IJCAI 2026 四项论文奖、三项个人成就奖，回答 AI 的「来路」与「去路」

8月20日，IJCAI-ECAI 2026 正会进入第三天。 如果说18日的开幕式是荣誉的加冕，那么今天，聚光灯从获奖者转向了获奖研究本身。

AIJ/JAIR 获奖论文报告环节，获奖论文作者依次登台发表获奖感言、回顾获奖论文，诠释这些经典研究在最新语境下的生命力和再思考。从1990年的抽象推理经典到2021年的机器学习前沿，横跨三十年的学术线索逐次展开。

而今日最受瞩目的环节，当属本届计算机与思想奖得主、斯坦福大学助理教授吴佳俊（Jiajun Wu）的特邀报告。作为神经符号融合与物理智能的开拓者，他的研究恰好与那条从符号推理延伸至今的学术线索形成了深度呼应。

台下掌声此起彼伏，不仅献给登台者，也献给那条横贯三十年、仍在不断延伸的学术追问。

01

四项论文奖：横跨三十年的学术回响

AIJ/JAIR 获奖论文报告环节以AIJ 经典论文奖（AIJ Classic Paper Award ）开场。该奖项由IJCAI 旗下《人工智能期刊》（AIJ）设立，表彰在AIJ上发表的、至少15年前经时间检验产生持久影响的论文。

今年的获奖论文《Nonmonotonic Reasoning, Preferential Models and Cumulative Logics》发表于 1990 年，距今已 36 年。

论文链接：https://arxiv.org/pdf/cs/0202021

这篇论文要解决的核心问题：如何为非单调推理建立系统的理论框架。经典逻辑具有“单调性”——新增前提不会推翻已有结论；但人类推理并非如此，知道“鸟会飞”可推断“Tweety会飞”，得知Tweety是企鹅后结论便被收回，这种“新信息可推翻旧结论”的推理即为非单调推理。

到80年代末，已出现Circumscription、Default Logic等多种非单调系统，却各自为战，缺乏统一理论。Kraus、Lehmann和Magidor的关键贡献在于：不再追问“非单调系统缺少什么”，转而定义“一个好的非单调推理系统应具备哪些正面性质”。他们定义了五族非单调推理关系，通过表示定理打通证明论与模型论，其中最核心的“偏好关系”族（System P）至今仍被视为非单调推理的“保守内核”。可以说，这篇论文为整个领域绘制了第一张系统性地图。

在36 年后的IJCAI 舞台上，希伯来大学计算机科学系教授 Daniel Lehmann、以色列巴伊兰大学计算机科学教授Sarit Kraus ，曾为师徒的二人，轮流登台发表获奖感言、分享对这项工作的再思考。

已到古稀之年的导师 Daniel Lehmann 在获奖感言中回忆道，当初决定将论文投给《人工智能期刊》（AI Journal），是因为他坚信这项工作应该被AI学界广泛阅读，而非仅仅局限于逻辑学领域；尽管该刊明确声明不发表数学结果，投稿颇具争议，但最终他还是坚持了这一选择。

同时他也对时任编辑、已故的丹尼尔·卡尼曼（Daniel Kahneman）深怀感激，认为这份奖项恰恰证明了卡尼曼的决定是正确的，也印证了他们当初坚持将论文发表在AI期刊上的选择是明智的。

接着舞台交给了他曾经的博士生、66岁的 Sarit Kraus。导师回顾了往昔，她则分享了非单调推理的现在和未来。

这个已经发表了36年、甚至被她的学生都认为out了的理论，在新的AI 时代还能焕发新的生机吗？她的答案是可以，而且正在发生。

她指出，人类日常推理天然依赖非单调性——车停好后默认还在，得知被拖走便立刻修正信念，这正是经典逻辑做不到的。而AI系统同样遵循这一逻辑：她用软件评审实验证明，AI会根据新增信息改变评审结论，否则根本无法应对复杂决策。

那她的导师Daniel Lehmann当年提出的KLM原则，能否用于大语言模型验证？她观察到逻辑在顶会论文和芯片验证中依然广泛应用，但KLM能否直接适配LLM尚无定论——尽管LLM的推理行为本质上是非单调的，理论上可与之契合，却至今无人真正将KLM用于LLM验证。

面对这一空白，她转而尝试将博弈论与KLM结合，探索多智能体中的“诚实欺骗”（Truthful Deception，即在博弈中通过策略性信息操控实现目标，同时不违背某种形式的真实或可废止规则），并期待如导师当年推动非单调逻辑成为主流那样，把这个方向也推向新的高度。

Sarit Kraus 1995年摘得IJCAI计算机与思想奖（时年31岁），2023年又将IJCAI研究卓越奖收入囊中，成为罕有集齐该领域“青年奖”与“终身奖”的学者。如今，这位66岁的科学家重新回到经典的非单调逻辑，直面当下大热的LLM在常识推理中的根本困境——这种学术勇气本身，便值得敬佩。

如果说Sarit Kraus的演讲是经典理论在新时代的回响，那么AIJ 杰出论文奖（AIJ Prominent Paper Award ），则展示了新思想如何成为经典的过程。

今年的AIJ杰出论文奖授予了2021年发表的《Logic Tensor Networks》。它与AIJ经典论文奖形成时间维度上的互补——一个回望历史、致敬历经时间考验的基础性工作，一个聚焦近期、捕捉正在塑造学科前沿的创新成果。

论文链接：https://arxiv.org/pdf/2012.13635

论文提出了Logic Tensor Networks（LTN），引入了一种名为“Real Logic”的全新逻辑语言——一种完全可微的一阶逻辑。在Real Logic中，逻辑常量、变量、谓词和函数都被grounded到神经网络计算图上，用模糊逻辑语义来定义真值，从而实现了一阶逻辑公式表达领域知识与TensorFlow 2自动微分端到端学习的统一。

LTN的最大突破在于：用同一套语言和计算框架，覆盖了多标签分类、关系学习、数据聚类、半监督学习、回归、嵌入学习和查询回答等多种AI任务，证明神经符号方法有潜力成为通用AI范式的基础设施。

IJCAI 2026舞台上，一作Samy Badreddine登台分享。他毕业于布鲁塞尔自由大学，现为索尼AI研究员，研究聚焦神经符号AI，探索非经典逻辑算子及其在机器学习中的数学性质——这篇获奖论文正是他在索尼AI完成的代表作。

他在回顾LTN开创性工作的同时，系统梳理了该框架后续在理论探索与应用落地两条主线上的演进脉络：

在基础研究层面，后续工作持续围绕LTN作为可微推理系统的核心性质展开：一方面评估不同模糊逻辑算子对梯度优化效果的影响，另一方面深入研究“逻辑捷径”（reasoning shortcuts）等归纳偏置问题，不断夯实理论根基。

在应用层面，LTN被广泛拓展至知识图谱与推荐系统（注入常识或领域知识提升推理准确性和泛化能力）、大语言模型可解释预测（利用逻辑约束使输出更具可审计性）、以及世界模型（编码物理常识约束智能体行为以符合现实规律）等前沿方向。

五年前，神经符号 AI 远非主流，这篇论文在 arXiv 上公开发表时关注者寥寥。五年后，它获得了 AIJ 杰出论文奖，并在理论深化和应用拓展两条线上同步推进，成为该领域最具代表性的框架之一。

LTN 这五年的轨迹其实说明了一个朴素的道理：一项工作的影响力，不取决于发表时的热度，而在于它能否在后续不断被验证、被拓展、被应用到真实问题中。在新的技术浪潮下，这个判断标准依然成立。

JAIR  时间检验论文奖（JAIR Test of Time Award）是今年大会全新设立的奖项，旨在表彰发表在 JAIR 上超过 10 年且对领域产生深远长期影响的杰出论文。

获奖论文是《SMOTE: Synthetic Minority Over-sampling Technique》。这篇论文于2002年发表， Google Scholar 引用量已超过 47,000 次，是机器学习领域被引最多的论文之一。

论文链接：https://www.jair.org/index.php/jair/article/view/10302/24590

它解决的问题很朴素：机器学习中如何处理不平衡数据集？SMOTE提出在特征空间中对少数类样本进行插值来合成新的数据点。这个方法简单、有效，已被广泛采用，并催生了Borderline-SMOTE、ADASYN、SMOTE-NC等大量变体，至今仍是数据科学工具箱中的标准配置。

IJCAI 2026论文奖报告环节，SMOTE算法一作 Nitesh Chawla 作为代表分享工作。Nitesh Chawla，是圣母大学计算机科学与工程系 Frank M. Freimann 讲座教授、露西家庭数据与社会研究所创始所长，ACM、IEEE、AAAI、AAAS 四会会士。

他首先回忆了这项工作的构思过程——博士期间接手乳腺X光图像分类任务，97%的准确率因数据高度不平衡而失去意义，这一挫折促使他与Kevin Bowyer等合作者共同探索，最终在特征空间几何结构的启发下提出了SMOTE算法。

在此之后，他和团队围绕SMOTE持续深耕，陆续发表了处理噪声、优化采样率、整合成本敏感评估等方向的论文，形成了完整的研究脉络。

他认为，SMOTE之所以成为经久不衰的想法，在于它足够简单（simple）来实现、足够有用（useful）来标准化、足够灵活（flexible）来拓展，也正是这种兼具基础性与开放性的特质，使其被集成至Azure ML、Amazon SageMaker等主流机器学习平台，写入每一本相关教科书，催生出100多种变体，也激发了人们对其局限性的持续追问。

即使在生成式AI与大语言模型时代，SMOTE依然具有现实意义。Chawla指出，不平衡问题无处不在，现代AI正在经历从特征空间到多模态、关系结构的范式转变，而SMOTE的局部邻域思想正被拓展至图嵌入、LLM辅助稀疏数据增强等新场景。真正的挑战在于：无论模型如何演进，数据的不平衡本质不会改变——如何设计匹配真实评估目标的成本敏感学习机制，仍是未来研究的关键命题。

如果说JAIR时间检验论文奖是“回望过去”，那么今年首次颁发的IJCAI-JAIR最佳论文奖（IJCAI-JAIR Best Paper Prize），则与它形成“历史与当下”的互补结构——每年从近五年发表于JAIR的论文中遴选一篇杰出研究，侧重表彰近期成果。

今年的获奖论文《The Computational Complexity of Understanding Binary Classifier Decisions》发表于2021年，直击可解释AI领域的一个根本性问题：解释一个二元分类器的决策，到底有多“难”？

论文链接：https://www.jair.org/index.php/jair/article/view/12359/26649

论文考虑的场景是：给定一个二元分类器的布尔函数表示和一组输入值，能否找到一个足够小的输入变量子集，使得仅凭这些变量就能以给定概率确定分类结果？这正是许多XAI方法（如LIME、SHAP背后的思想）试图做的事情——找出对某个具体预测最“重要”的特征。

作者们给出了一个令人清醒的回答：这个问题是NP^PP完全的。这意味着在最坏情况下，精确地找到最小充分特征子集在计算上是不可行的。不仅如此，即使允许概率近似——即只要判断特征子集以至少δ的概率确定结果，还是至多以δ-γ的概率确定结果——问题仍然是NP-hard的。除非P=NP，否则不存在多项式时间的近似算法。

虽然在这次颁奖典礼上论文作者未能亲临现场，但这丝毫不影响这项研究在可解释AI领域投下的分量——它把一个被许多XAI方法默认“可以做到”的事情，变成了一个需要正视的问题：你给出的解释真的可靠吗？真的足够小吗？真的具有确定性吗？

这种“不可能”的结论，往往比“我可以”的宣言更能推动一个学科走向成熟。它提醒每一位XAI的研究者和实践者：在追求解释的同时，也要正视解释本身的局限；在推动方法落地的同时，也要尊重计算复杂性的底线。而这，或许正是理论工作之于AI领域最不可替代的意义所在。

02

三项个人成就奖：

从“青年新星”到“终身贡献”

除四项论文奖外，当天下午，万众期待的2026 计算机与思想奖（Computers and Thought Award） 得主吴佳俊，也带来了特邀演讲《Building Visual and Physical Intelligence Through Code》。

吴佳俊，斯坦福大学计算机科学系助理教授（兼任心理学系）。他的 Google Scholar 引用接近 49,000 次，同时手握 NSF CAREER Award、ONR 青年研究者奖、AFOSR 青年研究者奖、IEEE AI 10 to Watch、MIT Technology Review 亚太区 35 岁以下创新者等多项荣誉。

他 2014 年本科毕业于清华大学交叉信息研究院“姚班”，在校期间连续三年年级第一；之后赴 MIT 攻读博士，师从 Bill Freeman 和 Josh Tenenbaum，曾任 Google Research 客座研究员，2020 年加入斯坦福。

吴佳俊在演讲中，分享了他在视觉与物理智能（visual and physical intelligence） 领域的最新探索。面对物理世界缺乏标注数据的根本困境，他的核心主张是：真实世界本身就蕴含着对称、重复、层级等符号结构（symbolic structures），这些结构不应被黑箱网络隐式吸收，而应被显式建模为可复用的“内在编码（intrinsic code）”。

沿着这一思路，他展示了两条互补的技术路线：

路线一将物理编码与可微分模拟器置于学习闭环中，通过自监督重建从单张图像中提取三维几何、纹理与材质，并进一步扩展至动态物体的运动状态建模，以物理规律作为学习的归纳偏置（inductive bias）。其优势在于物理一致性强，但受限于模拟器需可微分、准确且快速，目前仅在单物体、干净背景、均匀光照等简化条件下有效；

路线二则面对更通用的复杂场景，转而利用预训练视频生成模型等基础模型（foundation models） 作为知识源，通过分数蒸馏采样（Score Distillation Sampling, SDS） 等方式从中蒸馏出形状、材质、光照、运动等内在物理属性，弱化了对精确模拟器的依赖。

他的团队进一步这两条路线整合为一个闭环：用路线一的物理模拟提供“直觉”与约束，再用路线二的基础模型注入视觉真实感，最终在保持物理合理性的同时获得高度逼真的生成结果，并已实现单GPU上的实时运行。

在“大模型”路线占据行业焦点的当下，吴佳俊的工作代表了一种互补的思路：物理编码所承载的结构化知识既是学习目标，也是连接符号系统与深度模型的接口（interface），无论模型如何演进，如何在有限数据下挖掘物理世界的结构化先验，始终也是 AI 系统实现真正“理解力”的核心命题。

而在吴佳俊之前，2026 研究卓越奖（Research Excellence Award）得主Nick Jennings、约翰·麦卡锡奖（John McCarthy Award）得主David C. Parkes ，也已先后发表特邀演讲。

Nick Jennings特邀演讲的主题是《The Past, the Present, and the Future of Agentic AI》。

Nick Jennings 是英国拉夫堡大学校长。他的学术生涯几乎与“多智能体系统”这一领域的成长同步：1992 年的博士论文聚焦于多Agent协作的理论模型；后又因在多智能体系统领域的开创性贡献，1999年获得 IJCAI 计算机与思想奖（该奖项 40 年来首次颁给欧洲学者），如今又拿下研究卓越奖，因此成为极少数同时获得这两项 IJCAI 最高荣誉的学者之一。

Jennings 发表超过 700 篇论文，Google Scholar 引用超过 10 万次，h-index 高达 139。在“Agentic AI”成为行业热词的今天，Jennings 30 余年的研究积累为这一方向提供了最深厚的理论与实践根基。他是过去 40 年中第三位获此殊荣的英国学者。

演讲中，Jennings回顾了智能体的发展历程：今天行业热议的智能体，并不是一个突然出现的新概念，而是一条经过数十年积累、终于等到技术成熟的研究路线。

当行业将2026年称为“智能体元年”时，作为多智能体系统领域的奠基人之一，Jennings 从智能体数十年的学术演进脉络出发，指出了一条从单智能体能力堆叠走向多智能体社会协作的必然路径。

他认为，真正值得关注的不在于某个模型的个体智能有多强，而在于智能体之间如何协作、如何形成集体智能、如何与人类建立真正的伙伴关系——而这一切的实现，还面临从灵活分工到开放系统互操作、再到安全责任社会化的多重挑战。智能体的未来，不取决于单个智能体有多“聪明”，更取决于它们构成的“社会”有多值得信赖。

David C. Parkes 则将目光投向了另一个维度——制度设计与机制工程。他的特邀演讲《From Intelligent Agents to Agent Societies》，从微观规则设计的角度切入，回答了“智能体社会如何运转”这一命题。

David C. Parkes 是哈佛大学 John A. Paulson 工程与应用科学学院院长、George F. Colony 计算机科学讲席教授， AAAS、ACM、AAAI 三Fellow。

作为计算机制设计（Computational Mechanism Design）领域的先驱，他在哈佛创立了 EconCS 研究组，致力于 AI 与经济学的交叉研究。他的核心贡献在于：开创性地开发了确保高风险多智能体环境中同时保证效率、公平性和激励兼容的算法机制。

他回顾了自己自90年代中期以来在机制设计（mechanism design）领域的研究脉络，从计算机制设计（computational mechanism design）到自动机制设计（automated mechanism design），再到自动契约设计（automated contract design），贯穿其中的核心命题始终未变：如何设计智能体之间的交互规则，使得即便在信息不完全、利益不一致的条件下，系统依然能产生合意的集体结果。

如果说Jennings勾勒的是智能体研究的宏观演进路径，那么Parkes聚焦的则是这一演进中不可或缺的微观基础——规则本身如何被设计、被优化、被验证。从伦敦公交线路的拍卖机制，到用深度学习自动发现最优拍卖规则，再到用不连续神经网络建模委托-代理关系中的契约设计，Parkes展示了一个以经济学为底色、以AI为实现工具的研究范式。

而在他演讲的结尾，Parkes也将目光投向了与Jennings相同的方向——智能体社会（agent society）。他认为，未来的AI系统不再是单个智能体与单个人类的“一对一”代理关系，而是开放系统中众多AI智能体与众多委托人（人类或企业）共存、交互、甚至彼此创建的复杂社会。这一社会将面临人类经济体系中的所有经典挑战——逆向选择、道德风险、策略操纵、共谋、资源竞争。而解决这些问题，需要我们在规则设计、可观测性、可验证性、资源定价与人类控制权保留等五个方向上同时推进。

就 Parkes 看来，智能体的未来不取决于单个智能体的智能水平，而取决于我们能否为这个新兴的“AI社会”设计出适配其独特性的制度基础设施。

03

结束语

纵观 IJCAI 2026 的四项论文大奖和三项个人成就奖，我们可以清晰地看到：AI走过的，正是一条“螺旋上升”的路。

36 年前，Kraus、Lehmann 和 Magidor 为非单调推理奠定了符号逻辑的理论根基；25年前，Chawla 等人用 SMOTE 为数据驱动的机器学习提供了最实用的工具之一；2021年，Kutyniok 团队用计算复杂性理论为可解释 AI 划定了不可逾越的边界；同年发表的 Logic Tensor Networks，则在尝试缝合符号与神经之间的“裂缝”。

在个人成就奖一端，Nick Jennings 用 30 年的“智能体”研究为今天的 Agentic AI 热潮提供了深厚的积累；David Parkes 在 AI 与经济学的交叉处构建着“智能体社会”的制度框架；而 33 岁的吴佳俊，则在用神经表征与符号化表征的融合方法，让机器真正“理解”物理世界。

尤其值得一提的是，当大语言模型把“智能体”这个概念推到台前时，IJCAI 2026的奖项名单恰好回答了大家最关心的两个问题：它从哪来，向哪去？

多智能体研究用三十年时间，为它铺好了协作与博弈的理论底盘。只是那时候模型还撑不起这些构想，它们便一直待在论文里，等着技术追上。

如今它站到了台前，靠什么保证它可信、可控？获奖名单同样给出了答案：“物理理解”是根基、“智能体社会的机制设计”是规则，“可解释性”是边界。 雷峰网雷峰网雷峰网

不来梅的盛夏很快会过去，但这张获奖名单上流淌的一条三十年学术长河，会继续向前奔涌。

IJCAI 2026 要来了，你还在单打独斗？

为了方便大家抱团交流、互通会议消息，我们专门建了 IJCAI 2026 参会群！进群你会解锁这些「福利」?

• 会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。

• 同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。

• 前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。

• 现场后援团：（会议期间专属开启）：到了会场也不用慌——

  路线导航：场馆分布、报告厅怎么走，群里随时问；

  议题共读：热门 session、Keynote 现场探讨，错过也能追；

  Poster 汇编：现场海报精华整理，一键收藏不遗漏；

  约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。

? 进群传送门： 扫码进群或添加微信Qvv0909777，备注：IJCAI + 单位/学校+姓名+方向。

搞科研/搞技术，信息差很重要。

来，一起快人一步！

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

扫描上方二维码

或点击「阅读原文」关注专区。