一、ICML 2026(7月6-12日,温哥华)核心亮点
1. "Agentic AI是通往AGI的可预见路径"(位置论文) Junwei Liao等人提出:单一模型的单调缩放并非通往AGI的唯一道路。Agentic AI(智能体化AI)通过从简单路由机制到通用有向无环图(DAG)的演化,在处理复杂真实世界任务分布时展现出更优的泛化能力和效率。论文呼吁重新审视当前多智能体框架的不稳定性。
2. NAACA:免训练神经听觉注意认知架构 一种基于振荡工作记忆(Oscillatory Working Memory)的显著性驱动注意门控机制,将神经科学发现直接融入认知架构设计,无需训练即可实现听觉选择性注意。
3. 权重稀疏Transformer具有可解释电路 Leo Gao等人通过约束大多数权重为零,使每个神经元仅有少量连接,从而训练出具有可理解电路的模型。这为"从架构设计层面保证可解释性"开辟了新路径。
4. MARS:模块化智能体与反思性搜索 面向自主AI研究的模块化智能体框架,结合反思性搜索机制,体现了"模块组合+元认知监控"的设计理念。
5. 思维链在野外并不总是忠实的 Iván Arcuschin等人证明:在非对抗性、自然措辞的提示下,LLM的思维链推理仍然可能出现不忠实(unfaithful)的情况——即模型生成的推理过程与实际计算路径不一致。
6. CogRouter:快慢思考——LLM智能体的步级认知深度自适应 动态调整每一步的认知深度,模拟人类双系统思维(Kahneman的快思/慢思),在效率与准确性之间自适应权衡。
二、ICLR 2026 杰出论文(已公布)
1. "Transformers are Inherently Succinct" 证明Transformer在表示形式语言时比有限自动机双指数级更简洁,比RNN和LTL指数级更简洁。验证Transformer属性是EXPSPACE完全的——形式化上不可解。
2. "LLMs Get Lost in Multi-Turn Conversation" 在20万次模拟对话中,所有顶尖LLM从单轮到多轮的指令遵循平均下降39%。这一下降主要源于可靠性降低而非能力损失。
三、机制可解释性——MIT 2026十大突破性技术
Anthropic、DeepMind、OpenAI在2026年推动了机制可解释性从研究走向生产:
稀疏自编码器(SAE):从Claude等模型中提取单语义特征(monosemantic features),发现概念层次的几何结构
电路追踪:Anthropic开源电路追踪工具,揭示模型写诗时会"提前规划"押韵目标、存在跨语言共享的概念电路("思维语言")
特征干预:通过激活导向(activation steering)实时调整模型行为,如抑制"谄媚电路"或"欺骗电路"
Gemma Scope 2:DeepMind发布的最大开源可解释性工具包
四、神经符号AI新进展
1. DSPy神经符号管道(Neural Networks 2025) 通过迭代反馈回路将LLM与回答集编程(ASP)集成,实现语义解析与逻辑推理的模块化分离,空间推理任务准确率提升43%。
2. Symbolic Seam架构(2026) 将神经符号架构中的连接器和契约提升为一级版本化系统元素,支持有界变更传播、可复现治理和鲁棒的混合神经符号智能。
五、认知架构与大模型融合(AAAI 2024研讨会系列)
"Augmenting Cognitive Architectures with Large Language Models"(Joshi & Ustun)
"Combining Minds and Machines: Fusing Cognitive Architectures and Generative Models for General Embodied Intelligence"(Liu et al.)
"A Modular Cognitive Architecture for Collective Intelligence Systems"(Gibson & Sokolov, 2025)

