IJCAI 2026顶会精华：专家PPT、论文解读等独家畅览

在近期公布的国际人工智能联合会议IJCAI 2026讲习班录用名单中，出现了极具突破性的一幕：清华大学王鑫教授团队同时拿下两个讲习班席位，分别是T9《超越图分布偏移》与T11《OOD泛化生成式AI》。

在全球顶尖高校与科技巨头云集的顶会舞台上，同一团队斩获“双杀”，不仅彰显了国内AI研究的硬核实力，更向全行业释放了明确信号：生成式AI的下一轮技术竞赛，已经从“靠参数堆砌的独立同分布（IID）拟合”，全面转向“应对真实物理世界的分布外泛化（OOD）挑战”。

大模型的核心痛点

当前大语言模型与生成式AI快速发展，但产业界很快遭遇了发展瓶颈：模型在训练所用的同分布数据上表现优异，但一旦面对真实世界中从未见过的新场景、新结构或罕见提示词这类分布外场景，就会出现性能断崖式下跌，甚至产生严重的幻觉问题。

这种“见光死”的窘境，根源在于传统深度学习对“数据同分布”的脆弱依赖，而打破这一魔咒，正是王鑫团队长期聚焦的研究方向。早在生成式AI爆发前，团队就敏锐察觉到真实物理世界是动态变化的，没有盲目追逐模型参数规模的内卷，而是将研究重心锚定在OOD泛化这一AI领域的核心难题上。此次IJCAI 2026的两场讲习班，正是团队多年深耕该领域的厚积薄发。

T9：图网络与大模型的融合破局

此次入选的T9讲习班主题为《Beyond Graph Distribution Shifts》，并非传统的图神经网络基础授课，而是精准切入了图与大语言模型融合的前沿交叉领域。现实世界的数据往往是高度结构化且动态演进的，比如动态知识图谱、不断进化的生物医学网络，而绝大多数现有图学习方法都建立在“同分布假说”的理想框架下，无法适配真实场景的变化。

王鑫与朱文武教授团队在T9中提出了系统性的三维解法：一是Graph LLMs，将大语言模型强大的表征能力与图结构深度绑定，让模型在图数据上也能实现灵活的上下文学习与小样本学习；二是动态适应，针对不断进化的数据引入图神经网络架构搜索与持续学习策略，让模型具备自我进化的能力；三是因果与不变性，将因果推断原则引入图模型，剥离虚假关联，从而在从未见过的分布下构建真正鲁棒的图网络。

这套组合拳不仅升维了图机器学习理论，更为金融风控、医药发现等复杂结构化场景在大模型时代的落地指明了方向。

T11：多模态生成式AI的OOD突围

如果说T9是在结构化数据领域的深耕，那么T11《OOD泛化的生成式AI》则是对当前生成式大模型主流赛道的降维打击。当前业界讨论生成式AI时，往往陷入参数规模的内卷，而王鑫团队在T11中将视野拔高到多模态大语言模型与基于扩散的视觉生成模型领域。

团队不仅系统拆解了这类多模态模型的概率公式、架构设计与交互机制，更直击产业界最核心的痛点：如何让这些模型在OOD环境下安全部署。为此，团队重点探讨了当前AI领域最前沿的通用化后训练策略，通过后训练阶段的对齐与统一框架设计，让模型在面对分布偏移和全新应用场景时，依然能保持极高的鲁棒性。

能够在IJCAI这样的顶会开设此类讲习班，说明国际学术界已经高度认可清华团队在该交叉领域的开创性与领导力——他们不仅在解决现有问题，更在定义行业的核心研究方向。

长期主义的学术胜利

从图+大模型到OOD生成式AI，王鑫与朱文武教授团队在IJCAI 2026上的亮眼表现绝非偶然，这是长期主义学术哲学的胜利：不追逐短暂的技术泡沫，而是敏锐捕捉智能进化的底层命题。当算力与参数的暴力扩张遭遇边际收益递减时，具备高OOD泛化能力的模型，才是通往通用人工智能（AGI）的真正入场券。而在这张入场券上，中国学者与清华大学的名字，正在被刻在越来越显眼的位置。

此次IJCAI 2026即将在德国不莱梅举办，相关科技媒体将派出特派团队进行一线深度报道，不仅会还原王鑫团队讲习班的精彩内容，更将全景展现全球顶尖学者的思想碰撞。目前顶会专区已经上线，欢迎关注相关前沿内容。