TUM教授黎子玥：AI交通模型为何难落地？PDE三角框架弥合鸿沟
原标题：TUM 黎子玥：模型这么大这么强，为什么还是「上不了路」？| IJCAI 2026
AI 摘要
慕尼黑工业大学教授黎子玥在IJCAI 2026 Early Career Spotlight演讲中，提出“PDE三角”框架（感知、决策、解释性），以弥合学术研究与公共部门落地之间的鸿沟。他指出，尽管模型和智能体日益强大，但全球尚无城市长期部署基于强化学习的交通信号控制系统，主要障碍包括数据质量、可解释性和仿真到现实的鸿沟。他呼吁研究社区关注真实数据、可解释性和部署可行性，并总结了三条“黄金法则”作为可部署模型的检查清单。
正文节选
0 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