На конференции IJCAI-ECAI 2026, третий день которой пришёлся на 20 августа, вручили несколько наград за статьи и личные достижения в области искусственного интеллекта. Мероприятие стало площадкой для обсуждения прошлого и будущего ИИ, в том числе развития агентных систем (Agentic AI).
Одним из центральных событий стал специальный доклад ассистента профессора Стэнфордского университета У Цзяцзюня (Wu Jiajun), обладателя премии «Компьютер и мышление». Он рассказал о своих исследованиях в области визуального и физического интеллекта. У Цзяцзюнь считает, что физический мир содержит символические структуры (симметрия, повторение, иерархия), которые нужно явно моделировать как переиспользуемый «внутренний код» (intrinsic code).
Учёный представил два подхода к моделированию. Первый основан на физическом кодировании и дифференцируемых симуляторах в замкнутом цикле обучения: с помощью самоконтроля и восстановления из одного изображения извлекаются трёхмерная геометрия, текстура и материал. Затем подход расширяется на моделирование движения динамических объектов с использованием физических законов как индуктивного смещения (inductive bias). Преимущество подхода — сильная физическая согласованность, однако он работает только в упрощённых условиях (один объект, чистый фон, равномерное освещение).
Второй подход ориентирован на сложные сценарии: он использует предобученные модели генерации видео (foundation models) и метод Score Distillation Sampling (SDS) для извлечения физических свойств (форма, материал, освещение, движение). Это позволяет снизить зависимость от точных симуляторов.
Команда объединила оба подхода в замкнутый цикл: физический симулятор из первого подхода задаёт ограничения и «интуицию», а базовые модели из второго обеспечивают визуальную реалистичность. В результате получаются высокореалистичные генерации с сохранением физической корректности, работающие в реальном времени на одном GPU. Ключевой вопрос для ИИ — извлечение структурированных априорных знаний о физическом мире из ограниченных данных.
На конференции также вручили ряд наград за статьи. Так, награду AIJ Classic Paper Award получила статья «Nonmonotonic Reasoning, Preferential Models and Cumulative Logics» (1990 год), которая решает задачу построения системной теоретической базы для немонотонного вывода. Авторы статьи — Kraus, Lehmann и Magidor — определили пять семейств немонотонных отношений вывода и связали доказательство и теорию моделей с помощью теоремы представления. Центральное из этих семейств — «предпочтительные отношения» (System P) — до сих пор считается «консервативным ядром» немонотонного вывода.
На сцене IJCAI выступили профессор кафедры компьютерных наук Еврейского университета Daniel Lehmann и профессор компьютерных наук в Университете Бар-Илан в Израиле Sarit Kraus. Они поделились размышлениями о работе. Sarit Kraus (66 лет) рассказала о современном состоянии и перспективах немонотонного вывода. Она отметила, что повседневные рассуждения человека опираются на немонотонность, и ИИ‑системы следуют той же логике: меняют выводы при появлении новой информации. Кроме того, Sarit Kraus исследует возможность применения принципа KLM для проверки больших языковых моделей (LLM). Она пытается объединить теорию игр и KLM для изучения «честного обмана» (Truthful Deception) в мультиагентных системах.
Премия AIJ Prominent Paper Award 2026 присуждена работе 2021 года Logic Tensor Networks (https://arxiv.org/pdf/2012.13635). В Logic Tensor Networks (LTN) предложена новая логическая система Real Logic — полностью дифференцируемая логика первого порядка. В Real Logic логические константы, переменные, предикаты и функции связаны с вычислительными графами нейронных сетей, используется нечёткая логическая семантика для определения истинности. Это позволяет объединить выражение знаний с обучением с автоматическим дифференцированием в TensorFlow 2.
LTN охватывает множество задач ИИ: многоклассовую классификацию, обучение отношениям, кластеризацию данных, полуконтролируемое обучение, регрессию, обучение вложениям, ответы на запросы. На IJCAI 2026 Samy Badreddine (исследователь AI в Sony, выпускник Свободного университета Брюсселя) представил работу о LTN. В базовых исследованиях анализируется влияние различных нечётких логических операторов на градиентную оптимизацию и изучаются проблемы «логических коротких путей» (reasoning shortcuts). В прикладных направлениях LTN применяется в графах знаний и рекомендательных системах, в интерпретируемых предсказаниях больших языковых моделей, в моделях мира (для кодирования физических ограничений поведения интеллектуальных агентов).
JAIR Test of Time Award — новая награда на конференции, присуждается статьям из JAIR, опубликованным более 10 лет назад и оказавшим значительное долгосрочное влияние на область. Лауреат награды — статья «SMOTE: Synthetic Minority Over-sampling Technique» (2002), цитирование в Google Scholar превышает 47 000 раз. Статья решает задачу работы с несбалансированными наборами данных в машинном обучении: SMOTE предлагает интерполяцию в пространстве признаков для создания новых точек данных меньшинства. Метод породил множество вариаций (Borderline-SMOTE, ADASYN, SMOTE-NC) и остаётся стандартным инструментом в дата‑сайенс.
Один из авторов SMOTE — Nitesh Chawla (профессор факультета компьютерных наук и инженерии Университета Нотр‑Дам, основатель и директор Института данных и общества семьи Луси, член ACM, IEEE, AAAI, AAAS) — представил работу на IJCAI 2026. Ссылка на статью: Chawla отметил, что проблема несбалансированности данных остаётся актуальной даже в эпоху генеративного ИИ и больших языковых моделей; идеи SMOTE применяются в внедрении графов, дополнении разрежённых данных с помощью LLM. Ключевая задача будущих исследований — разработка механизмов обучения, чувствительных к затратам, соответствующих реальным целям оценки.
В 2026 году впервые вручена премия IJCAI‑JAIR Best Paper Prize за выдающееся исследование из статей, опубликованных в JAIR за последние пять лет. Победившая работа — «The Computational Complexity of Understanding Binary Classifier Decisions» (2021) — затрагивает фундаментальную проблему в области объяснимого ИИ: сложность объяснения решений бинарного классификатора. Рассматривается задача: найти достаточно малое подмножество входных переменных, чтобы по ним с заданной вероятностью можно было определить результат работы бинарного классификатора (представленного в виде булевой функции). Эта задача лежит в основе многих методов XAI (LIME, SHAP). Показано, что задача является NP^PP‑полной. Даже при допуске вероятностного приближения (с вероятностью хотя бы δ или не более δ‑γ) задача остаётся NP‑трудной. При условии P≠NP не существует полиномиального приближённого алгоритма.
Nick Jennings (ректор Университета Лафборо, обладатель Research Excellence Award 2026, John McCarthy Award) выступил с докладом «The Past, the Present, and the Future of Agentic AI». Его карьера почти совпадает с развитием области мультиагентных систем: в 1992 году он написал докторскую диссертацию о теоретических моделях сотрудничества мультиагентов, в 1999 году получил награду IJCAI в области компьютеров и мышления (первую для европейского учёного за 40 лет). Jennings рассматривает развитие агентов как многолетнюю линию исследований, которая достигла технологической зрелости; называет 2026 год «годом агентов» и указывает на путь от индивидуальных способностей агентов к мультиагентному социальному взаимодействию. Он подчёркивает важность изучения сотрудничества агентов, формирования коллективного интеллекта и построения отношений с людьми, а также связанные с этим вызовы (гибкое распределение задач, интероперабельность открытых систем, социальная ответственность и безопасность).
Дэвид С. Паркс (David C. Parkes) — декан инженерного факультета Гарвардского университета, профессор компьютерных наук, член AAAS, ACM, AAAI. Основал в Гарварде исследовательскую группу EconCS для изучения пересечения ИИ и экономики. Разработал алгоритмы, обеспечивающие эффективность, справедливость и совместимость стимулов в высокорисковых средах с множеством интеллектуальных агентов. Он исследовал развитие механизма проектирования: от вычислительного механизма проектирования (computational mechanism design) до автоматического проектирования механизмов (automated mechanism design) и автоматического проектирования контрактов (automated contract design). Parkes считает, что будущие ИИ‑системы будут представлять собой сложные общества, где множество ИИ‑агентов взаимодействует с множеством доверителей (людей или предприятий). Для решения проблем таких обществ (обратный отбор, моральный риск, стратегические манипуляции, сговоры, конкуренция за ресурсы) необходимо продвигаться в пяти направлениях: проектирование правил, наблюдаемость, проверяемость, ценообразование ресурсов и сохранение контроля со стороны человека.
Также в 2026 году лауреатом премии Computers and Thought Award стал У Цзяцзюнь (Wu Jiajun) — доцент кафедры компьютерных наук Стэнфордского университета (также работает на кафедре психологии). Его цитирования в Google Scholar приближаются к 49 000. Имеет награды: NSF CAREER Award, ONR Young Investigator Award, AFOSR Young Investigator Award, IEEE AI 10 to Watch, MIT Technology Review Asia‑Pacific 35 Under 35. Окончил Университет Цинхуа в 2014 году, затем обучался в MIT под руководством Bill Freeman и Josh Tenenbaum, был приглашённым исследователем в Google Research, с 2020 года работает в Стэнфорде.
В рамках конференции создана группа для участников IJCAI 2026 — там будут новости о конференции, возможность общения с коллегами, информация о последних исследованиях и помощь во время мероприятия (навигация, обсуждение сессий, сбор материалов с постеров и т. д.). Чтобы вступить в группу, нужно отсканировать QR‑код или добавить в WeChat номер Qvv0909777, указав в заметке: IJCAI + учебное заведение/организация + фамилия + направление.
Подписаться в Макс
