Bengio 15 年前論文再奪 AAAI 獎！AI 正告別單純炫技，走向真實世界

作者 | 木子

新加坡的會場里，全球人工智能頂會AAAI，正式揭曉年度獎項，也迎來了它的第 40 個年頭。

今年共頒發(fā)了 5 個杰出論文獎，以及 2 個經(jīng)典論文獎。在獲獎名單中，竟然還有“機器學習三巨頭”之一的Yoshua Bengio。

不過這一次，他并不是因為最新成果獲獎，而是憑借在 2011 年寫的一篇論文獲得了經(jīng)典論文獎。而且不久前，他剛達成 AI 領(lǐng)域首個“百萬被引作者”的成就。

為什么 10 多年前的這篇論文，會在今年被重新拉出來，還獲得了經(jīng)典論文獎？

不妨來看看它講了些什么。

論文名為 Learning Structured Embeddings of Knowledge Bases（《面向知識庫的結(jié)構(gòu)化表示學習》）。提出了一種方法，把知識庫的結(jié)構(gòu)化數(shù)據(jù)嵌入到連續(xù)空間中，從而讓結(jié)構(gòu)化知識更容易用于機器學習任務(wù)。

換句話說，這篇文章解決的是如何把離散世界（知識、事實、關(guān)系）嵌入到連續(xù)空間；以及如何讓神經(jīng)網(wǎng)絡(luò)不靠純統(tǒng)計，而是“接住現(xiàn)實結(jié)構(gòu)”。而今天熱門的世界模型、RAG、Agent 的外部記憶等等這些東西，從本質(zhì)上講，全都在復(fù)用這條路線。

再說回今年獲獎的5 篇杰出論文，這些論文有講機器人和 VLA 的，有在講如何在連續(xù)時間系統(tǒng)中讓 AI 模型“白盒化”的，還有講 LLM 和 CLIP、講高頻信號和局部判別結(jié)構(gòu)的。

串起來看，這些論文的研究方向，其實可以概括出一個共同指向：AI 的競爭，已從拼實驗環(huán)境的中的炫酷 Demo，轉(zhuǎn)向真正的應(yīng)用層。Scaling Law 那套雖然不完全失效，但多少有點過時了，誰能在真實世界中被理解、被修訂、被信任越來越關(guān)鍵。

AAAI 2026: AI 走向現(xiàn)實，

評獎標準重塑

下面來看看這幾篇杰出論文，都有哪些有意思的信息。

具身智能領(lǐng)域：

論文名： ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver （ReconVLA：作為高效機器人感知器的重建式視覺 - 語言 - 動作模型）

要說清本文的創(chuàng)新點，需要再這里先簡單回顧一下什么是 VLA——VLA（Vision-Language-Action）具身智能領(lǐng)域的一個關(guān)鍵模型，可以把視覺感知、語言理解和動作生成統(tǒng)一到同一個模型中，直接根據(jù)“看到什么 + 聽到什么”，來輸出可執(zhí)行機器人動作。

不過當前 VLA 的缺陷也是很明顯的：比如模型在執(zhí)行動作時，視覺注意力高度分散；即便模型能“理解指令”，但在復(fù)雜場景、多干擾物、長任務(wù)中，往往看不準真正要操作的物體。

結(jié)果就是：抓錯對象、操作不精確（現(xiàn)實世界對精確度要求很高）、長鏈任務(wù)中途失敗等等。

總之，以往 VLA 只監(jiān)督“動作輸出”，幾乎不約束“視覺感知過程本身”。

而ReconVLA 的關(guān)鍵思想是：不“告訴模型看哪里”，而是“逼模型把關(guān)鍵區(qū)域重建出來”。

其核心機制，簡單來說，就是模擬人類視覺的“凝視（gaze）”機制，不要求模型輸出框，也不輸入裁剪圖，而是讓模型在內(nèi)部生成一種“重建信號”，去還原“當前要操作的局部區(qū)域”。

論文還系統(tǒng)性地對比了三類視覺定位（grounding）范式：

• 一類是以外部檢測器和裁剪圖像為代表的Explicit Grounding，

• 一類是先輸出目標框、再生成動作的CoT Grounding，

• 以及作者提出的Implicit Grounding（隱式 Grounding），也就是 ReconVLA 的方式。

圖注：不同范式 Grounding 之間的概念性對比。

前兩類方法本質(zhì)上都是在顯式告訴模型“答案在哪里”，并未真正改變 VLA 內(nèi)部的視覺表示和注意力機制。

而 ReconVLA 通過重建過程，將關(guān)鍵區(qū)域作為一種隱式的視覺監(jiān)督信號，引導模型生成所謂的“重建 token（reconstructive tokens）”，從而在不引入額外輸入或輸出的前提下，重塑視覺感知能力。

換句話說，它不再讓模型“蒙著眼睛試動作”，而是強制模型在每一步?jīng)Q策前，先把目標對象看準，再去動手。

關(guān)于從“結(jié)果可解釋”，走向“結(jié)構(gòu)可操作”：

論文名： Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis （基于理論評分分析的動態(tài)系統(tǒng)因果結(jié)構(gòu)學習方法）

這篇論文提出了一種方法：CADYT。能夠在連續(xù)時間、甚至不規(guī)則采樣的數(shù)據(jù)中，同時刻畫系統(tǒng)的動力學演化，并恢復(fù)其中的因果結(jié)構(gòu)。

更重要的是，作者證明了用于判斷因果關(guān)系的評分函數(shù)，在理論上等價于一種合理的模型選擇準則，而不是經(jīng)驗性的啟發(fā)式指標。換句話說，就是這個評分不是憑經(jīng)驗設(shè)計的，而是從理論上保證：它會偏向那些“解釋得剛剛好、不多也不少”的因果結(jié)構(gòu)。

在現(xiàn)實世界的系統(tǒng)中，無論是工業(yè)控制、物理系統(tǒng)，還是醫(yī)療過程，系統(tǒng)本質(zhì)上都是連續(xù)時間演化的，而且由穩(wěn)定的因果機制驅(qū)動。但以往的方法往往只能解決其中一半問題。

一類是時間序列因果發(fā)現(xiàn)方法，它們通常基于離散時間建模（如 DBN、Granger），并假設(shè)規(guī)則采樣，因此在面對真實的連續(xù)動力學和不規(guī)則采樣時，難以準確刻畫系統(tǒng)本身的演化機制。

另一類是連續(xù)時間動力學建模方法（如 Neural ODE、GP-ODE），雖然能自然處理不規(guī)則采樣，卻主要關(guān)注預(yù)測精度，本質(zhì)上并不區(qū)分因果依賴與偶然相關(guān)。

這就留下了一個長期存在的空白：幾乎沒有方法，既工作在連續(xù)時間框架下，又能夠同時恢復(fù)系統(tǒng)的動力學機制和因果結(jié)構(gòu)。

而 CADYT 正是針對這一空白提出的。它將連續(xù)時間的高斯過程動力學建模，與基于最小描述長度（MDL）和算法馬爾可夫條件（AMC）的因果評分結(jié)合起來，在不規(guī)則采樣條件下，通過比較不同因果結(jié)構(gòu)對數(shù)據(jù)的“壓縮能力”，來識別真正的因果關(guān)系，并給出了明確的理論保證。

說得更直白一點，這項工作把連續(xù)時間動力學建模，從“擬合得像不像真實軌跡”，推進到了“學到的機制在因果上是不是對的”。

論文名： Model Change for Description Logic Concepts （描述邏輯概念的模型變更）

此論文還未公開上傳，暫無鏈接。

關(guān)于表示學習，重新審視結(jié)構(gòu)本身

論文名： LLM2CLIP: Powerful Language Model Unlocks Richer Cross-Modality Representation （LLM2CLIP：強大語言模型解鎖更豐富跨模態(tài)表征）

CLIP（Contrastive Language–Image Pre-training）是一個經(jīng)典的多模態(tài)模型，通過對比學習，將圖像和文本映射到同一語義空間，從而實現(xiàn)“以文找圖、以圖找文”等跨模態(tài)理解能力。

CLIP 在跨模態(tài)檢索和基礎(chǔ)語義對齊上表現(xiàn)出色，但它也有一個公認的短板：文本編碼器容量較小、上下文長度有限，對長、復(fù)雜、信息密集的文本理解能力不足。這在長文本檢索、多語言理解等場景中尤為明顯。

LLM 在語言理解、上下文建模和世界知識方面，倒是明顯更強。但問題在于，LLM 不能直接接入 CLIP。

——一方面，原生 LLM 的句向量并不具備對比學習所需的“高區(qū)分度”，很難有效拉開不同 caption 之間的距離；另一方面，如果端到端聯(lián)合訓練 LLM 和 CLIP，計算成本也高得不可接受。

這篇論文提出了一種系統(tǒng)化的新方法，名曰：LLM2CLIP，顧名思義，把 LLM“接入”或“輸送”到 CLIP 里，用 LLM 來替代或者增強 CLIP 的文本能力。

但這并不是簡單地把 LLM 直接接進去。作者給出的解決路徑，是分兩步走，各解決一個關(guān)鍵障礙。

第一步，是先讓 LLM 成為一個“合格的文本 embedding 模型”。為此，論文提出了Caption-Contrastive Fine-tuning：

使用同一張圖像對應(yīng)的不同 caption 作為正樣本，通過對比學習，讓語義相近的描述在向量空間中更接近、不相關(guān)的描述更遠；同時配合平均池化、雙向注意力和 LoRA 等結(jié)構(gòu)調(diào)整，提升句向量的穩(wěn)定性和可區(qū)分性。

這一步的目標并不是做多模態(tài)，而是把 LLM 訓練成一個真正“好用”的文本表示器。

第二步，則是直接用經(jīng)過處理的 LLM，替換掉 CLIP 原有的文本編碼器。在這一階段，LLM 參數(shù)被凍結(jié)，僅訓練一個非常輕量的 adaptor 來對齊視覺特征，使整體訓練流程幾乎等同于普通的 CLIP 微調(diào)，算力成本基本不變。

大量消融實驗表明：同時保留兩個文本編碼器、或試圖在兩者之間做復(fù)雜對齊，效果反而更差；“直接替換”是最簡單、也是最有效的方案。

實驗結(jié)果顯示，LLM2CLIP 在長文本檢索任務(wù)上提升最為顯著，短文本檢索也有穩(wěn)定增益，同時多語言檢索能力明顯增強。更重要的是，這些提升是在僅使用百萬級數(shù)據(jù)、幾乎不增加訓練成本的前提下實現(xiàn)的。

總體來看，LLM2CLIP 的價值在于，它沒有重造一個更大的多模態(tài)模型，而是用一種低成本、可復(fù)用的方式，把“語言理解”這塊短板，直接補進了 CLIP 的核心結(jié)構(gòu)里。

論文名： High-Pass Matters: Theoretical Insights and Sheaflet-Based Design for Hypergraph Neural Networks （高頻信息的重要性：面向超圖神經(jīng)網(wǎng)絡(luò)的理論分析與 Sheaflet 方法設(shè)計）

此論文還未公開上傳，暫無鏈接。

總而言之，這些研究都在把關(guān)注點從結(jié)果層面的性能，推向模型內(nèi)部的感知、結(jié)構(gòu)和機制本身。

論文地址：

https://arxiv.org/abs/2508.10333

https://arxiv.org/abs/2411.04997

https://arxiv.org/abs/2512.14361

https://aaai.org/about-aaai/aaai-awards/aaai-conference-paper-awards-and-recognition/

https://aaai.org/about-aaai/aaai-awards/aaai-classic-paper-award/?utm_source

https://aaai.org/conference/aaai/aaai-26/award-talks/