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？
当大模型困于“见光死”与“幻觉”，他们提前五年埋下的学术草蛇灰线开始爆发。
编辑丨岑峰
在近日公布的国际人工智能联合会议（IJCAI 2026）Tutorial（讲习班）录用名单中，出现了一个极其罕见的现象：清华大学王鑫教授团队，凭借 T9《Beyond Graph Distribution Shifts》与 T11《OOD Generalized Generative AI》同时包揽两席。
在全球顶尖高校与科技巨头云集的 IJCAI 赛场，同一团队拿下“双杀”，不仅彰显了清华在 AI 领域的强势话语权，更向全行业释放了一个强烈的信号： 生成式 AI 的下一场技术战役，已经从“大力出奇迹的 IID（独立同分布）拟合”，全面转向了“应对真实物理世界的 OOD（分布外泛化）挑战”。 为什么是王鑫团队？这两场看似独立、实则底层相通的 Tutorial，究竟藏着怎样的学术野心与产业图景？
01
大模型的“阿喀琉斯之踵”
大语言模型（LLM）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，IID）上表现如神，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（分布外，OOD），就会瞬间智商断崖式下跌，甚至产生严重的幻觉。
这种“见光死”的窘境，源于传统深度学习对“数据同分布”的脆弱依赖。而打破这一魔咒，正是清华大学王鑫团队长期以来深耕的硬核领地。
早在生成式 AI 彻底爆发前，王鑫团队就已敏锐地察觉到：真实的物理世界永远是动态变化的。他们没有随波逐流地去卷模型的“参数规模”，而是死磕底层逻辑，将研究重心死死锚定在“OOD 泛化（Out-of-Distribution Generalization）”这一 AI 皇冠上的明珠。
此次 IJCAI 2026 的两场 Tutorial，正是其多年扎根这一领域积淀的厚积薄发。
02
T9：图网络与 LLM 的交汇，
用“因果”与“持续学习”打破 I.D. 假说
入选的 T9 讲习班主题为《Beyond Graph Distribution Shifts》（超越图分布偏移）。这并非传统的图神经网络（GNN）基础授课，而是精准切中了当前最前沿的交叉领域： Graph（图）与 LLM（大语言模型）的泛化融合。
现实世界的数据往往是高度结构化且动态演进的（例如动态知识图谱、不断进化的生物医学网络）。官方介绍中犀利地指出，绝大多数现有图学习方法都建立在“同分布（I.D.）假说”的温室里，而真实场景无情地打破了这一假说。
为了跨越这道天堑，王鑫与朱文武教授团队在 T9 中抛出了一套系统性的“三维解法”：
1.Graph LLMs（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（In-context）和小样本学习（Few-shot）。
2.动态适应（Adaptation）： 针对不断进化的数据，引入图神经网络架构搜索（NAS）与持续学习（Continual Learning）策略，让模型拥有“自我进化”的能力。
3.因果与不变性（Causality and Invariance）： 这是最硬核的底层重构——将因果推断原则引入图模型，剥离虚假关联，从而在从未见过的分布（Unseen Distributions）下构建真正鲁棒的图网络。
这套从大模型表征到因果底层逻辑的组合拳，不仅是对图机器学习理论的升维，更是直接为金融风控、医药发现等复杂结构化场景在 LLM 时代的落地指明了航向。