BIMSA王雅晴：Scaling Law触及天花板，数据高效学习指向AI下一站

AI 摘要

在IJCAI 2026大会的Early Career Spotlight环节，北京雁栖湖应用数学研究院副教授王雅晴发表演讲，系统阐述了从少样本学习到数据高效智能体学习（DEAL）的演进路径。她指出Scaling Law面临数据耗尽、算力昂贵等瓶颈，提出利用结构化先验知识实现有限数据下的可靠泛化，并介绍了DEAL框架及新成立的IEEE CIS NNTC专项工作组。

正文节选

0 作者丨张璐 编辑丨岑峰 幸丽娟 高质量标注数据快用完了，算力贵得离谱，黑盒依然无解。 大模型时代信奉的 Scaling Law，正在面临多重瓶颈。 更麻烦的是另一件事：很多任务天生就没有大数据——药物研发、冷启动推荐、科学探索。这些不是技术的短板，是世界的常态。 在IJCAI 2026大会的 Early Career Spotlight（早期职业焦点）环节，北京雁栖湖应用数学研究院（BIMSA）副教授王雅晴，给这些问题做出了系统回应。 王雅晴长期从事小样本学习与 AI for Science 研究。她博士毕业于香港科技大学，曾任百度研究院资深研究员，现任北京雁栖湖应用数学研究院（BIMSA）副教授。贯穿其研究经历的一条主线是：如何提高 AI 对有限数据与经验的利用效率，使其在监督稀缺的场景下仍能实现可靠的泛化、适应与决策。 她在题为《迈向高效数据智能：从少样本学习到智能体系统》（Toward Data-Efficient Intelligence: From Few-Shot Learning to Agentic Systems）的演讲中，梳理了从小样本学习、元学习、上下文学习，

发布时间：2026-08-25 14:44

抓取时间：2026-08-25 17:03

来源机构：雷峰网