IJCAI 2026 四項論文獎、三項個人成就獎，回答 AI 的「來路」與「去路」

AI 正在走的，是一條螺旋上升的路。作者丨幸麗娟 編輯丨岑 峰 8月20日，IJCAI-ECAI 2026 正會進入第三天。如果說18日的開幕式是榮譽的加冕，那麼今天，聚光燈從獲獎者轉向了獲獎研究本身。AIJ/JAIR 獲獎論文報告環節，獲獎論文作者依次登臺發表獲獎感言、回顧獲獎論文，詮釋這些經典研究在最新語境下的生命力和再思考。從1990年的抽象推理經典到2021年的機器學習前沿，橫跨三十年的學術線索逐次展開。而今日最受矚目的環節，當屬本屆計算機與思想獎得主、斯坦福大學助理教授吳佳俊（Jiajun Wu）的特邀報告。

作為神經符號融合與物理智能的開拓者，他的研究恰好與那條從符號推理延伸至今的學術線索形成了深度呼應。臺下掌聲此起彼伏，不僅獻給登臺者，也獻給那條橫貫三十年、仍在不斷延伸的學術追問。01四項論文獎：橫跨三十年的學術迴響▎2026 AIJ 經典論文獎：三十六年後，理論仍在迴響AIJ/JAIR 獲獎論文報告環節以AIJ 經典論文獎（AIJ Classic Paper Award ）開場。該獎項由IJCAI 旗下《人工智能期刊》（AIJ）設立，表彰在AIJ上發表的、至少15年前經時間檢驗產生持久影響的論文。

今年的獲獎論文《Nonmonotonic Reasoning, Preferential Models and Cumulative Logics》發表於 1990 年，距今已 36 年。論文鏈接：https://arxiv.org/pdf/cs/0202021這篇論文要解決的核心問題：如何為非單調推理建立系統的理論框架。經典邏輯具有“單調性”——新增前提不會推翻已有結論；但人類推理並非如此，知道“鳥會飛”可推斷“Tweety會飛”，得知Tweety是企鵝後結論便被收回，這種“新信息可推翻舊結論”的推理即為非單調推理。

到80年代末，已出現Circumscription、Default Logic等多種非單調系統，卻各自為戰，缺乏統一理論。Kraus、Lehmann和Magidor的關鍵貢獻在於：不再追問“非單調系統缺少什麼”，轉而定義“一個好的非單調推理系統應具備哪些正面性質”。他們定義了五族非單調推理關係，通過表示定理打通證明論與模型論，其中最核心的“偏好關係”族（System P）至今仍被視為非單調推理的“保守內核”。可以說，這篇論文為整個領域繪製了第一張系統性地圖。

在36 年後的IJCAI 舞臺上，希伯來大學計算機科學系教授 Daniel Lehmann、以色列巴伊蘭大學計算機科學教授Sarit Kraus ，曾為師徒的二人，輪流登臺發表獲獎感言、分享對這項工作的再思考。已到古稀之年的導師 Daniel Lehmann 在獲獎感言中回憶道，當初決定將論文投給《人工智能期刊》（AI Journal），是因為他堅信這項工作應該被AI學界廣泛閱讀，而非僅僅侷限於邏輯學領域；儘管該刊明確聲明不發表數學結果，投稿頗具爭議，但最終他還是堅持了這一選擇。

同時他也對時任編輯、已故的丹尼爾·卡尼曼（Daniel Kahneman）深懷感激，認為這份獎項恰恰證明了卡尼曼的決定是正確的，也印證了他們當初堅持將論文發表在AI期刊上的選擇是明智的。接著舞臺交給了他曾經的博士生、66歲的 Sarit Kraus。導師回顧了往昔，她則分享了非單調推理的現在和未來。這個已經發表了36年、甚至被她的學生都認為out了的理論，在新的AI 時代還能煥發新的生機嗎？她的答案是可以，而且正在發生。她指出，人類日常推理天然依賴非單調性——車停好後默認還在，得知被拖走便立刻修正信念，這正是經典邏輯做不到的。

而AI系統同樣遵循這一邏輯：她用軟件評審實驗證明，AI會根據新增信息改變評審結論，否則根本無法應對複雜決策。那她的導師Daniel Lehmann當年提出的KLM原則，能否用於大語言模型驗證？她觀察到邏輯在頂會論文和芯片驗證中依然廣泛應用，但KLM能否直接適配LLM尚無定論——儘管LLM的推理行為本質上是非單調的，理論上可與之契合，卻至今無人真正將KLM用於LLM驗證。

面對這一空白，她轉而嘗試將博弈論與KLM結合，探索多智能體中的“誠實欺騙”（Truthful Deception，即在博弈中通過策略性信息操控實現目標，同時不違背某種形式的真實或可廢止規則），並期待如導師當年推動非單調邏輯成為主流那樣，把這個方向也推向新的高度。Sarit Kraus 1995年摘得IJCAI計算機與思想獎（時年31歲），2023年又將IJCAI研究卓越獎收入囊中，成為罕有集齊該領域“青年獎”與“終身獎”的學者。如今，這位66歲的科學家重新回到經典的非單調邏輯，直面當下大熱的LLM在常識推理中的根本困境——這種學術勇氣本身，便值得敬佩。

▎2026 AIJ 傑出論文獎：五年，從“小眾”到“顯學”如果說Sarit Kraus的演講是經典理論在新時代的迴響，那麼AIJ 傑出論文獎（AIJ Prominent Paper Award ），則展示了新思想如何成為經典的過程。今年的AIJ傑出論文獎授予了2021年發表的《Logic Tensor Networks》。它與AIJ經典論文獎形成時間維度上的互補——一個回望歷史、致敬歷經時間考驗的基礎性工作，一個聚焦近期、捕捉正在塑造學科前沿的創新成果。論文鏈接：https://arxiv.org/pdf/2012.

13635論文提出了Logic Tensor Networks（LTN），引入了一種名為“Real Logic”的全新邏輯語言——一種完全可微的一階邏輯。在Real Logic中，邏輯常量、變量、謂詞和函數都被grounded到神經網絡計算圖上，用模糊邏輯語義來定義真值，從而實現了一階邏輯公式表達領域知識與TensorFlow 2自動微分端到端學習的統一。LTN的最大突破在於：用同一套語言和計算框架，覆蓋了多標籤分類、關係學習、數據聚類、半監督學習、迴歸、嵌入學習和查詢回答等多種AI任務，證明神經符號方法有潛力成為通用AI範式的基礎設施。

IJCAI 2026舞臺上，一作Samy Badreddine登臺分享。他畢業於布魯塞爾自由大學，現為索尼AI研究員，研究聚焦神經符號AI，探索非經典邏輯算子及其在機器學習中的數學性質——這篇獲獎論文正是他在索尼AI完成的代表作。他在回顧LTN開創性工作的同時，系統梳理了該框架後續在理論探索與應用落地兩條主線上的演進脈絡：在基礎研究層面，後續工作持續圍繞LTN作為可微推理系統的核心性質展開：一方面評估不同模糊邏輯算子對梯度優化效果的影響，另一方面深入研究“邏輯捷徑”（reasoning shortcuts）等歸納偏置問題，不斷夯實理論根基。

在應用層面，LTN被廣泛拓展至知識圖譜與推薦系統（注入常識或領域知識提升推理準確性和泛化能力）、大語言模型可解釋預測（利用邏輯約束使輸出更具可審計性）、以及世界模型（編碼物理常識約束智能體行為以符合現實規律）等前沿方向。五年前，神經符號 AI 遠非主流，這篇論文在 arXiv 上公開發表時關注者寥寥。五年後，它獲得了 AIJ 傑出論文獎，並在理論深化和應用拓展兩條線上同步推進，成為該領域最具代表性的框架之一。LTN 這五年的軌跡其實說明了一個樸素的道理：一項工作的影響力，不取決於發表時的熱度，而在於它能否在後續不斷被驗證、被拓展、被應用到真實問題中。在新的技術浪潮下，這個判斷標準依然成立。

▎JAIR 時間檢驗論文獎：經典之所以為經典——簡單、有用、靈活JAIR 時間檢驗論文獎（JAIR Test of Time Award）是今年大會全新設立的獎項，旨在表彰發表在 JAIR 上超過 10 年且對領域產生深遠長期影響的傑出論文。獲獎論文是《SMOTE: Synthetic Minority Over-sampling Technique》。這篇論文於2002年發表， Google Scholar 引用量已超過 47,000 次，是機器學習領域被引最多的論文之一。論文鏈接：https://www.jair.org/index.

php/jair/article/view/10302/24590它解決的問題很樸素：機器學習中如何處理不平衡數據集？SMOTE提出在特徵空間中對少數類樣本進行插值來合成新的數據點。這個方法簡單、有效，已被廣泛採用，並催生了Borderline-SMOTE、ADASYN、SMOTE-NC等大量變體，至今仍是數據科學工具箱中的標準配置。IJCAI 2026論文獎報告環節，SMOTE算法一作 Nitesh Chawla 作為代表分享工作。Nitesh Chawla，是聖母大學計算機科學與工程系 Frank M.

Freimann 講座教授、露西家庭數據與社會研究所創始所長，ACM、IEEE、AAAI、AAAS 四會會士。他首先回憶了這項工作的構思過程——博士期間接手乳腺X光圖像分類任務，97%的準確率因數據高度不平衡而失去意義，這一挫折促使他與Kevin Bowyer等合作者共同探索，最終在特徵空間幾何結構的啟發下提出了SMOTE算法。在此之後，他和團隊圍繞SMOTE持續深耕，陸續發表了處理噪聲、優化採樣率、整合成本敏感評估等方向的論文，形成了完整的研究脈絡。

他認為，SMOTE之所以成為經久不衰的想法，在於它足夠簡單（simple）來實現、足夠有用（useful）來標準化、足夠靈活（flexible）來拓展，也正是這種兼具基礎性與開放性的特質，使其被集成至Azure ML、Amazon SageMaker等主流機器學習平臺，寫入每一本相關教科書，催生出100多種變體，也激發了人們對其侷限性的持續追問。即使在生成式AI與大語言模型時代，SMOTE依然具有現實意義。Chawla指出，不平衡問題無處不在，現代AI正在經歷從特徵空間到多模態、關係結構的範式轉變，而SMOTE的局部鄰域思想正被拓展至圖嵌入、LLM輔助稀疏數據增強等新場景。

真正的挑戰在於：無論模型如何演進，數據的不平衡本質不會改變——如何設計匹配真實評估目標的成本敏感學習機制，仍是未來研究的關鍵命題。▎2026 IJCAI-JAIR 最佳論文獎：當可解釋性遇到計算複雜性的天花板如果說JAIR時間檢驗論文獎是“回望過去”，那麼今年首次頒發的IJCAI-JAIR最佳論文獎（IJCAI-JAIR Best Paper Prize），則與它形成“歷史與當下”的互補結構——每年從近五年發表於JAIR的論文中遴選一篇傑出研究，側重表彰近期成果。

今年的獲獎論文《The Computational Complexity of Understanding Binary Classifier Decisions》發表於2021年，直擊可解釋AI領域的一個根本性問題：解釋一個二元分類器的決策，到底有多“難”？論文鏈接：https://www.jair.org/index.php/jair/article/view/12359/26649論文考慮的場景是：給定一個二元分類器的布爾函數表示和一組輸入值，能否找到一個足夠小的輸入變量子集，使得僅憑這些變量就能以給定概率確定分類結果？

這正是許多XAI方法（如LIME、SHAP背後的思想）試圖做的事情——找出對某個具體預測最“重要”的特徵。作者們給出了一個令人清醒的回答：這個問題是NP^PP完全的。這意味著在最壞情況下，精確地找到最小充分特徵子集在計算上是不可行的。不僅如此，即使允許概率近似——即只要判斷特徵子集以至少δ的概率確定結果，還是至多以δ-γ的概率確定結果——問題仍然是NP-hard的。除非P=NP，否則不存在多項式時間的近似算法。

雖然在這次頒獎典禮上論文作者未能親臨現場，但這絲毫不影響這項研究在可解釋AI領域投下的分量——它把一個被許多XAI方法默認“可以做到”的事情，變成了一個需要正視的問題：你給出的解釋真的可靠嗎？真的足夠小嗎？真的具有確定性嗎？這種“不可能”的結論，往往比“我可以”的宣言更能推動一個學科走向成熟。它提醒每一位XAI的研究者和實踐者：在追求解釋的同時，也要正視解釋本身的侷限；在推動方法落地的同時，也要尊重計算複雜性的底線。而這，或許正是理論工作之於AI領域最不可替代的意義所在。

02三項個人成就獎：從“青年新星”到“終身貢獻”除四項論文獎外，當天下午，萬眾期待的2026 計算機與思想獎（Computers and Thought Award） 得主吳佳俊，也帶來了特邀演講《Building Visual and Physical Intelligence Through Code》。吳佳俊，斯坦福大學計算機科學系助理教授（兼任心理學系）。

他的 Google Scholar 引用接近 49,000 次，同時手握 NSF CAREER Award、ONR 青年研究者獎、AFOSR 青年研究者獎、IEEE AI 10 to Watch、MIT Technology Review 亞太區 35 歲以下創新者等多項榮譽。他 2014 年本科畢業於清華大學交叉信息研究院“姚班”，在校期間連續三年年級第一；之後赴 MIT 攻讀博士，師從 Bill Freeman 和 Josh Tenenbaum，曾任 Google Research 客座研究員，2020 年加入斯坦福。

吳佳俊在演講中，分享了他在視覺與物理智能（visual and physical intelligence） 領域的最新探索。面對物理世界缺乏標註數據的根本困境，他的核心主張是：真實世界本身就蘊含著對稱、重複、層級等符號結構（symbolic structures），這些結構不應被黑箱網絡隱式吸收，而應被顯式建模為可複用的“內在編碼（intrinsic code）”。

沿著這一思路，他展示了兩條互補的技術路線：路線一將物理編碼與可微分模擬器置於學習閉環中，通過自監督重建從單張圖像中提取三維幾何、紋理與材質，並進一步擴展至動態物體的運動狀態建模，以物理規律作為學習的歸納偏置（inductive bias）。

其優勢在於物理一致性強，但受限於模擬器需可微分、準確且快速，目前僅在單物體、乾淨背景、均勻光照等簡化條件下有效；路線二則面對更通用的複雜場景，轉而利用預訓練視頻生成模型等基礎模型（foundation models） 作為知識源，通過分數蒸餾採樣（Score Distillation Sampling, SDS） 等方式從中蒸餾出形狀、材質、光照、運動等內在物理屬性，弱化了對精確模擬器的依賴。他的團隊進一步這兩條路線整合為一個閉環：用路線一的物理模擬提供“直覺”與約束，再用路線二的基礎模型注入視覺真實感，最終在保持物理合理性的同時獲得高度逼真的生成結果，並已實現單GPU上的實時運行。

在“大模型”路線佔據行業焦點的當下，吳佳俊的工作代表了一種互補的思路：物理編碼所承載的結構化知識既是學習目標，也是連接符號系統與深度模型的接口（interface），無論模型如何演進，如何在有限數據下挖掘物理世界的結構化先驗，始終也是 AI 系統實現真正“理解力”的核心命題。而在吳佳俊之前，2026 研究卓越獎（Research Excellence Award）得主Nick Jennings、約翰·麥卡錫獎（John McCarthy Award）得主David C.Parkes ，也已先後發表特邀演講。

Nick Jennings特邀演講的主題是《The Past, the Present, and the Future of Agentic AI》。Nick Jennings 是英國拉夫堡大學校長。他的學術生涯幾乎與“多智能體系統”這一領域的成長同步：1992 年的博士論文聚焦於多Agent協作的理論模型；後又因在多智能體系統領域的開創性貢獻，1999年獲得 IJCAI 計算機與思想獎（該獎項 40 年來首次頒給歐洲學者），如今又拿下研究卓越獎，因此成為極少數同時獲得這兩項 IJCAI 最高榮譽的學者之一。

Jennings 發表超過 700 篇論文，Google Scholar 引用超過 10 萬次，h-index 高達 139。在“Agentic AI”成為行業熱詞的今天，Jennings 30 餘年的研究積累為這一方向提供了最深厚的理論與實踐根基。他是過去 40 年中第三位獲此殊榮的英國學者。演講中，Jennings回顧了智能體的發展歷程：今天行業熱議的智能體，並不是一個突然出現的新概念，而是一條經過數十年積累、終於等到技術成熟的研究路線。

當行業將2026年稱為“智能體元年”時，作為多智能體系統領域的奠基人之一，Jennings 從智能體數十年的學術演進脈絡出發，指出了一條從單智能體能力堆疊走向多智能體社會協作的必然路徑。他認為，真正值得關注的不在於某個模型的個體智能有多強，而在於智能體之間如何協作、如何形成集體智能、如何與人類建立真正的夥伴關係——而這一切的實現，還面臨從靈活分工到開放系統互操作、再到安全責任社會化的多重挑戰。智能體的未來，不取決於單個智能體有多“聰明”，更取決於它們構成的“社會”有多值得信賴。David C.Parkes 則將目光投向了另一個維度——制度設計與機制工程。

他的特邀演講《From Intelligent Agents to Agent Societies》，從微觀規則設計的角度切入，回答了“智能體社會如何運轉”這一命題。David C.Parkes 是哈佛大學 John A.Paulson 工程與應用科學學院院長、George F.Colony 計算機科學講席教授， AAAS、ACM、AAAI 三Fellow。作為計算機制設計（Computational Mechanism Design）領域的先驅，他在哈佛創立了 EconCS 研究組，致力於 AI 與經濟學的交叉研究。

他的核心貢獻在於：開創性地開發了確保高風險多智能體環境中同時保證效率、公平性和激勵兼容的算法機制。他回顧了自己自90年代中期以來在機制設計（mechanism design）領域的研究脈絡，從計算機制設計（computational mechanism design）到自動機制設計（automated mechanism design），再到自動契約設計（automated contract design），貫穿其中的核心命題始終未變：如何設計智能體之間的交互規則，使得即便在信息不完全、利益不一致的條件下，系統依然能產生合意的集體結果。

如果說Jennings勾勒的是智能體研究的宏觀演進路徑，那麼Parkes聚焦的則是這一演進中不可或缺的微觀基礎——規則本身如何被設計、被優化、被驗證。從倫敦公交線路的拍賣機制，到用深度學習自動發現最優拍賣規則，再到用不連續神經網絡建模委託-代理關係中的契約設計，Parkes展示了一個以經濟學為底色、以AI為實現工具的研究範式。而在他演講的結尾，Parkes也將目光投向了與Jennings相同的方向——智能體社會（agent society）。

他認為，未來的AI系統不再是單個智能體與單個人類的“一對一”代理關係，而是開放系統中眾多AI智能體與眾多委託人（人類或企業）共存、交互、甚至彼此創建的複雜社會。這一社會將面臨人類經濟體系中的所有經典