TUM 黎子玥：模型这么大这么强，为什么还是「上不了路」？| IJCAI 2026

学术数据和真实数据完全是两回事；可解释性成落地“生死线”。

    作者丨幸丽娟

    编辑丨岑   峰

                                                                                                       

三年前，正值大模型爆发之年，麦肯锡就曾对全球交通与工业领域的从业者做了一项调研，问题很朴素：距离真正的智能化，还有多远？

答案出乎意料地悲观：还要10到20年。

而把时间线拉到现在，模型越来越大、智能体越来越多、时空数据挖掘的论文层出不穷。

现实依旧是，全球没有一座城市长期部署了基于强化学习的交通信号控制系统。那些在顶会上“超越所有SOTA”的预测模型，真正到了城市交通部门手里，他们的答案往往是：“这个方案，我不敢放手用。”

问题的症结在哪里？

在刚刚结束的 IJCAI 2026 Early Career Spotlight（早期职业焦点）演讲中，慕尼黑工业大学 (TUM) W2 教授黎子玥（Ziyue Li）给出了他的答案：

第一，学术研究长期停留在“干净数据”的舒适区，而公共部门面对的，永远是不完整、不规整、不可控的真实数据；

第二，可解释性不是论文里的加分项，而是从实验室走向城市落地的“生死线”。

黎子玥的履历横跨学界与工业界：香港科技大学工业工程与决策分析系博士，现任慕尼黑工业大学W2教授，此前任科隆大学W1教授；曾在斯图加特贝尔实验室、香港地铁、商汤科技辗转于科研与产品之间。他既在KDD、IJCAI、ICLR、NeurIPS等顶会发表大量研究成果，也亲手将研究推向真实部署，亲历过从论文到产品的每一道坎。

他在演讲中，进一步用自己在学界与工业界之间摸爬滚打的经历，凝练出一个他称之为“PDE三角”的框架——感知（Perception）、决策（Decision）、解释性（Explanation），试图弥合学术研究与公共部门落地之间的那道鸿沟。

同时，他还描绘了一条从人工主导走向自动化的技术路径：描述性分析（发生了什么）到诊断性分析（为什么发生），再到预测性分析（将要发生什么），最终抵达规范性分析（应该怎么做）。

这条技术路径，也是一份写给整个AI研究社区的“诊断”指南：当你的模型在基准测试上排名第一，但城市管理者依然不敢按下那个开关时，问题不全在城市管理者身上，也不全在研究社区身上，而在于两者之间缺乏有效的转化机制。

以下是黎子玥教授的演讲分享，AI科技评论根据其演讲内容进行了不改原意的编辑：

TrafficPDE: A Guidebook to Deployable AI-Driven Transportation Systems——Through the Perception-Decision-Explanation Triangle（TrafficPDE：可部署AI驱动交通系统指南——基于感知-决策-解释性“三角”框架）

01

从“DB ”说起：一个研究者的困惑

大家可以看到这个DB的logo吗？在座的各位，有没有人跟德铁（DB）有过struggle的？

所以我觉得这可以成为一个特别好的起点，来聊聊我们如何用机器学习来做这件事，以及结合我过去四到六年在交通领域摸爬滚打的经历，谈一谈我们到底如何为公共部门做出真正有用的研究。

我们启动了一个项目，叫 “DB Delays” （列车延误系统），并且我们做了一个开源平台。你基本上随便输入一个城市，比如柏林，点进去，就能看到所有列车实时的运行轨迹。你点一下那个按钮，从ICE到区域列车（RE），所有车在哪儿、怎么在动，一目了然。

更关键的是，我们一旦知道了过去发生了什么，就能确切地知道这趟车到底晚点了多久。在此基础上，我们就能理解、甚至预测未来可能发生什么。在不同粒度上——从一个州到另一个州，到不同城市，甚至精确到你平时常坐的那趟车。我自己就经常坐火车，我打开这个界面，就能知道：哎，我眼前这趟车，它真的晚点了。

这是我心目中一个真正由AI驱动、数据驱动的智慧城市和智慧交通应该有的样子——一切运转丝滑。但现实是，我们仍然需要一本“指南手册”（Guidebook）来弥合这个差距。我等会儿会重点讲这个差距到底是什么。

我们做了那么多研究，但很多时候，那些花哨的时空数据、智慧交通论文，并没有真正惠及公共部门。

所以我就在想，我在这次“早期职业聚焦”演讲，到底能讲什么值得说的贡献点？我试着从我过去这四到六年在工业界和学界的经验，总结出一点有用的东西。于是我想到了三个字母，不是偏微分方程那个PDE，而是感知（Perception） 决策（Decision）和解释性（Explanation）。这三个模块，或许能凑成一本指南手册。

2023年，麦肯锡曾经做过一个调研，问了不同领域，特别是工业界和交通部门的人：距离真正实现智能化还有多远？

答案是：还要10到20年。

我当时就纳闷了：我们现在有那么多智能体（agentic），模型一个比一个大、一个比一个强，为什么在这个特定应用领域，还得耗这么久？

02

干净数据 vs. 脏数据：

学术界的“舒适区”与真实世界的落差

先看看数据是怎么来的。我先给大家看一个“干净”的版本，稍后我会给大家看一个“脏”的版本。

干净版本就是香港地铁的数据。我们跟香港地铁合作了很多年。香港地铁有一百多个站，每个人在自动售检票系统（AFC）上进站刷一次、出站刷一次。数据库里记录的就是：多少人进来了，多少人出去了。

所以你能拿到每个站点、不同时段的漂亮数据。你能看到特别清晰的周规律——工作日和周末截然不同。再看不同站点，你还能发现很好的空间模式：有些站是早高峰一头独大，有些是晚高峰独大，还有一些是全天比较均衡。

这就是我们领域里常说的“时空机器学习”。这些词很时髦，其实就是怎么把空间和时间上的这种相关性，变成数学公式或者网络结构。

顺便插一句，为什么有些站是早高峰、有些是晚高峰？原因其实就取决于它们到底在城市哪个位置。这个我后面会再提到。

以上说的是数据是怎么来的。那一篇典型的时空交通预测论文长什么样呢？

如 PPT 所示，我们可以看到很漂亮的pipeline，把各种模块往上拼。然后你觉得不够复杂？好，加一层。还不够？再加一层。还不够？继续加。

这基本上就是我们每次审稿时都在看的东西。说真的，我已经看腻了。

模型这边是这样，数据那边呢？没错，右边这个数据图标，就来自我自己的论文，但我今天特意把它拿出来，就是想提出一些批评。你看，我们比了20个数据集、30个模型，不管怎么比，我们的永远是最好的。今天比这个好，明天比那个好。

所以有一天我就在想：如果咱们预测得已经这么准了，为什么路上的问题还是没解决？ 这肯定哪儿不对劲。

那调研到底说了什么？差距到底在哪儿？为什么还得10到20年？

他们列了几个关键原因：基础设施准备度、互操作性、数据整合……你仔细看，大量问题都指向数据。再细看数据相关的关键词——可扩展性、实时性、异构数据源、数据质量。

所以我们现在要做的，就是实实在在地去学习怎么搞定这些“脏”数据。

03

“PDE三角”框架：

感知、决策、解释性三者平衡