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…