首页 / 资讯详情
TUM 黎子玥：模型这么大这么强，为什么还是「上不了路」？| IJCAI 2026
摘要
学术数据和真实数据完全是两回事；可解释性成落地“生死线”。 作者丨幸丽娟 编辑丨岑 峰 三年前，正值大模型爆发之年，麦肯锡就曾对全球交通与工业领域的从业者做了一项调研，问题很朴素：距离真正的智能化，还有多远？答案出乎意料地悲观：还要10到20年。而把时间线拉到现在，模型越来越大、智能体越来越多、时空数据挖掘的论文层出不穷。现实依旧是，全球没有一座城市长期部署了基于强化学习的交通信号控制系统。那些在顶会上“超越所有SOTA”的预测模型，真正到了城市交通部门手里，他们的答案往往是：“这个方案，我不敢放手用。”问题的症结在哪里？在刚刚结束的 IJCAI 2026 Early Career Spotlight（早期职业焦点）演讲中，慕尼黑工业大学 (TUM) W2 教授黎子玥（Ziyue Li）给出了他的答案：第一，学术研究长期停留在“干净数据”的舒适区，而公共部门面对的，永远是不完整、不规整、不可控的真实数据；第二，可解释性不是论文里的加分项，而是从实验室走向城市落地的“生死线”。黎子玥的履历横跨学界与工业界：香港科技大学工业工程与决策分析系博士，现任慕尼黑工业大学W2教授，此前任科隆大学W1教授；曾在斯图加特贝尔实验室、香港地铁、商汤科技辗转于科研与产品之间。他既在KDD、IJCAI、ICLR、NeurIPS等顶会发表大量研究成果，也亲手将研究推向真实部署，亲历过从论文到产品的每一道坎。他在演讲中，进一步用自己在学界与工业界之间摸爬滚打的经历，凝练出一个他称之为“PDE三角”的框架——感知（Perception）、决策（Decision）、解释性（Explanation），试图弥合学术研究与公共部门落地之间的那道鸿沟。同时，他还描绘了一条从人工主导走向自动化的技术路径：描述性分析（发生了什么）到诊断性分析（为什么发生），再到预测性分析（将要发生什么），最终抵达规范性分析（应该怎么做）。这条技术路径，也是一份写给整个AI研究社区的“诊断”指南：当你的模型在基准测试上排名第一，但城市管理者依然不敢按下那个开关时，问题不全在城市管理者身上，也不全在研究社区身上，而在于两者之间缺乏有效的转化机制。以下是黎子玥教授的演讲分享，AI科技评论根据其演讲内容进行了不改原意的编辑：TrafficPDE: A Guidebook to Deployable AI-Driven Transportation Systems——Through the Perception-Decision-Explanation Triangle（TrafficPDE：可部署AI驱动交通系统指南——基于感知-决策-解释性“三角”框架）01从“DB ”说起：一个研究者的困惑大家可以看到这个DB的logo吗？在座的各位，有没有人跟德铁（DB）有过struggle的？所以我觉得这可以成为一个特别好的起点，来聊聊我们如何用机器学习来做这件事，以及结合我过去四到六年在交通领域摸爬滚打的经历，谈一谈我们到底如何为公共部门做出真正有用的研究。我们启动了一个项目，叫 “DB Delays” （列车延误系统），并且我们做了一个开源平台。你基本上随便输入一个城市，比如柏林，点进去，就能看到所有列车实时的运行轨迹。你点一下那个按钮，从ICE到区域列车（RE），所有车在哪儿、怎么在动，一目了然。更