ICML 精选 Spotlight Poster 汇总：Session 5-2

背景

ICML（International Conference on Machine Learning）是机器学习领域的顶级国际会议，每年吸引数千篇论文投稿。2026年的ICML在首尔COEX会展中心举办，其中Spotlight论文更是百里挑一，代表着当前AI研究的最前沿方向。雷峰网派出的报道小组从Poster展区数千张学术海报中精选出最具代表性的研究成果，本文聚焦Poster Session 5的9篇Spotlight论文，覆盖高效卷积算子、离散扩散模型、低精度训练、偏好优化理论、MoE路由、大模型鲁棒性、黑盒优化、3D点云补全、脑机接口和机器人记忆评估等多个方面。

核心内容

这9篇Spotlight论文涵盖了机器人学、物理计算、具身智能、因果发现、数据估值、AI安全、计算神经科学等多个前沿领域，每一篇都带来了突破性的理论或工程创新。

WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems 提出了一个知识编码的可扩展轨迹世界模型，通过系统感知混合专家模型（Sys-MoE）动态路由不同机器人系统的专业化专家，并引入结构化嵌入将轨迹表示与形态学信息对齐。该模型在89个复杂环境上预训练，在零样本和少样本轨迹预测任务上显著优于基线，并在真实Unitree Go1四足机器人上验证了实际场景中的稳定运动性能。

Solving Time-Dependent Differential Equations with Physical Dynamical Systems 提出DS-TS求解器，集成兴奋-抑制启发式耦合、状态感知动态非线性和层次化时间积分三项创新，利用物理动力系统的连续时间计算能力。实验表明，在保持高保真解的同时，速度提升约1000倍，能效提升约10万倍，打破了传统数值求解器中延迟与精度的权衡。

From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models 在统一VLA基线框架下系统比较了四种潜在动作监督策略，发现基于图像的潜在动作有利于长时域推理和场景级泛化，基于动作的潜在动作在复杂运动协调方面表现优异，而直接用离散潜在动作Token监督视觉语言模型取得最优性能。

On the Identifiability of Poisson Branching Structural Causal Model Using Probability Generating Function 采用概率生成函数（PGF）探索Poisson分支结构因果模型的可识别性，开发了闭式解并证明每个组件唯一编码局部结构，进而提出实用的因果骨架学习和方向识别算法，填补了计数数据因果发现的理论空白。

EcoVLA：Environment-Aware Adaptive Pruning with Interleaved Inference Orchestration for Vision-Language-Action Models 提出无需训练的自适应剪枝框架，包含环境感知自适应剪枝（EAP）和交错推理编排（I2O），实现1.60倍加速（成功率仅降0.4%），与token剪枝结合达2.18倍加速（性能降0.5%），并在真实机器人上验证。

Is Data Shapley Not Better than Random in Data Selection? Ask NASH 提出NASH框架，通过将目标效用函数分解为Shapley-informative的组件函数并非线性聚合，显著提升基于Shapley值的数据选择方法的有效性，几乎不增加额外运行时间。

Rapid Poison: Practical Poisoning Attacks Against the Rapid Response Framework 揭示Rapid Response（RR）框架训练管道的安全漏洞，实现了定向投毒和后门攻击。仅1%投毒率即可使假阳性率最高达100%、假阴性率最高达96%，部分情况实现近乎完全的标签翻转，对已部署的生产级安全系统（包括Anthropic的ASL-3）提出警示。

Heliox: A GPU-Native Framework for Simulation and Training of Biophysically Detailed Networks 开发GPU原生框架HelioX，通过定制融合CUDA内核为树突层级调度和梯度传播专门设计，实现深度生物物理MLP训练和线虫模型拟合，在消费级GPU上取得显著速度和内存效率提升。

A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables 提出DiCoLa框架，将全局因果结构学习递归分解为子问题，首次证明分而治之策略可推广到存在隐变量的场景，保证正确性和完备性，显著提升计算效率。

关键要点

• WestWorld：通过Sys-MoE和结构化嵌入实现跨机器人形态的零样本轨迹预测，预训练规模覆盖89个环境，真实机器人验证成功。
• DS-TS：兴奋-抑制启发式+状态感知动态非线性+层次化积分，使物理动力系统求解TDDE实现1000倍加速、10万倍能效提升。
• Latent Action Supervision：系统比较四种策略，发现用离散潜在动作Token直接监督VLM最优，且任务特性决定最优表示方式。
• PB-SCM可识别性：用PGF闭式解唯一编码局部因果结构，首次实现计数数据分支结构的方向识别。
• EcoVLA：无需训练的自适应剪枝框架，利用环境时间一致性动态更新稀疏模式，交错编排隐藏剪枝延迟，与token剪枝正交组合达2.18倍加速。
• NASH：将效用函数分解为Shapley-informative组件再非线性聚合，使Shapley值数据选择超越随机，几乎零额外开销。
• Rapid Poison：仅1%投毒率即可使RR框架的假阳性/假阴性率接近100%，揭示生产级安全系统的训练管道漏洞。
• HelioX：GPU原生框架统一模拟与训练，通过定制CUDA内核和解析梯度传播，在消费级GPU上实现生物物理MLP训练和线虫模型拟合。
• DiCoLa：递归分解因果学习为子问题，首个在隐变量场景下保证分而治之正确性和完备性的算法，显著提升高维效率。

意义与影响

这9篇Spotlight论文共同勾勒出当前AI研究的几个关键转向：从单纯追求模型规模向物理世界理解与建模深化，从静态训练向动态环境自适应演进，从黑箱优化向理论可识别性突破，从应用部署向安全漏洞审视。WestWorld和DS-TS代表了AI与物理系统融合的范式，将机器人世界模型和微分方程求解推向更通用、更高效的维度。VLA方向的三篇工作（潜在动作监督、EcoVLA剪枝、HelioX生物物理框架）分别从训练策略、部署效率和生物可解释性切入，加速了具身智能从实验室走向真实场景的进程。因果发现领域的两篇（PB-SCM可识别性、DiCoLa隐变量分解）填补了重要理论空白，为高维和计数数据的因果推断提供了实用工具。NASH重新激活了数据估值领域对Shapley方法的信心，而Rapid Poison则敲响了AI安全框架自身安全的警钟。这些研究不仅推动了各自子领域的边界，更共同指向一个趋势：AI研究正在向更深层的物理建模、更严谨的理论基础和更安全的工程实践迈进。