ICML 2026｜九篇 Spotlight ，透視機(jī)器人、因果與 AI 安全最前沿

來源：AI科技評(píng)論

作者：陳淑瑜

編輯：岑峰

攻克隱變量因果發(fā)現(xiàn)、VLA自適應(yīng)剪枝，看頂會(huì)如何打破性能瓶頸。

7月8日，機(jī)器學(xué)習(xí)領(lǐng)域最具影響力的頂級(jí)學(xué)術(shù)會(huì)議ICML 2026進(jìn)入正會(huì)第二天。本次大會(huì)共接收6352篇論文，其中Spotlight論文536篇（占投稿總數(shù)的 2.2%），Oral 論文168篇 （僅占投稿總數(shù)的 0.7 %）。

作為國際頂級(jí)的機(jī)器學(xué)習(xí)會(huì)議，今年的ICML吸引了數(shù)千篇論文投稿，其中Spotlight論文更是百里挑一，代表著當(dāng)前AI研究的最前沿方向。

雷峰網(wǎng)已派出報(bào)道小組赴首爾COEX會(huì)展中心參會(huì)。在會(huì)議現(xiàn)場(chǎng)，我們從Poster展區(qū)的數(shù)千張學(xué)術(shù)海報(bào)中精選出最具代表性的研究成果，以“一張圖+一段解讀”的方式呈現(xiàn)給未能親臨現(xiàn)場(chǎng)的讀者。

本期精選Poster Session 5 的9篇Spotlight論文，覆蓋高效卷積算子、離散擴(kuò)散模型、低精度訓(xùn)練、偏好優(yōu)化理論、MoE路由、大模型魯棒性、黑盒優(yōu)化、3D點(diǎn)云補(bǔ)全、腦機(jī)接口和機(jī)器人記憶評(píng)估等多方面。

如果你也想讓你的研究成果出現(xiàn)在這里，請(qǐng)與我們聯(lián)系：

01

WestWorld：面向多樣機(jī)器人系統(tǒng)的知識(shí)編碼軌跡世界模型

WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems

論文鏈接：https://arxiv.org/abs/2603.14392

軌跡世界模型在機(jī)器人動(dòng)力學(xué)學(xué)習(xí)、規(guī)劃和控制中至關(guān)重要，但現(xiàn)有方法難以擴(kuò)展到大量不同的系統(tǒng)動(dòng)力學(xué)場(chǎng)景，且忽略了機(jī)器人物理結(jié)構(gòu)的領(lǐng)域知識(shí)。WestWorld提出了一個(gè)知識(shí)編碼的可擴(kuò)展軌跡世界模型，通過系統(tǒng)感知混合專家模型（Sys-MoE）動(dòng)態(tài)路由不同機(jī)器人系統(tǒng)的專業(yè)化專家，并引入結(jié)構(gòu)化嵌入將軌跡表示與形態(tài)學(xué)信息對(duì)齊，從而在可擴(kuò)展性和零樣本泛化能力上取得突破。

該模型在89個(gè)復(fù)雜環(huán)境上進(jìn)行了預(yù)訓(xùn)練，覆蓋仿真和真實(shí)世界的多種形態(tài)學(xué)設(shè)定。實(shí)驗(yàn)表明，WestWorld在零樣本和少樣本軌跡預(yù)測(cè)任務(wù)上顯著優(yōu)于競(jìng)爭(zhēng)基線，并展現(xiàn)出強(qiáng)大的跨環(huán)境可擴(kuò)展性。研究還發(fā)現(xiàn)，物理結(jié)構(gòu)知識(shí)的引入有效提升了模型的零樣本泛化能力，顯著改善了不同機(jī)器人下游基于模型的控制性能。

此外，研究團(tuán)隊(duì)將模型部署在真實(shí)的Unitree Go1四足機(jī)器人上，驗(yàn)證了其在實(shí)際場(chǎng)景中的穩(wěn)定運(yùn)動(dòng)性能。這一工作為構(gòu)建通用機(jī)器人世界模型提供了新范式，展示了知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)融合的巨大潛力。

02

DS-TS：用物理動(dòng)力系統(tǒng)求解時(shí)間依賴微分方程

Solving Time-Dependent Differential Equations with PhysicalDynamical Systems

論文鏈接：https://openreview.net/forum?id=0YHSZPkMp8

時(shí)間依賴微分方程（TDDE）廣泛應(yīng)用于科學(xué)和工程的動(dòng)態(tài)過程建模，但傳統(tǒng)數(shù)值求解器面臨延遲與精度的根本矛盾——小步長(zhǎng)精度高但速度慢，大步長(zhǎng)速度快但軌跡失真?，F(xiàn)有的動(dòng)力系統(tǒng)機(jī)（DSM）雖提供了一種連續(xù)時(shí)間計(jì)算的替代方案，但在捕捉時(shí)空復(fù)雜性方面仍有不足，難以滿足時(shí)間敏感應(yīng)用的需求。

DS-TS提出了一種新型TDDE求解器，集成了三項(xiàng)核心創(chuàng)新：興奮-抑制啟發(fā)式耦合建模復(fù)雜空間交互，狀態(tài)感知?jiǎng)討B(tài)非線性實(shí)現(xiàn)豐富的節(jié)點(diǎn)間交互和狀態(tài)依賴的時(shí)空相關(guān)性，層次化時(shí)間積分捕捉長(zhǎng)距離時(shí)間依賴。這些設(shè)計(jì)使模型能夠充分利用物理動(dòng)力系統(tǒng)的連續(xù)時(shí)間計(jì)算能力，同時(shí)實(shí)現(xiàn)高精度和超高效率。

實(shí)驗(yàn)結(jié)果令人矚目：DS-TS在保持高保真解的同時(shí)，速度提升約1000倍，能效提升約10萬倍。這項(xiàng)工作打破了傳統(tǒng)數(shù)值求解器中延遲與精度的權(quán)衡，為時(shí)間敏感的科學(xué)計(jì)算應(yīng)用開辟了全新的物理計(jì)算路徑。

03

From Pixels to Tokens：VLA模型中潛在動(dòng)作監(jiān)督的系統(tǒng)性研究

From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models

論文鏈接：https://arxiv.org/abs/2605.04678

潛在動(dòng)作（Latent Actions）作為中間表示，能夠在異構(gòu)數(shù)據(jù)集上實(shí)現(xiàn)視覺-語言-動(dòng)作（VLA）模型的一致性建模。然而，現(xiàn)有利用潛在動(dòng)作監(jiān)督VLA的方法各自為政，缺乏系統(tǒng)性比較，研究者難以明確不同策略的優(yōu)劣和適用場(chǎng)景，這成為制約VLA訓(xùn)練效率提升的關(guān)鍵瓶頸。

該研究在統(tǒng)一VLA基線框架下，從兩個(gè)視角（基于圖像的潛在動(dòng)作正則化和基于動(dòng)作的潛在動(dòng)作統(tǒng)一目標(biāo)空間）實(shí)例化并比較了四種代表性集成策略。實(shí)驗(yàn)揭示了一種"公式-任務(wù)對(duì)應(yīng)關(guān)系"：基于圖像的潛在動(dòng)作有利于長(zhǎng)時(shí)域推理和場(chǎng)景級(jí)泛化，而基于動(dòng)作的潛在動(dòng)作在復(fù)雜運(yùn)動(dòng)協(xié)調(diào)方面表現(xiàn)優(yōu)異。

更重要的是，研究發(fā)現(xiàn)直接用離散潛在動(dòng)作Token監(jiān)督視覺語言模型能取得最優(yōu)性能，并初步驗(yàn)證了潛在動(dòng)作監(jiān)督在混合數(shù)據(jù)場(chǎng)景下的優(yōu)勢(shì)。這項(xiàng)工作為VLA訓(xùn)練策略的選擇提供了清晰的實(shí)證指南，強(qiáng)調(diào)了"沒有一種萬能策略"——任務(wù)特性決定了最優(yōu)的潛在動(dòng)作表示方式。

04

Poisson分支結(jié)構(gòu)因果模型的可識(shí)別性研究

On the Identifiability of Poisson Branching Structural Causal Model Using Probability Generating Function

論文鏈接：

https://proceedings.neurips.cc/paper_files/paper/2024/hash/15aaa9224a35527d76188b4d40e02308-Abstract-Conference.html

從觀測(cè)數(shù)據(jù)中進(jìn)行因果發(fā)現(xiàn)是科學(xué)和工業(yè)場(chǎng)景中的核心問題，尤其針對(duì)計(jì)數(shù)數(shù)據(jù)。現(xiàn)有方法大多使用貝葉斯網(wǎng)絡(luò)建模計(jì)數(shù)數(shù)據(jù)，但忽視了常見的分支結(jié)構(gòu)，例如一個(gè)瀏覽事件可能觸發(fā)添加購物車或購買事件。此外，基于累積量的因果發(fā)現(xiàn)方法雖然理論上可靠，卻存在可識(shí)別性缺口，部分因果方向無法被識(shí)別。

該研究采用概率生成函數(shù)（PGF）來探索Poisson分支結(jié)構(gòu)因果模型（PB-SCM）的可識(shí)別性，使用二項(xiàng)細(xì)化算子建模分支結(jié)構(gòu)，開發(fā)了PB-SCM概率生成函數(shù)的緊湊且精確的閉式解。研究證明閉式解中每個(gè)組件唯一編碼了特定局部結(jié)構(gòu)，這意味著可以通過測(cè)試PGF中相應(yīng)組件的出現(xiàn)來識(shí)別局部因果結(jié)構(gòu)。

基于這一理論突破，研究團(tuán)隊(duì)提出了一種實(shí)用的因果骨架學(xué)習(xí)和因果方向識(shí)別算法，并在合成和真實(shí)數(shù)據(jù)集上驗(yàn)證了有效性。這一工作填補(bǔ)了計(jì)數(shù)數(shù)據(jù)因果發(fā)現(xiàn)的理論空白，為生物學(xué)、經(jīng)濟(jì)學(xué)和網(wǎng)絡(luò)運(yùn)維等領(lǐng)域的因果分析提供了新工具。

05

EcoVLA：面向VLA模型的環(huán)境感知自適應(yīng)剪枝

EcoVLA：Environment-Aware Adaptive Pruning with Interleaved Inference Orchestration for Vision-Language-Action Models

論文鏈接：https://arxiv.org/abs/2602.00780

視覺-語言-動(dòng)作（VLA）模型在具身智能領(lǐng)域潛力巨大，但龐大的參數(shù)量導(dǎo)致推理延遲顯著，阻礙實(shí)時(shí)操控。更棘手的是，VLA執(zhí)行過程中環(huán)境不斷變化，最優(yōu)稀疏模式也隨之改變，靜態(tài)剪枝缺乏對(duì)環(huán)境動(dòng)態(tài)的適應(yīng)性，而固定間隔的動(dòng)態(tài)層剪枝粒度粗且再訓(xùn)練開銷大。

EcoVLA提出了一個(gè)無需訓(xùn)練、即插即用的自適應(yīng)剪枝框架，包含兩個(gè)核心組件：環(huán)境感知自適應(yīng)剪枝（EAP）引入物理環(huán)境的時(shí)間一致性來動(dòng)態(tài)更新稀疏模式；交錯(cuò)推理編排（I2O）則利用VLA推理中的計(jì)算氣泡實(shí)現(xiàn)并行剪枝調(diào)度，確保對(duì)延遲的影響可忽略不計(jì)。該框架可與現(xiàn)有VLA加速方法正交組合，具有良好的通用性。

實(shí)驗(yàn)表明，EcoVLA單獨(dú)使用時(shí)達(dá)到1.60倍加速，成功率僅下降0.4%；與token剪枝結(jié)合時(shí)達(dá)到2.18倍加速，性能僅下降0.5%。該方法在真實(shí)機(jī)器人上也得到了驗(yàn)證，為VLA模型的實(shí)時(shí)部署提供了實(shí)用方案。

06

NASH：讓Data Shapley重新有效的數(shù)據(jù)選擇框架

Is Data Shapley Not Better than Random in Data Selection? Ask NASH

論文鏈接：https://arxiv.org/abs/2605.10684

Data Shapley被一些研究主張用于選擇高質(zhì)量訓(xùn)練數(shù)據(jù)子集，因?yàn)樗懿蹲綌?shù)據(jù)子集之間的交互關(guān)系。然而，另一些工作指出Data Shapley在實(shí)踐中有時(shí)效果不佳，所選子集甚至不如隨機(jī)選擇。這一矛盾引發(fā)了關(guān)鍵問題：是否存在某些"Shapley-informative"的設(shè)置，使Data Shapley能夠持續(xù)有效？

NASH框架的核心思路是兩步走：首先將目標(biāo)效用函數(shù)（如驗(yàn)證準(zhǔn)確率）分解為更簡(jiǎn)單的、Shapley-informative的組件函數(shù)，然后通過非線性方式聚合這些組件，構(gòu)建優(yōu)化目標(biāo)來選擇數(shù)據(jù)。這種"分解+非線性聚合"的組合策略，顯著提升了基于Shapley值的數(shù)據(jù)選擇方法的有效性。

實(shí)驗(yàn)表明，NASH在幾乎不增加額外運(yùn)行時(shí)間成本的前提下，大幅提升了數(shù)據(jù)選擇的性能，讓Shapley類方法重新變得有效且高效。這一工作為數(shù)據(jù)估值與選擇領(lǐng)域提供了重要的理論和實(shí)踐貢獻(xiàn)。

07

Rapid Poison：針對(duì)快速響應(yīng)框架的實(shí)際投毒攻擊

Rapid Poison:Practical Poisoning Attacks Against the Rapid Response Framework

論文鏈接：https://arxiv.org/abs/2606.16242

Rapid Response（RR）框架已部署于生產(chǎn)系統(tǒng)（包括Anthropic的ASL-3安全防護(hù)），通過持續(xù)改進(jìn)越獄檢測(cè)分類器來防御新型攻擊。然而，該研究揭示了RR框架訓(xùn)練管道存在安全漏洞，提示注入可以滲透該流程，將有毒樣本送入分類器的訓(xùn)練集。

在嚴(yán)格的威脅模型下（攻擊者只能修改越獄樣本，不能修改良性數(shù)據(jù)或標(biāo)簽），研究實(shí)現(xiàn)了兩個(gè)攻擊目標(biāo)：定向投毒攻擊在無害樣本上制造假陽性，基于概念的后門攻擊在越獄輸入上誘導(dǎo)假陰性。團(tuán)隊(duì)還提出了Omission Attack，利用分類器在概念缺失的不安全樣本上訓(xùn)練時(shí)產(chǎn)生的錯(cuò)誤關(guān)聯(lián)現(xiàn)象，使后門攻擊對(duì)防御方已明確訓(xùn)練防御的攻擊策略也有效。

實(shí)驗(yàn)顯示，僅1%的投毒率即可使假陽性率最高達(dá)100%、假陰性率最高達(dá)96%，部分情況下甚至實(shí)現(xiàn)近乎完全的標(biāo)簽翻轉(zhuǎn)。這一發(fā)現(xiàn)對(duì)已部署的生產(chǎn)級(jí)安全系統(tǒng)具有現(xiàn)實(shí)警示意義，凸顯了AI安全框架本身也需要被安全審視。

08

HelioX：面向生物物理細(xì)節(jié)網(wǎng)絡(luò)的GPU原生框架

Heliox: A GPU-Native Framework for Simulation and Training of Biophysically Detailed Networks

論文鏈接：https://openreview.net/forum?id=XjTRtfxK9g

生物物理細(xì)節(jié)神經(jīng)元攜帶著豐富的時(shí)空計(jì)算能力，這些是點(diǎn)神經(jīng)元抽象無法直接捕捉的。但其不規(guī)則的樹突拓?fù)浣Y(jié)構(gòu)與密集的深度學(xué)習(xí)運(yùn)行時(shí)嚴(yán)重不匹配，導(dǎo)致難以在現(xiàn)有框架中高效訓(xùn)練和模擬。傳統(tǒng)深度學(xué)習(xí)框架為密集ANN執(zhí)行路徑設(shè)計(jì)，強(qiáng)行將生物模型塞入這些框架效率低下。

HelioX是一個(gè)GPU原生框架，通過定制融合CUDA內(nèi)核為樹突層級(jí)調(diào)度和梯度傳播專門設(shè)計(jì)，解析梯度傳播實(shí)現(xiàn)端到端的從模擬狀態(tài)更新到參數(shù)優(yōu)化的閉環(huán)，多流并發(fā)提升GPU執(zhí)行效率。與以往將生物模型適配深度學(xué)習(xí)工具的路線不同，HelioX將高性能模擬與可擴(kuò)展訓(xùn)練統(tǒng)一在同一運(yùn)行時(shí)中。

在消費(fèi)級(jí)GPU上，HelioX實(shí)現(xiàn)了深度生物物理MLP訓(xùn)練和生物體尺度的線蟲（C. elegans）模型擬合，在數(shù)值和學(xué)習(xí)基準(zhǔn)測(cè)試中均取得了顯著的速度和內(nèi)存效率提升。這一工作降低了生物物理模型用于可訓(xùn)練AI系統(tǒng)的工程和硬件門檻，使詳細(xì)神經(jīng)元研究在計(jì)算神經(jīng)科學(xué)和腦啟發(fā)學(xué)習(xí)領(lǐng)域更加實(shí)用可行。

09

DiCoLa：隱變量場(chǎng)景下的遞歸分解因果結(jié)構(gòu)學(xué)習(xí)

A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables

論文鏈接：https://arxiv.org/abs/2605.10651

基于約束的因果發(fā)現(xiàn)在高維場(chǎng)景下計(jì)算代價(jià)極高，原因在于其對(duì)條件獨(dú)立性檢驗(yàn)的嚴(yán)重依賴。已有"分而治之"框架雖能緩解此問題，但大多數(shù)方法都假設(shè)因果充分性，即不存在隱變量，這嚴(yán)重限制了它們?cè)趯?shí)際場(chǎng)景中的應(yīng)用。

DiCoLa框架將全局因果結(jié)構(gòu)學(xué)習(xí)遞歸分解為更小的子問題，對(duì)每個(gè)子問題獨(dú)立進(jìn)行因果發(fā)現(xiàn)，然后通過有理論保證的重構(gòu)步驟將子問題的解整合為完整的全局因果結(jié)構(gòu)。其關(guān)鍵突破在于：理論上證明了分而治之策略可以推廣到存在隱變量的場(chǎng)景，并保證了正確性和完備性。

合成數(shù)據(jù)和真實(shí)數(shù)據(jù)集的實(shí)驗(yàn)均驗(yàn)證了該方法在多種因果發(fā)現(xiàn)算法上顯著提升了計(jì)算效率，首次實(shí)現(xiàn)了隱變量場(chǎng)景下的高效分而治之因果發(fā)現(xiàn)，為大規(guī)模因果結(jié)構(gòu)學(xué)習(xí)提供了實(shí)用且理論完備的解決方案。

10

結(jié)語

從機(jī)器人世界模型到物理計(jì)算，從因果發(fā)現(xiàn)到AI安全，這九篇Spotlight論文展現(xiàn)了ICML 2026的多元面貌。它們或打破既有權(quán)衡，或填補(bǔ)理論空白，或揭示安全隱患，共同指向一個(gè)趨勢(shì)：AI研究正在向更深層的物理建模、更嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)和更安全的工程實(shí)踐邁進(jìn)。

雷峰網(wǎng)&AI科技評(píng)論將繼續(xù)在現(xiàn)場(chǎng)帶來更多ICML 2026的精彩內(nèi)容，如果你想推薦ICML上的其他論文，歡迎聯(lián)系我們進(jìn)一步交流探討 。

閱讀最新前沿科技趨勢(shì)報(bào)告，請(qǐng)?jiān)L問21世紀(jì)關(guān)鍵技術(shù)研究院的“未來知識(shí)庫”

未來知識(shí)庫是 “21世紀(jì)關(guān)鍵技術(shù)研究院”建 立的在線知識(shí)庫平臺(tái)，收藏的資料范圍包括人工智能、腦科學(xué)、互聯(lián)網(wǎng)、超級(jí)智能，數(shù)智大腦、能源、軍事、經(jīng)濟(jì)、人類風(fēng)險(xiǎn)等等領(lǐng)域的前沿進(jìn)展與未來趨勢(shì)。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進(jìn)入。

截止到2月28日 ”未來知識(shí)庫”精選的百部前沿科技趨勢(shì)報(bào)告

（加入未來知識(shí)庫，全部資料免費(fèi)閱讀和下載）