-Performance Heuristics"提出了一个大胆的思路：让大语言模型自动进化SAT求解器的启发式函数。

论文链接： https://2026.ijcai.org/accepted-papers?ijtrack=main-track

AESAT项目：https://github.com/FSQH-dh/AESAT

作者设计了AESAT框架，采用混合专家架构，让GPT-4.5负责创意生成，Claude 3.7负责代码实现，DeepSeek-R1负责逻辑分析与进化交叉，三者协同迭代优化 SAT 求解器的分支启发式。框架还具备自优化提示词的能力，能从历史性能数据中学习以避免重复错误。

衍生求解器AE-Kissat-MAB在2025年国际SAT竞赛主赛道以绝对优势夺冠，这是一个标志性的"LLM→Symbolic"案例：大语言模型扮演了符号推理引擎的“进化加速器”角色，在人类专家已接近瓶颈的领域实现了突破。

▎让AI学会“抽象”：ASP的泛化推理基础

在IJCAI-ECAI 2026的Early Career Spotlight环节，Zeynep G. Saribatur将带来题为"Towards Reasonable AI: Foundations for Abstraction and Generalized Reasoning"的报告。

来源：https://2026.ijcai.org/accepted-papers/?ijtrack=early-career-spotlight

Saribatur个人主页：https://www.dbai.tuwien.ac.at/user/saribat

她的研究聚焦于一个根本问题：人类推理依赖抽象和泛化，但AI系统如何获得这种能力？

Saribatur 选择在 ASP 这一符号AI核心形式化框架中发展形式化的抽象方法，既能简化推理表示又不丢失关键解的性质，同时支持计算效率的提升和人类对 AI 决策过程的理解。

这项工作在IJCAI 2026上同时以多篇论文形式出现，她与CRIL实验室合作的"Abstracting the Indistinguishable in ASP"也在主 track 录用，这样意味着抽象推理这一基础方向在IJCAI的版图中占据着不可忽视的位置。

03

规划（Planning）：从经典PDDL到LLM驱动的混合规划

规划是IJCAI的传统强项。从2019年到2026年，规划研究经历了一次范式拓展：经典PDDL式规划依然活跃，但LLM驱动的混合规划成为新的增长极。IJCAI-ECAI 2026的录用论文清晰地展现了这一趋势。

▎DUPLEX：让LLM做它擅长的，让符号规划器做它擅长的

大语言模型为机器人任务规划带来了语义灵活性，但其幻觉和逻辑不一致的弱点严重制约了在长时间域任务中的可靠性。

东北大学与美的集团联合在IJCAI-ECAI 2026上发表的论文"DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction"提出了一种精巧的分工策略：将LLM严格限制在结构化语义信息的提取上，避免让其承担端到端规划的职责。

来源：arXiv:2603.23909 https://arxiv.org/abs/2603.23909

DUPLEX采用双系统架构。快速系统中，轻量级LLM从自然语言指令中提取实体、关系等信息，确定性地映射为PDDL问题文件，再交给经典符号规划器求解。当规划失败时，例如提取的信息不完整或存在歧义，慢速系统激活，利用求解器返回的诊断信息驱动高容量LLM进行迭代反思和修复。

DUPLEX的双系统架构

这种设计背后的洞察十分清晰：将LLM限制在其擅长的部分，并将逻辑计划合成留给符号规划器。在12个经典和家庭规划领域上的广泛评估中，DUPLEX在成功率和可靠性方面显著优于现有的端到端和混合LLM基线，验证了“各司其职”比“全包大揽”更有效。

▎实时多机器人运动规划：经典搜索与机器学习的联姻

在工业场景中，多机器人在共享空间中的运动规划是一个计算挑战。Amazon的研究团队在IJCAI-ECAI 2026上发表了"Real-Time Multi-Robot Motion Planning with Safe-Interval Search and Learning-Guided Repair"，提出了SIPP-PP-LNS框架。

来源： https://www.amazon.science/publications/real-time-multi-robot-motion-planning-with-safe-interval-search-and-learning-guided-repair

该框架采用两阶段算法：第一阶段使用优先级安全区间路径规划（SIPP-PP）快速生成初始无碰撞轨迹，并引入了一种新颖的有限目标预留策略来防止目标阻塞冲突；第二阶段利用XGBoost引导的大邻域搜索（LNS）在高度拥挤环境中智能选择冲突解决方案。

这种经典搜索与机器学习的结合产生了惊人的效率——相比最近先进的基于学习的方法，如扩散规划器，该规划器快了两到三个数量级，能在数十毫秒级别内为多个机器人生成无碰撞路径，满足仓储自动化等工业应用的严苛实时要求。

这项工作展示了一个重要趋势：在规划领域，经典搜索算法通过与机器学习的深度融合焕发新的活力。

四台机器人规划图

▎ChinaTravel挑战赛：在真实旅行规划中检验LLM智能体

南京大学LAMDA实验室在IJCAI-ECAI 2026上组织了“第二届智能旅行规划挑战赛”（ChinaTravel Challenge @ IJCAI 2026），基于1,154条真实中文旅行需求构建了开放式旅行规划基准。

来源：https://chinatravel-competition.github.io/IJCAI2026/

ChinaTravel基准概览——Agent工作流、沙箱环境与组合约束验证

与以往将用户意图简化为“填空选择题”的旅行规划基准不同，ChinaTravel要求模型通过大量工具收集信息，同时权衡空间、时间、预算、口味、体力等彼此耦合的变量，并通过组合约束验证检验智能体的语义理解、约束满足与组合泛化能力。

这一挑战赛的设计哲学与南大LAMDA在神经符号规划方向的一贯主张一致，让LLM做语言理解，让符号层处理长程搜索和验证器闭环纠错。这个竞赛也是对“LLM能否真正规划”这一行业关切的系统性检验。

ChinaTravel的约束复杂度分布与上下文规模分析

04

知识（Knowledge）：从知识表示到神经符号知识工程

知识表示与推理是IJCAI收录论文最多的话题分组之一。在IJCAI-ECAI 2026上，这一方向呈现出两个鲜明特征：一是传统KRR理论持续深化，二是知识表示与神经方法的融合加速推进。

▎CRIL实验室的“七篇齐发”：KRR方向的学术密度

法国CRIL实验室（Artois大学）在IJCAI-ECAI 2026上有7篇论文被录用，几乎覆盖了KRR的所有核心子方向。

来源：https://www.cril.univ-artois.fr/en/posts/2026-05-11-ijcai26

其中，"Abstracting the Indistinguishable in ASP"由Zeynep G. Saribatur、Markus Hecher和Johannes K. Fichte合作完成，研究的是ASP中“不可区分”原子的抽象问题：当多个原子在推理过程中表现出等价行为时，如何将它们抽象为更高层次的表示以简化求解，同时不丢失关键信息。

这一工作与Saribatur在Early Career Spotlight中展示的抽象推理研究形成了理论与应用的呼应。

"Diversity of Extensions in Abstract Argumentation"则将量化思维引入论证框架。论证是AI中建模和推理关于论点冲突的重要工具，但标准的论证推理只告诉你“哪些论点集是可接受的”，却不揭示不同可接受集之间的差异程度。Fichte等人引入了基于对称差分的“扩展多样性”量化概念，系统性地分析了其计算复杂性，并提供了原型实现。这种将定性推理“是否可接受”扩展为定量分析“有多不同”的思路，为论证框架在决策支持系统中的实际应用打开了新的空间。

此外，"Computing Coverage-Based Prime Implicant Explanations for Tree-Based Models"将知识表示技术应用于可解释AI（XAI），为树模型生成覆盖度最优的素蕴涵解释；"gDMC: A Generic Distributed Model Counting Framework"解决了模型计数这一#P完全问题的分布式求解；"Splitting Meanings"则为次一致性和不一致性度量提供了统一视角。

一个实验室在一个会议上发表7篇KRR方向论文，这种密集度在NeurIPS或ICML中是极为罕见的，它说明IJCAI承载了一个以知识表示为学术家园的研究社区。

▎可解释ASP：让符号推理“看得见”

Thomas Eiter、Tobias Geibinger和Zeynep G. Saribatur在IJCAI-ECAI 2026的Survey/Vision track上发表了"An XAI View on Explainable ASP: Methods, Systems, and Perspectives"，系统梳理了ASP在可解释AI中的角色。

来源：https://2026.ijcai.org/accepted-papers?ijtrack=main-track

ASP的一个天然优势是推理过程本身就是一个逻辑演算链条，可以被人类理解。但"可解释"需要精心设计的解释方法、可视化系统和交互界面。这篇综述从方法、系统和未来方向三个层面，将散落在各处的研究整合为一个连贯的研究图景。在LLM“黑箱推理”引发广泛关切的当下，ASP所提供的可验证、可追溯的推理路径，恰恰是可解释AI最坚实的理论基础。

XAI ASP Survey论文中的示例：ASP程序的省略型抽象（omission-based abstraction）将不可区分的原子抽象为高层表示

▎知识图谱更新可以“静态正确”且“可编程”

Eduard Kamburjan等人在IJCAI-ECAI 2026上发表的论文"GEV: Statically Correct and Programmable Knowledge Graph Updates"解决的是知识图谱管理中的一个实际问题：如何确保知识图谱的更新操作在编译时就是类型安全的，而非等到运行时才发现错误。

来源：https://2026.ijcai.org/accepted-papers?ijtrack=main-track

BilAI：http://www.bilateral-ai.net/news-events/bilai-at-flagship-conferences

GEV的内部架构（左）与验证工作流（右）

传统知识图谱更新缺乏静态保证，更新操作可能引入不一致或违反约束。GEV框架将编程语言中的静态类型检查思想引入知识图谱管理，使更新操作在执行前就能被验证为正确，同时保持足够的表达力以描述复杂的更新逻辑。

这种将软件工程方法论与知识表示交叉的思路，体现了KRR方向从纯理论向工程可用性拓展的趋势。

05

结语：从“顶级”到“不可替代”

回到俞扬教授2019年的判断——“IJCAI在推理、规划、知识方面是最顶级的”，2026年的证据给出了清晰的回答：这一观点不仅成立，而且在当下比2019年更具现实意义。

从宏观层面看，IJCAI与ECAI的联合举办让符号AI的欧洲传统与全球AI社区深度对接；仅KRR和Planning两个方向就贡献了IJCAI 2026约13%的录用论文，若将约束求解与搜索等同源方向计入则接近21%，且这些方向的论文反复出现在杰出论文奖名单上。

从微观层面看，IJCAI-ECAI 2026的论文阵容展现出一条清晰的技术主线：无论是用可微决策传播打破ASP的求解瓶颈（NDProp），用LLM进化SAT求解器突破人类专家瓶颈（AESAT），用双系统架构让LLM与符号规划器各司其职（DUPLEX），用经典搜索与机器学习联姻实现数十毫秒级多机器人规划（SIPP-PP-LNS），还是用知识图谱静态验证推进知识表示的理论前沿，这些工作都指向同一个事实：在“大模型会不会推理”成为全行业关切的今天，IJCAI所深耕的推理、规划、知识方向，恰恰是回答这一关切的关键。

俞扬教授在2019年还说了一句话：“这几个方向也是AI当下急需的。”七年之后，当整个AI行业在推理能力上遭遇瓶颈、当人们发现纯粹的规模扩展无法带来真正的推理能力时，这句话的分量更加沉重。

IJCAI之所以在推理、规划、知识方面“顶级”，正是因为这些方向是AI走向真正智能的必经之路，而IJCAI，一直在那条路上。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了IJCAI 2026 参会群！进群你会解锁这些「福利」?

• 会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

• 同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

• 前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

• 现场后援团：（会议期间专属开启）：到了会场也不用慌——

  路线导航：场馆分布、报告厅怎么走，群里随时问；

  议题共读：热门 session、Keynote 现场探讨，错过也能追；

  Poster 汇编：现场海报精华整理，一键收藏不遗漏；

  约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

? 进群传送门：扫码进群或添加微信Qvv0909777，备注：IJCAI+ 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈