国际人工智能联合会议（IJCAI 2026）近日公布了 Tutorial（讲习班）录用名单，清华大学王鑫教授团队以罕见姿态独揽两席：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 AI 学术赛场，同一团队同时拿下两项 Tutorial 录用，不仅彰显了清华在人工智能领域的强势话语权，更向整个行业释放出一个清晰信号——生成式 AI 的下一场技术战役，正从“大力出奇迹”的独立同分布拟合，全面转向应对真实世界分布外泛化挑战。
大语言模型与生成式 AI 在过去几年高歌猛进，但产业界很快撞上了一堵无形的墙：模型在训练数据分布内表现如神，一旦面对真实世界中前所未见的新场景、新结构或罕见提示词，就会瞬间出现能力断崖式下跌，甚至产生严重的幻觉。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。王鑫团队早在生成式 AI 彻底爆发前，就已敏锐察觉到真实物理世界永远是动态变化的。他们没有随波逐流去卷模型参数规模，而是死磕底层逻辑，将研究重心锚定在“OOD 泛化”这一 AI 皇冠上的明珠。此次 IJCAI 2026 的两场 Tutorial，正是其多年深耕该领域积淀的厚积薄发。
入选的 T9 讲习班主题为《超越图分布偏移》，并非传统图神经网络的基础授课，而是精准切中当前最前沿的交叉领域：图结构与 LLM 的泛化融合。现实世界的数据往往高度结构化且动态演进，例如动态知识图谱、不断进化的生物医学网络。官方介绍犀利指出，绝大多数现有图学习方法都建立在“同分布假说”的温室里，而真实场景无情打破了这一假说。为了跨越这道天堑，王鑫与朱文武教授团队在 T9 中抛出一套系统性“三维解法”：其一，图大语言模型，将 LLM 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和小样本学习；其二，动态适应机制，通过持续学习与因果推断技术，使模型在面对分布漂移时能够实时调整自身参数与表征，而非被动等待重新训练；其三，理论框架与评估体系，为图分布偏移下的模型鲁棒性提供可量化的评测标准，填补该领域长期缺乏统一基准的空白。
另一场 T11《OOD 泛化生成式 AI》则直指生成式模型的核心痛点。当前主流生成式 AI 依赖海量数据与大规模算力，在分布内样本上能生成惊艳内容，但一旦输入偏离训练分布，输出质量便急剧下降。王鑫团队在 T11 中系统梳理了 OOD 泛化在生成式 AI 中的理论根基与实践路径，涵盖从因果表示学习到域自适应生成、从鲁棒扩散模型到分布外可控生成的多个前沿方向。两场 Tutorial 看似独立，实则底层逻辑相通：都试图打破传统机器学习对独立同分布假设的依赖，让 AI 系统真正适应动态、开放、不可预知的真实世界。
这一事件的意义远超学术荣誉本身。从产业视角看，OOD 泛化能力直接决定了 AI 系统在自动驾驶、医疗诊断、金融风控等高风险场景中的可靠性——这些场景中，训练数据永远无法覆盖所有可能出现的边缘情况。王鑫团队此次“双杀”IJCAI，标志着中国学者在 AI 基础理论前沿的竞争力已进入全球第一梯队，也为国内产学研协同攻克“分布外泛化”这一关键瓶颈提供了新的坐标。随着 IJCAI 2026 的临近，业界将密切关注这两场 Tutorial 所揭示的技术路线图，它们或许正是下一代可信、鲁棒生成式 AI 的起点。
