独揽 IJCAI 2026 两大 Tutorial！清华王鑫团队如何用「OOD泛化」夺取生成式 AI 的国际定义权？
清华王鑫团队包揽 IJCAI 2026 两席 Tutorial：生成式 AI 正式转向 OOD 泛化
在国际人工智能学界备受瞩目的国际人工智能联合会议（IJCAI 2026）Tutorial（讲习班）录用名单近日正式公布。在这场代表全球 AI 前沿学术风向标的会议上，清华大学王鑫教授团队凭借《Beyond Graph Distribution Shifts》(T9) 与《OOD Generalized Generative AI》(T11) 两项研究，同时斩获两个席位。
这一成果不仅是对该团队多年学术积淀的认可，更释放出一个明确的信号：生成式 AI 的技术重心，正从过去依赖“大力出奇迹”的 IID（独立同分布）拟合，全面转向应对真实物理世界挑战的 OOD（分布外泛化）。
大模型的“阿喀琉斯之踵”：为何我们要谈 OOD？
当前，以大语言模型（LLM）和多模态大模型为代表的生成式 AI 虽然表现惊艳，但其核心瓶颈依然突出：“见光死”与“幻觉”。
材料指出，传统深度学习存在对“数据同分布”的脆弱依赖。模型在训练数据（即分布内，IID）上往往表现优异，但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（即分布外，OOD），其性能便会出现断崖式下跌。这种在未见分布下鲁棒性的缺失，正是当前智能系统的“阿喀琉斯之踵”。
正是在这一背景下，清华大学王鑫团队在生成式 AI 爆发前，便将研究重心锚定在了“OOD 泛化”领域。此次 IJCAI 2026 的两场 Tutorial，正是其深耕这一底层命题的成果展现。
技术解法：从图结构到多模态的三维突破
针对 OOD 泛化这一世界级难题，清华团队提出了具体的技术路径，分别聚焦于结构化数据与非结构化生成数据两大领域。
T9：超越图分布偏移——Graph 与 LLM 的融合进化
现实世界中的许多核心数据（如动态知识图谱、生物医学网络、金融风控网络）都是高度结构化且动态演进的，它们天然打破了传统的“IID 假说”。
T9 讲习班定位为 Graph（图）与 LLM（大语言模型）的泛化融合，旨在通过以下三个维度构建解决方案：
- Graph LLMs 表征绑定：将 LLM 强大的语义表征能力与图的结构化特征深度绑定，实现高效的上下文学习（In-context Learning）和小样本学习（Few-shot Learning）。
- 动态自我进化：引入图神经网络架构搜索（NAS）与持续学习（Continual Learning）机制，赋予模型在面对动态图数据时“自我进化”的能力。
- 因果与不变性推断：引入因果推断原则，剥离数据中的虚假关联，构建在未见分布（Unseen Distributions）下依然鲁棒的图网络。
这套三维解法直指金融风控、医药发现等复杂结构化场景的核心痛点。
T11：OOD 泛化的生成式 AI——多模态巨兽的安全着陆
如果说 T9 解决的是结构化数据的泛化问题，那么 T11 则聚焦于多模态大语言模型（MLLMs）理解与基于扩散（Diffusion-based）模型的视觉生成。
其核心议题非常明确：如何让多模态巨兽在 OOD 环境下安全部署？
T11 提出通过通用化的后训练策略（Post-training strategies）来破局。通过对齐技术与统一框架设计，提升模型在面临分布偏移和全新涌现场景时的鲁棒性。这一方向的入选，标志着国际学术界对该团队在多模态与生成式 AI 交叉领域开创性与领导力的认可。
产业与学术意义：通往 AGI 的关键入场券
清华团队此次双 Tutorial 的入选，其意义远超出了学术会议本身：
- 长期主义的胜利：在不追逐参数规模泡沫的当下，团队选择解决智能进化的底层命题，证明了基础研究的长远价值。
- AGI 的入场券：在算力边际收益递减的背景下，拥有极高 OOD 泛化能力的模型，被视为通往 AGI（通用人工智能）的关键钥匙。只有解决了 OOD 泛化，AI 才能真正从“实验室玩具”走向“真实世界应用”。
- 中国学派的话语权：随着清华学者在国际生态中话语权的提升，中国 AI 学界正在参与定义下一代 AI 的技术范式。
据悉，IJCAI 2026 将在德国不莱梅举行。雷峰网 AI 科技评论已派出特派编辑团队，并上线了“IJCAI 2026 顶会专区”，后续将提供包括专家演讲 PPT、大会报告全文及热门论文解读在内的深度报道。