ICML 2026落幕了。
但今年最有意思的讨论，很多并没有发生在 Session 里。
Coffee Break 的走廊上、Poster 板前、晚餐桌边——来自全球 Frontier AI Labs、顶尖高校、创业公司和投资机构的研究者们，聊的早已不只是论文本身：
下一代扩散语言模型还有多大空间？
世界模型的机会到底在哪？
当 Agent 开始参与研究流程，科研本身会变成什么样？
这些还没写进论文的思考，往往才是下一轮共识的起点。
就在本次 ICML 期间，九坤创投发起的 Global AI Bridge 组织了三场小规模闭门交流。
其中有 ICML 杰出论文奖得主，有 Frontier Lab 研究员，有华为天才少年，也有正在把 AI 推向金融、机器人和科学发现一线的实践者。
我们从中提炼出十个最值得关注的信号。
它们未必已经成为共识，但很可能就是未来几年 AI 最重要的新坐标。
AI 正在重新定义"智能是如何产生的"
过去，我们关注如何设计更好的模型；如今，我们开始重新思考智能是如何被创造出来的。
从模型架构，到数据范式，再到 AI 在高价值行业的落地，今年 ICML 最重要的变化，是 AI 正从追求模型能力，走向构建真正可持续的智能系统。
Takeaway 01 重新定义下一代扩散语言模型的，不只是解码速度，还有生成方式
倪赞林
ICML2026 杰出论文奖（Outstanding Paper）一作，清华大学自动化系本科 + 博士，师从长聘副教授黄高，曾获得国家奖学金、未来学者奖学金、商汤奖学金等
今年 ICML 有两件事让我特别开心：
一是《The Flexibility Trap》拿到了 Outstanding Paper；二是在 Oral 和 Poster 的交流中，我发现越来越多研究者也在开始重新思考扩散语言模型的真正价值与能力边界。
我们的工作希望回答一个核心问题：
任意顺序解码究竟带来了什么，又有哪些边界？
如果 DLM 的优势仅停留在并行解码带来的效率提升，它与 Multi-token Prediction 的差异可能并没有那么本质。
因此真正值得期待的是，它能否支持像人类写作一样"先写草稿、再修改已写好的文字"的范式，而目前最主流的扩散大语言模型暂时还做不到这一点。
未来，我更关注新一代扩散架构的探索，比如连续空间的扩散语言模型（MIT 的 ELF），以及 Google 基于 uniform-state diffusion 的 DiffusionGemma 等，它们或许会开启语言模型新的发展路径。
Takeaway 02 四年前，模型定义数据；四年后，数据开始定义模型
赵波
ICML 2022 杰出论文奖（Outstanding Paper），上海交通大学副教授，国家级青年人才，前智源研究院数据智能中心负责人，阿里具身智能访问学者，北大硕士，爱丁堡大学博士
四年前，我聚焦的Centric AI还是一个小众方向，其价值常受到质疑；四年后，它已经成为大模型、具身智能、AI4Science 等前沿领域共同的基础范式。
AI 正在加速进入新阶段，模型逐渐成为数据的载体，数据即智能。
对于具身智能而言，真正的瓶颈不仅在于数据稀缺，更在于数据与模型之间的协同机制。
下一阶段的竞争核心，不是谁拥有更多数据，而是谁能够让数据反过来定义模型架构、训练策略与能力边界（Driven Model Design）。
随着具身智能进入大数据时代，数据高效使用与数据驱动的模型设计，将成为未来几年最重要的研究方向，也将重新定义下一代物理 AI 系统的构建方式。
Takeaway 03 AI 正在进入金融领域的新阶段，从技术验证，到商业兑现
陈溪
纽约大学特恩商学院 Andre Meyer 冠名终身正教授，计算机科学系与数据科学学院兼职教授，摩根大通量化研究人工智能负责人，CMU 博士，伯克利博士后，师从 Michael I. Jordan
今年 ICML 令人兴奋的变化，是 AI 与金融开始真正汇合。
AI 在金融领域正从技术验证走向商业兑现，成为最具价值的应用场景之一。
基础模型、推理模型和 Agent 正在重塑Alpha Research、市场微观结构建模以及自动化研究流程。
我相信，值得关注的不只是 AI 公司做金融，而是越来越多具备 Frontier AI 背景的顶尖研究者，把最先进的大模型研究应用到投资研究、风险管理、交易系统等场景。
未来五年，AI Native 的金融机构和研究团队有望成为 AI 商业化最重要的落地方向之一。
AI 正在成为连接数字世界与物理世界的新操作系统
如果 AI 是一套新操作系统，那它的"内核"是什么？
接下来三个 takeaway 给出了三种回答：
是自主规划、持续进化的 Agent；是让科学积累第一次摆脱生物寿命限制的智能系统；也是像人与人交流一样实时倾听、实时回应的交互架构。
Takeaway 04 真正决定世界模型价值的，不是模型，而是 Agent
吴佳洪
阿里巴巴 dreamx world 世界模型负责人，前快手 MMU 多模态理解高级算法专家，前创新工场 · 创新奇智技术专家，北京大学硕士
Agent 的终局，不是工具，而是AI 时代的新基础设施。
未来一年最大的变化，不仅是 Agent 本身越来越强，而是它将与世界模型、AIGC 和具身智能深度融合。
当前，数字世界模型仍面临长时一致性、记忆能力和稳定输出等挑战，而 Agent 的自主规划、持续记忆和多智能体协同能力，有望成为突破这些瓶颈的重要路径。
在物理世界模型领域，我认为最大的机会并非诞生一个"大而全"的统一模型，而是在各个垂直场景构建专用能力。
由于通用世界模型短期内仍难以覆盖所有下游任务，这为不同赛道的创业者留下了窗口期。
但这个窗口不会太长，未来一到两年，随着基础模型能力持续提升，通用模型将不断扩展能力边界，从而慢慢蚕食掉各个领域。
未来 AI 的竞争将不再局限于模型能力，而是谁能够构建自主感知、持续决策、自主执行、持续进化的 Agent 系统。
Agent 也将成为连接基础模型与真实世界、推动产业智能化升级的重要基础设施。
Takeaway 05 AI4AI × AI4Science：科学突破的新操作系统
刘睿
华为香港研究所小艺大模型应用实验室主任，香港中文大学 MMLab 博士，华为"天才少年"计划，现从事多模态 /Agent 领域的前沿研究以及在亿级终端用户场景的落地及应用
科学突破的终极范式，不只是创造更聪明的模型，而是创造更快诞生科学发现的系统。
这也将走向 AI4AI 与 AI4Science 的深度合流。
未来，人类文明的进步将来自 Top 1% 的科学家，带领无数个不知疲倦的 AI Agent。
AI4AI 与 AI4Science 的融合，将打破科学探索一直以来的重要瓶颈——数据孤岛和领域壁垒，本质上是全领域知识的去中心化与再整合。
过去，科学积累依赖人类有限的生命，存在严重的衰减（书本、教育、经验）；
未来，AI Agent 可以无损传递知识、持续继承经验，让科学突破第一次拥有近乎无限的累积能力。
这确保了科学知识与经验的累积不再受限于生物个体的死亡，从而使得科技的发展可以不断地达到新的巅峰。
Takeaway 06 下一代 AI 交互，不只是"完成任务"，而是要"舒适地完成任务"
马子阳
上海交通大学与南洋理工大学联授学位博士，上海创智学院璞锐学者。曾获 Interspeech2023 最佳学生论文提名、南洋语音技术论坛最佳学生论文等，发表一作论文 10 余篇，引用超过 5900 次。发表的 LSLM 最早探索了语音全双工交互的建模范式，领导开源了 emotion2vec 系列、SLAM-LLM 系列等，Qwen-Omni 系列核心贡献者。
今年 ICML 最让我兴奋的一件事，是大会期间 OpenAI 发布了GPT-Live。
相比产品本身，我更关注它释放出的一个信号：新一代人机交互已经逐渐成为共识。
大会期间，不少研究者和投资人都在讨论同一个问题：下一代 AI 的交互范式会是什么？
我很开心看到，OpenAI 的 Chief Research Officer 的 Mark Chen 在他的 ICML 现场演讲中也提到，交互将会是他们未来一年重点关注的方向。
下一代 AI 最大的技术挑战，不再只是模型能力，而是全双工（Full-Duplex）、原生（Native）的交互架构。
未来，无论 AI 运行在 PC、耳机、眼镜、机器人还是某个沉浸式空间，都需要像人与人交流一样，能够实时倾听、实时理解、实时回应，而不是"说一句、答一句"。
围绕这一趋势，我最关注三个方向：AI 原生交互架构、硬件及软硬件协同的创新，人与 AI 关系的创新（如 Long Horizon 任务和模型的记忆能力），以及人与 AI 协作过程中模型的持续自进化。
下一代 AI ，无论是模型架构还是产品体验，一定会诞生新的原生交互逻辑。
AI 开始参与科学发现，并重新定义科学本身
AI 不再只是科学研究的对象，而开始成为科学研究的参与者。
从 AI4Science，到 AI Research Workflow，再到 Evaluation 与 Verification，今年越来越多研究者开始讨论：
当 AI 开始帮助科学家发现知识，我们应该如何重新定义科研本身？
Takeaway 07 递归自我改进的真正瓶颈，是验证带宽
付杰
IQuest Research Scientist，2021 ICLR Outstanding Paper，2024 NAACL Outstanding Paper，新加坡国立大学博士（导师 Tat-Seng Chua），Mila 博士后（导师 Yoshua Bengio）
ICML 2026 的一系列文章（尤其是 position: AI Agents Should Be Evaluated as Behavioral Systems）提醒我们：
评估 agent 不能只看最终任务分数，还要系统地观察、扰动和解释其行为。
对 recursive self-improving AI 而言，这尤其关键——每一轮自生成数据、筛选轨迹与更新策略，都可能提升可测指标，却未必意味着系统真的更可靠、更对齐。
这正呼应了" Some Simple Economics of AGI "的核心判断：
当 AI 将可度量的执行成本压低到接近零，人类验证、审计与责任担保的带宽将成为新的硬约束，由此形成"能执行的"与"能被验证的"之间不断扩大的 Measurability Gap。
因此，RSI 的安全问题不只是如何 measure 模型是否变强，而是如何verify 每一次改进是否真实，以及异常策略是否在迭代中被放大。
Takeaway 08 当模型开始发现科学，评测必须先成为科学
刘鸿轩
清华大学本科，麻省理工学院计算科学与工程博士一年级在读，ICML 2026 GenBio Workshop 最佳论文第一作者。
过去几年，AI for Science 的进展常被更高的预测精度、更大的模型和更亮眼的 benchmark 数字所定义。
但当 AI 逐渐进入真实科研流程，评测的严谨性与公平性，正在成为决定技术能否真正落地的关键问题。
科学任务中的"高分"，可能来自数据泄漏、不合理的数据划分、计算资源差异，或对强基线不充分的比较。
一个模型在随机划分上表现出色，并不意味着它能够应对新的分子体系、材料空间与实验条件。
下一阶段，AI4Science 需要的不只是更大规模数据的预训练、更 fancy 的架构，又或者只是更难的 benchmark，而是更接近科学发现过程的评测体系：统一比较协议，披露数据与计算成本，重视分布外泛化、实验验证、复现能力与失败案例。
当模型开始参与提出假设、设计实验与形成科学结论，评测就不再只是排行榜，而是科研可信度的一部分。
谁能建立更严谨、更公平的评价标准，谁才可能真正定义 AI for Science 的能力边界。
Takeaway 09 Robot Safety，不只是避免事故，更是建立信任
李家琛
Georgia Tech 助理教授，斯坦福大学博士后，加州大学伯克利分校博士，Trustworthy Autonomous Systems Laboratory ( TASL ) 主任，IEEE RAS 机器人学习技术委员会联合主席，IEEE Transactions on Robotics 和 IEEE Robotics and Automation Letters 副编辑。
今年 ICML，一个让我印象很深的感受是，Safety已经从一个研究方向，逐渐成为整个 AI 社区共同关注的核心问题。
从大语言模型到 Agent，再到 Foundation Models，越来越多工作开始关注模型是否可靠、是否符合人类意图，以及如何在开放世界中保持稳定、安全的行为。
不过，这也让我不断思考一个问题：当 AI 走出虚拟世界、拥有身体之后，Safety 又该如何重新定义？
过去，我们讨论机器人安全时，更多关注的是 Physical Safety，比如如何避免碰撞、如何保证控制稳定、如何在各种异常情况下确保机器人不会伤害人。
这些问题始终是机器人进入现实世界的基础，也是机器人安全研究几十年来最重要的主题。
但随着机器人逐渐进入家庭、医院、办公楼等人类环境，我越来越觉得，仅仅做到"不会伤害人，不会碰撞"已经不足以回答安全这个问题。
一个机器人即使始终满足所有安全约束，如果它突然加速、从人的背后靠近，或者做出难以预测的动作，人们依然会感到紧张，甚至下意识地远离它。
这种不安全感并不是来自真实风险，而是来自人与机器人之间缺乏信任。
因此，我认为未来 Robot Safety 的研究重点，会逐渐从 Physical Safety 延伸到 Perceived Safety。
机器人不仅需要真正安全，还需要让人感受到安全；不仅需要避免危险，更需要让自己的行为始终可理解、可预测，并符合人的心理预期。
我相信，这是 Physical AI 时代一个值得关注的研究方向。
未来机器人真正融入人类社会，依赖的不只是更好的算法、更高的精度或更快的推理速度，而是能否建立人与机器人之间持续、自然的信任关系。
机器人最终需要回答的问题，不只是" Can I do this safely? "，更是" Will people feel comfortable when I do this? "
Takeaway 10 Agent 也许改变的不只是 AI，而是我们做研究的方式
Jeremy
全球顶级 Frontier AI Lab 研究员，毕业于斯坦福大学，长期从事大语言模型（LLMs）、Agent 与 Machine Learning Systems 相关研究，关注 AI 推理、Agent 系统及 AI 在复杂真实场景中的应用。
参加完 ICML 2026，我一直在想，今年最大的变化到底是什么。
不是某一个模型突然变强了，也不是某一个 benchmark 又被刷新了，而是我感觉，越来越多研究已经开始默认 Agent 是整个研究流程的一部分，而不仅仅是研究对象。
过去，很多工作更关注如何设计一个更好的模型：提出新的架构、更好的训练方法、更高的分数。
而今年，不少讨论已经慢慢转向另一个层面——如果模型能够主动规划、调用工具、搜索信息、写代码、运行实验，那么研究本身会发生什么变化？
这让我印象很深。
以前我们会把「训练模型」和「做研究」看成两件事，但现在它们之间的界限越来越模糊。
越来越多工作开始把实验设计、数据处理、假设验证、结果分析，甚至代码生成都纳入同一个循环里。
模型不再只是最后输出一个答案，而是开始参与整个研究过程。
我觉得，这种变化比模型能力本身更值得关注。因为它意味着，我们以后讨论一个研究成果的时候，可能不只是讨论模型，而是讨论整个研究流程是如何完成的：
哪些步骤可以自动化，哪些决策仍然需要人来做，哪些环节最容易产生偏差，又该如何设计新的协作方式。
还有一个很有意思的观察是，今年和很多研究者聊天，大家聊得最多的并不是某一个模型参数或者训练技巧，而是workflow。
怎样组织实验、怎样快速验证一个想法、怎样把不同工具串联起来，反而成了很多讨论的重点。
Agent 更像是在重新定义研究者与工具之间的关系，而不是简单增加一个新的 AI 能力。
如果让我总结 ICML 2026 最大的 takeaway，我可能不会说 Agent 会取代研究者，而是它正在重新定义研究的组织方式。
未来真正重要的，也许不是谁拥有最强的模型，而是谁能够构建一个更高效的人与 AI 协作流程，让更多好的想法能够更快地被验证、迭代，并最终变成真正有影响力的研究。
连接全球创新力量，探索 Frontier AI 下一阶段
真正重要的，不只是论文，而是下一轮共识。
过去几年，每一届 ICML 都会留下几篇经典论文。
但真正推动 AI 向前发展的，往往不是某一篇论文，而是一群研究者开始共同关注同一个问题。
这些方向未必已经成为共识，但很可能就是未来几年 Frontier AI 最值得关注的新坐标。
Global AI Bridge 希望持续记录这些来自全球 Frontier AI Researchers 的最新思考，并围绕这些 Topic 持续发起开放讨论，连接 Researchers、Builders、Founders 与 Investors，让更多跨机构、跨国家的交流真正发生。
未来一年，我们将围绕这些研究方向，持续发起一系列开放讨论（Open Topics），包括 Agent、World Model、Centric AI、AI Evaluation、AI4Science 等方向。
如果你也正在研究这些 Topic，希望参与 Topic Discussion 或共同发起新的讨论，可以联系 Global AI Bridge 负责人。
也许，下一篇《ICML Top Takeaways》，就来自下一次讨论。
（出处：本文观点由 Global AI Bridge Contributors 共同贡献，由量子位、九坤创投合作整理。）
* 本文系量子位获授权刊载，观点仅为原作者所有。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
金御优配提示：文章来自网络，不代表本站观点。
