82 篇論文撐起的判斷：IJCAI 憑什么是推理、規劃、知識的「第一主場」

本文作者：陳淑瑜

2026-08-07 18:29

專題：IJCAI：國際人工智能聯合會議

導語：50篇推理加32篇規劃，IJCAI里最硬的8%。

50篇推理加32篇規劃，IJCAI里最硬的8%。

作者丨陸毅陳淑瑜

編輯丨岑峰

“IJCAI/AAAI在推理、規劃、知識方面是最頂級的，這幾個方向也是AI當下急需的?！?/span>

2019年，南京大學俞揚教授在一場關于 AI 頂會評級的討論中寫下了這句話。

彼時大語言模型尚未爆發，“推理”一詞在AI社區遠不如今天這般炙手可熱。七年過去，當 DeepSeek-R1 用強化學習激發推理鏈、當 AlphaGeometry 用符號引擎超越 IMO選手、當整個行業開始反思“大模型到底會不會推理”時，俞揚教授的判斷反而顯得更具前瞻性。

IJCAI 是否在推理、規劃、知識方面是最頂級的呢？AI科技評論以IJCAI-ECAI 2026的最新論文陣容為證據，從宏觀格局和具體論文兩個層面，驗證“IJCAI在推理、規劃、知識方面是最頂級的”這一觀點在當下是否仍然成立。

為什么IJCAI的“基因”里寫著推理、規劃與知識

IJCAI-ECAI 2026將于8月15日至21日在德國不來梅舉行，這屆IJCAI將與第29屆 ECAI 歐洲人工智能會議聯合舉辦。

自1974年首屆會議在英國布萊頓舉辦以來，ECAI一直是歐洲符號AI與知識工程研究的傳統主場，ECAI 2024的 proceedings 描述中曾明確指出，ECAI 的覆蓋領域明確包括"planning, search, constraints, satisfiability, knowledge representation"——這些正是符號主義AI的核心領地。

當IJCAI與歐洲符號 AI 的傳統主場的 ECAI 聯合舉辦時，“推理、規劃、知識”在會議基因里的地位便被雙重強化。這是學術傳統自然匯流的結果。

而從數量上看，IJCAI對推理、規劃、知識方向的投入是實打實的。

根據目前已有的IJCAI 2026公布情況，AI科技評論預估本次IJCAI 總投稿數超過5400篇，目前總錄用論文數990篇，錄用率約18%。

根據IJCAI 2026公開的main-track統計，"Knowledge Representation and Reasoning"共有67篇，"Planning and Scheduling"有32篇論文，換言之，僅這兩個核心方向就占據了IJCAI-ECAI 2026 main-track錄用論文的13.3%。

如果將"Constraint Satisfaction and Optimization"與"Search"這兩個與推理/規劃同源、同樣隸屬于符號AI傳統的方向一并計入，則推理、規劃、知識方向的論文集群合計達148篇，占比約20.8%。也就是說，每五篇IJCAI論文中，就有一篇屬于符號推理這一譜系。

更重要的是，這些方向不僅數量穩定，而且質量突出。

翻看IJCAI近年的杰出論文獎名單，推理/規劃/知識方向的論文反復出現：

注：IJCAI每年評選3篇杰出論文獎，上圖僅選取與推理/規劃/知識方向直接相關的獲獎論文，未列出的其他獲獎論文涉及優化、公平性、推薦等方向。

上表九篇論文全部直接涉及推理、規劃或知識表示。如果說錄用數量說明的是“廣度”，那么杰出論文獎反復花落此領域，說明的是“深度”。

推理（Reasoning）：從純符號到神經符號的進化

俞揚教授所說的“推理”指的是符號推理——基于邏輯規則、知識表示的演繹推理。到2026年，這一方向在IJCAI不僅沒有萎縮，反而因為大語言模型的興起獲得了新的生命力。

以下三篇IJCAI-ECAI 2026錄用論文勾勒了這一趨勢。

▎神經決策傳播：讓ASP在連續域中“可微”

Answer Set Programming是知識表示與推理的核心形式化工具之一，但將其與神經網絡集成時，長期面臨一個工程瓶頸：現有方法（如NeurASP、SLASH）的推理流水線依賴經典ASP求解器，神經網絡的連續輸出必須先被“翻譯”成離散的符號原子，再交給求解器處理。

這一連續-離散轉換引入了組合爆炸問題，也使整個系統無法利用 GPU 的并行計算能力。維也納理工大學的Thomas Eiter、日本國立信息學研究所的Katsumi Inoue與Sota Moriyama在IJCAI-ECAI 2026上提出的Neural Decision-Propagation方法，正是為打破這一瓶頸而生。

論文鏈接： https://arxiv.org/abs/2605.01797

代碼：https://github.com/sotam2369/NDProp

NDProp架構——Decision-Propagation (DProp) 迭代管線與神經化擴展

他們首先設計了一種全新的穩定模型計算方法——Decision-Propagation ，其核心思想是在原子級別交替進行“假值決策”與“真值傳播”：每一步選擇一個尚未決定的原子，將其暫定為假，然后傳播其邏輯后果，直到所有原子都被確定。論文嚴格證明了成功的DProp計算恰好捕獲穩定模型語義。

在此基礎上，NDProp將DProp擴展為可微版本，也就是用循環神經網絡替代離散的假值決策，用模糊邏輯算子替代真值傳播，使得整個ASP求解過程可以在連續域中進行端到端訓練。當輸出為二值時，NDProp的運算等價于DProp，這意味著用強制二值輸出的損失函數訓練NDProp，本質上就是迫使網絡學會輸出穩定模型，并且無需任何監督信號。

實驗結果令人矚目。在 MNIST 算術推理任務上，NDProp 準確率全面超越NeurASP 和 SLASH，平均推理速度比 NeurASP 快約42倍、比 SLASH 快約7倍。在不完整數據的視覺數獨任務中，NDProp 在所有數據量設置下均優于純ASP和純神經方法，兼得了符號推理的精確性與神經網絡的魯棒性。

NDProp在MNIST算術推理與視覺數獨任務上的實驗結果對比

這篇論文的意義在于：它將ASP的求解過程本身“神經化”，為神經符號AI打開了一條真正端到端的技術路徑，避免了簡單地在ASP外部附加神經網絡的做法。

▎LLM進化SAT求解器：大模型加速符號推理

SAT 求解是組合推理的核心基礎設施，但現代 SAT 求解器已極其精密復雜，人類專家很難再手動實現顯著改進。IJCAI-ECAI 2026錄用的論文"Bridging LLMs and SAT Solving: Automated Evolution of High-Performance Heuristics"提出了一個大膽的思路：讓大語言模型自動進化SAT求解器的啟發式函數。

論文鏈接： https://2026.ijcai.org/accepted-papers?ijtrack=main-track

AESAT項目：https://github.com/FSQH-dh/AESAT

作者設計了AESAT框架，采用混合專家架構，讓GPT-4.5負責創意生成，Claude 3.7負責代碼實現，DeepSeek-R1負責邏輯分析與進化交叉，三者協同迭代優化 SAT 求解器的分支啟發式。框架還具備自優化提示詞的能力，能從歷史性能數據中學習以避免重復錯誤。

衍生求解器AE-Kissat-MAB在2025年國際SAT競賽主賽道以絕對優勢奪冠，這是一個標志性的"LLM→Symbolic"案例：大語言模型扮演了符號推理引擎的“進化加速器”角色，在人類專家已接近瓶頸的領域實現了突破。

▎讓AI學會“抽象”：ASP的泛化推理基礎

在IJCAI-ECAI 2026的Early Career Spotlight環節，Zeynep G. Saribatur將帶來題為"Towards Reasonable AI: Foundations for Abstraction and Generalized Reasoning"的報告。

來源：https://2026.ijcai.org/accepted-papers/?ijtrack=early-career-spotlight

Saribatur個人主頁：https://www.dbai.tuwien.ac.at/user/saribat

她的研究聚焦于一個根本問題：人類推理依賴抽象和泛化，但AI系統如何獲得這種能力？

Saribatur 選擇在 ASP 這一符號AI核心形式化框架中發展形式化的抽象方法，既能簡化推理表示又不丟失關鍵解的性質，同時支持計算效率的提升和人類對 AI 決策過程的理解。

這項工作在IJCAI 2026上同時以多篇論文形式出現，她與CRIL實驗室合作的"Abstracting the Indistinguishable in ASP"也在主 track 錄用，這樣意味著抽象推理這一基礎方向在IJCAI的版圖中占據著不可忽視的位置。

規劃（Planning）：從經典PDDL到LLM驅動的混合規劃

規劃是IJCAI的傳統強項。從2019年到2026年，規劃研究經歷了一次范式拓展：經典PDDL式規劃依然活躍，但LLM驅動的混合規劃成為新的增長極。IJCAI-ECAI 2026的錄用論文清晰地展現了這一趨勢。

▎DUPLEX：讓LLM做它擅長的，讓符號規劃器做它擅長的

大語言模型為機器人任務規劃帶來了語義靈活性，但其幻覺和邏輯不一致的弱點嚴重制約了在長時間域任務中的可靠性。

東北大學與美的集團聯合在IJCAI-ECAI 2026上發表的論文"DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction"提出了一種精巧的分工策略：將LLM嚴格限制在結構化語義信息的提取上，避免讓其承擔端到端規劃的職責。

來源：arXiv:2603.23909 https://arxiv.org/abs/2603.23909

DUPLEX采用雙系統架構?？焖傧到y中，輕量級LLM從自然語言指令中提取實體、關系等信息，確定性地映射為PDDL問題文件，再交給經典符號規劃器求解。當規劃失敗時，例如提取的信息不完整或存在歧義，慢速系統激活，利用求解器返回的診斷信息驅動高容量LLM進行迭代反思和修復。

DUPLEX的雙系統架構

這種設計背后的洞察十分清晰：將LLM限制在其擅長的部分，并將邏輯計劃合成留給符號規劃器。在12個經典和家庭規劃領域上的廣泛評估中，DUPLEX在成功率和可靠性方面顯著優于現有的端到端和混合LLM基線，驗證了“各司其職”比“全包大攬”更有效。

▎實時多機器人運動規劃：經典搜索與機器學習的聯姻

在工業場景中，多機器人在共享空間中的運動規劃是一個計算挑戰。Amazon的研究團隊在IJCAI-ECAI 2026上發表了"Real-Time Multi-Robot Motion Planning with Safe-Interval Search and Learning-Guided Repair"，提出了SIPP-PP-LNS框架。

來源： https://www.amazon.science/publications/real-time-multi-robot-motion-planning-with-safe-interval-search-and-learning-guided-repair

該框架采用兩階段算法：第一階段使用優先級安全區間路徑規劃（SIPP-PP）快速生成初始無碰撞軌跡，并引入了一種新穎的有限目標預留策略來防止目標阻塞沖突；第二階段利用XGBoost引導的大鄰域搜索（LNS）在高度擁擠環境中智能選擇沖突解決方案。

這種經典搜索與機器學習的結合產生了驚人的效率——相比最近先進的基于學習的方法，如擴散規劃器，該規劃器快了兩到三個數量級，能在數十毫秒級別內為多個機器人生成無碰撞路徑，滿足倉儲自動化等工業應用的嚴苛實時要求。

這項工作展示了一個重要趨勢：在規劃領域，經典搜索算法通過與機器學習的深度融合煥發新的活力。

四臺機器人規劃圖

▎ChinaTravel挑戰賽：在真實旅行規劃中檢驗LLM智能體

南京大學LAMDA實驗室在IJCAI-ECAI 2026上組織了“第二屆智能旅行規劃挑戰賽”（ChinaTravel Challenge @ IJCAI 2026），基于1,154條真實中文旅行需求構建了開放式旅行規劃基準。

來源：https://chinatravel-competition.github.io/IJCAI2026/

ChinaTravel基準概覽——Agent工作流、沙箱環境與組合約束驗證

與以往將用戶意圖簡化為“填空選擇題”的旅行規劃基準不同，ChinaTravel要求模型通過大量工具收集信息，同時權衡空間、時間、預算、口味、體力等彼此耦合的變量，并通過組合約束驗證檢驗智能體的語義理解、約束滿足與組合泛化能力。

這一挑戰賽的設計哲學與南大LAMDA在神經符號規劃方向的一貫主張一致，讓LLM做語言理解，讓符號層處理長程搜索和驗證器閉環糾錯。這個競賽也是對“LLM能否真正規劃”這一行業關切的系統性檢驗。

ChinaTravel的約束復雜度分布與上下文規模分析

知識（Knowledge）：從知識表示到神經符號知識工程

知識表示與推理是IJCAI收錄論文最多的話題分組之一。在IJCAI-ECAI 2026上，這一方向呈現出兩個鮮明特征：一是傳統KRR理論持續深化，二是知識表示與神經方法的融合加速推進。

▎CRIL實驗室的“七篇齊發”：KRR方向的學術密度

法國CRIL實驗室（Artois大學）在IJCAI-ECAI 2026上有7篇論文被錄用，幾乎覆蓋了KRR的所有核心子方向。

來源：https://www.cril.univ-artois.fr/en/posts/2026-05-11-ijcai26

其中，"Abstracting the Indistinguishable in ASP"由Zeynep G. Saribatur、Markus Hecher和Johannes K. Fichte合作完成，研究的是ASP中“不可區分”原子的抽象問題：當多個原子在推理過程中表現出等價行為時，如何將它們抽象為更高層次的表示以簡化求解，同時不丟失關鍵信息。

這一工作與Saribatur在Early Career Spotlight中展示的抽象推理研究形成了理論與應用的呼應。

"Diversity of Extensions in Abstract Argumentation"則將量化思維引入論證框架。論證是AI中建模和推理關于論點沖突的重要工具，但標準的論證推理只告訴你“哪些論點集是可接受的”，卻不揭示不同可接受集之間的差異程度。Fichte等人引入了基于對稱差分的“擴展多樣性”量化概念，系統性地分析了其計算復雜性，并提供了原型實現。這種將定性推理“是否可接受”擴展為定量分析“有多不同”的思路，為論證框架在決策支持系統中的實際應用打開了新的空間。

此外，"Computing Coverage-Based Prime Implicant Explanations for Tree-Based Models"將知識表示技術應用于可解釋AI（XAI），為樹模型生成覆蓋度最優的素蘊涵解釋；"gDMC: A Generic Distributed Model Counting Framework"解決了模型計數這一#P完全問題的分布式求解；"Splitting Meanings"則為次一致性和不一致性度量提供了統一視角。

一個實驗室在一個會議上發表7篇KRR方向論文，這種密集度在NeurIPS或ICML中是極為罕見的，它說明IJCAI承載了一個以知識表示為學術家園的研究社區。

▎可解釋ASP：讓符號推理“看得見”

Thomas Eiter、Tobias Geibinger和Zeynep G. Saribatur在IJCAI-ECAI 2026的Survey/Vision track上發表了"An XAI View on Explainable ASP: Methods, Systems, and Perspectives"，系統梳理了ASP在可解釋AI中的角色。

來源：https://2026.ijcai.org/accepted-papers?ijtrack=main-track

ASP的一個天然優勢是推理過程本身就是一個邏輯演算鏈條，可以被人類理解。但"可解釋"需要精心設計的解釋方法、可視化系統和交互界面。這篇綜述從方法、系統和未來方向三個層面，將散落在各處的研究整合為一個連貫的研究圖景。在LLM“黑箱推理”引發廣泛關切的當下，ASP所提供的可驗證、可追溯的推理路徑，恰恰是可解釋AI最堅實的理論基礎。

XAI ASP Survey論文中的示例：ASP程序的省略型抽象（omission-based abstraction）將不可區分的原子抽象為高層表示

▎知識圖譜更新可以“靜態正確”且“可編程”

Eduard Kamburjan等人在IJCAI-ECAI 2026上發表的論文"GEV: Statically Correct and Programmable Knowledge Graph Updates"解決的是知識圖譜管理中的一個實際問題：如何確保知識圖譜的更新操作在編譯時就是類型安全的，而非等到運行時才發現錯誤。

來源：https://2026.ijcai.org/accepted-papers?ijtrack=main-track

BilAI：http://www.bilateral-ai.net/news-events/bilai-at-flagship-conferences

GEV的內部架構（左）與驗證工作流（右）

傳統知識圖譜更新缺乏靜態保證，更新操作可能引入不一致或違反約束。GEV框架將編程語言中的靜態類型檢查思想引入知識圖譜管理，使更新操作在執行前就能被驗證為正確，同時保持足夠的表達力以描述復雜的更新邏輯。

這種將軟件工程方法論與知識表示交叉的思路，體現了KRR方向從純理論向工程可用性拓展的趨勢。

結語：從“頂級”到“不可替代”

回到俞揚教授2019年的判斷——“IJCAI在推理、規劃、知識方面是最頂級的”，2026年的證據給出了清晰的回答：這一觀點不僅成立，而且在當下比2019年更具現實意義。

從宏觀層面看，IJCAI與ECAI的聯合舉辦讓符號AI的歐洲傳統與全球AI社區深度對接；僅KRR和Planning兩個方向就貢獻了IJCAI 2026約13%的錄用論文，若將約束求解與搜索等同源方向計入則接近21%，且這些方向的論文反復出現在杰出論文獎名單上。

從微觀層面看，IJCAI-ECAI 2026的論文陣容展現出一條清晰的技術主線：無論是用可微決策傳播打破ASP的求解瓶頸（NDProp），用LLM進化SAT求解器突破人類專家瓶頸（AESAT），用雙系統架構讓LLM與符號規劃器各司其職（DUPLEX），用經典搜索與機器學習聯姻實現數十毫秒級多機器人規劃（SIPP-PP-LNS），還是用知識圖譜靜態驗證推進知識表示的理論前沿，這些工作都指向同一個事實：在“大模型會不會推理”成為全行業關切的今天，IJCAI所深耕的推理、規劃、知識方向，恰恰是回答這一關切的關鍵。

俞揚教授在2019年還說了一句話：“這幾個方向也是AI當下急需的?！逼吣曛螅斦麄€AI行業在推理能力上遭遇瓶頸、當人們發現純粹的規模擴展無法帶來真正的推理能力時，這句話的分量更加沉重。

IJCAI之所以在推理、規劃、知識方面“頂級”，正是因為這些方向是AI走向真正智能的必經之路，而IJCAI，一直在那條路上。

IJCAI 2026 要來了，你還在單打獨斗？

為了方便大家抱團交流、互通會議消息，我們專門建了 IJCAI 2026 參會群！進群你會解鎖這些「福利」?

會議情報站：投稿 DDL、格式規范、評審進度……關鍵節點第一時間送達，再也不怕錯過 deadline，投稿準備穩穩的。
同行茶話會：天南海北的同行都在群里，聊心得、碰思路、攢人脈，科研路上我們同行。
前沿補給站：最新研究成果、熱點方向實時同步，結合會議主題幫你捋清投稿脈絡，給論文靈感加滿油。
現場后援團：（會議期間專屬開啟）：到了會場也不用慌——
路線導航：場館分布、報告廳怎么走，群里隨時問；
議題共讀：熱門 session、Keynote 現場探討，錯過也能追；
Poster 匯編：現場海報精華整理，一鍵收藏不遺漏；
約局廣場：約飯局、采訪局、交流局……想嘮嗑、想合作、想面基，群里發起就成。