据雷峰网报道，在IJCAI 2026大会上，中国学术团队多点开花：一方面，多项具身智能研究针对仿真与现实的差距提出物理工程解决方案；另一方面，北京雁栖湖应用数学研究院副教授王雅晴提出“数据高效学习”框架，指出Scaling Law面临多重瓶颈，并为大模型的少样本能力提供了理论解释。
王雅晴在大会的Early Career Spotlight环节发表演讲，系统梳理了小样本学习、元学习、上下文学习到数据高效智能体学习的演进。她认为，高质量标注数据正被快速耗尽，算力成本高企，黑盒参数不可解释，而药物研发、冷启动推荐等任务天然缺乏大规模数据。人类智能依靠基因、文化和经验三重先验实现小样本泛化，AI同样可以利用结构化先验。她与合作者从理论上证明，In-Context Learning本质上是一种数据依赖的元学习，Transformer通过自注意力机制将元学习中显式的适配过程内化为隐式计算，这一发现为大模型的少样本能力提供了理论支撑。她还提出“数据高效智能体学习”（DEAL）框架，从经验增强、架构设计与高效学习范式三个方向应对智能体在真实环境中面临的“数据沙漏”瓶颈。
具身智能方面，雷峰网盘点了入选IJCAI 2026的6项中国团队成果。新加坡国立大学博士李全义独立研究发现，主流视觉-语言-动作（VLA）模型在20个外推新任务上成功率断崖式下跌至21%以下，其中OpenVLA仅1%，π₀-fast为17%，UniVLA为21%。他通过机制可解释性方法提炼“文本隐变量”，在残差流中实施插值（TLI），在完全不重训模型的情况下将π₀的外推成功率从9%提升至83%。
德克萨斯A&M大学Chu Wenhui提出RepSAM适配方案，仅微调400万参数，参数量较全量微调缩减158倍，训练速度提升96倍，感知效果达到全量微调的97.9%。在透明物体分割任务上，mIoU从零样本的34.7%提升至90.1%；在嵌入式设备Jetson AGX Orin上响应时延低至63毫秒。
中国科学技术大学董二宝教授团队提出PECHC触觉控制算法，在视觉彻底失灵的近身盲区内，依靠触觉进行解耦控制。在涵盖150个真实物体的完全自主测试中，抓取成功率达97.3%，相比带域随机化的Vanilla PPO基线提升42.8%，且仅需1个物体进行一次性校准。
香港科技大学（广州）熊辉教授团队提出分布鲁棒强化学习方法，用于极端海况下无人船导航，碰撞率下降12.28%。FILD-Nav框架面向连续环境视觉-语言导航，提取自然语言中的地标特征并双向注入导航环路，在VLN-CE基准上陌生环境Oracle成功率提升7%。
王雅晴还参与推动成立了IEEE计算智能学会神经网络技术委员会数据高效智能体学习专项工作组（TF-DEAL），以凝聚该领域研究者与工程师。