TUM 黎子玥：模型這麼大這麼強，為什麼還是「上不了路」？| IJCAI 2026

在 IJCAI 2026 的演講場合中，慕尼黑工業大學（TUM）學者黎子玥提出了一個令在場研究人員深思的問題：當模型規模與能力已經達到前所未有的高度，為什麼智慧系統依然難以真正走出實驗室、進入真實世界落地應用？她直言，當前學術研究與產業實務之間存在一道巨大的鴻溝，而這道鴻溝的根源，往往被華麗的模型數據所掩蓋。黎子玥指出，學術環境中慣用的資料集與真實世界的數據本質上屬於兩個截然不同的世界。實驗室裡的資料通常是乾淨、經過完整標註、結構明確的，模型在這樣的基準測試中表現優異，確實能反應出演算法在理想條件下的潛力。

然而，一旦系統被放置到真實場域，迎面而來的往往是充滿雜訊、動態變化劇烈、甚至極度不平衡的長尾情境，這些都是學術資料難以模擬的挑戰。她進一步說明，當模型面對這些現實世界的數據時，原本在測試階段的高準確率往往會迅速衰減，穩定性也隨之動搖。對許多企業而言，這正是智慧系統遲遲無法進入量產階段的致命傷。縱使模型在展示環節表現得再亮眼，只要在實際運作中出現不可預期的落差，就難以說服用戶真正接納這項技術。黎子玥認為，問題的關鍵之一在於可解釋性。她將可解釋性形容為決定智慧系統能否上路的「生死線」。特別是在交通、工業製造等高風險領域，系統的決策過程必須能被理解、被驗證，才有機會獲得監管機構與終端使用者的信任。

她強調，即便模型性能再強大，倘若無法清楚交代「為什麼這樣判斷」，任何落地應用都可能因為缺乏信任基礎而寸步難行。她進一步闡述，未來的發展方向不應該只是持續堆疊模型規模、擴張參數量。更重要的，是如何讓模型在關鍵時刻承擔起責任，向使用者與監管方展現完整的推理脈絡。只有在這種透明度與可驗證性的基礎上，智慧系統才有機會在真實環境中長期運作，真正發揮價值。這番憂慮其實並非危言聳聽。大約三年前，正值大模型技術開始全面爆發之際，國際顧問機構麥肯錫曾針對全球交通與工業領域的從業者進行問卷調查，題目相當直白：距離真正的智能化還有多遠？調查結果卻出乎多數人意料，受訪者普遍認為，這條路至少還需要十到二十年的時間。

這份調查結果與黎子玥在演講中所提出的觀察高度呼應。她分析，技術突破與產業應用之間的距離，從來就不只是算力資源或參數規模的問題。真正的障礙，其實是數據真實性、決策可信度、安全驗證等一連串基礎門檻，這些門檻至今仍然橫亙在研究人員與實務從業者面前，尚未找到全面性的解決之道。從這個角度來看，AI 產業的下一步或許不該只專注於模型的「上限」，更該重視系統在真實環境中的「下限」。當業界普遍追逐更強大的模型能力時，如何確保這些能力在混亂、不可預測的真實世界中依然可靠，才是通往大規模應用的關鍵所在。黎子玥的觀點也為產學合作提供了一個新的思考方向。

學術研究不應該僅滿足於在標準化測試中取得領先，更應該積極擁抱真實場域的複雜性，將實務挑戰視為驅動研究的重要動力。唯有讓模型在設計之初就考量雜訊、動態變化與長尾情境，才能真正縮短實驗室與現實世界的距離。此外，監管與驗證機制的建立同樣不可忽視。在她看來，一個值得信賴的智慧系統，除了要有優秀的演算法支撐，還需要完整的驗證框架來把關，讓每一個決策都有跡可循、有據可查。這不僅是技術問題，更牽涉到制度設計、產業標準與社會信任的建構。最終，黎子玥的演講留下了一個明確的訊息：人工智慧的落地之路，是一場需要整合技術、信任與責任的長期工程。模型的大與強，只是起點而非終點。

唯有跨越數據、解釋與安全這幾道深溝，智慧系統才能真正從「能用」走向「好用」，從展示廳走進每一條街道、每一座工廠，成為社會運作中值得依賴的基礎設施。