فريق تسينغهوا بقيادة هوانغ قاو يحصل على جائزة الورقة المتميزة لـ ICML 2026، وجائزة اختبار الزمن تُمنح للخوارزمية الكلاسيكية A3C

في 6 يوليو، عُقد المؤتمر الدولي الرائد في التعلم الآلي ICML 2026 في سيول، كوريا الجنوبية، وأعلن عن الأوراق البحثية الفائزة لهذا العام. فازت الورقة التعاونية بين فريق هوانغ قاو من جامعة تسينغهوا و阿里巴巴 (The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models) بجائزة الورقة المتميزة. كشفت الدراسة أن مرونة الترتيب التعسفي في نماذج اللغة الانتشارية تحد من إمكانات النموذج في مهام التفكير العامة مثل الرياضيات والبرمجة، بينما يؤدي التخلي عن الترتيب التعسفي واعتماد التوليد التقليدي من اليسار إلى اليمين ليس فقط إلى منهجية أبسط، بل يحسن بشكل كبير دقة التفكير.

حصلت جائزة الورقة المتميزة الأخرى من قبل معهد ماساتشوستس للتكنولوجيا وجامعة ييل، حيث قدمت الدراسة خوارزمية أخذ عينات عالية الدقة لنماذج الانتشار (High-Accuracy Sampling for Diffusion Models and Log-Concave Distributions)، مما حقق تحسينًا أسيًا في عدد الخطوات (أو تعقيد أخذ العينات) اللازمة لتحقيق دقة أخذ العينات المستهدفة.

حصل على الجائزة الكبرى لهذا العام أيضًا ورقة موقف (Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit)، والتي تمت بالتعاون بين باحثين من جامعة ميونخ الألمانية وباحثين مستقلين، مشيرة إلى أن تقنيات محاذاة الذكاء الاصطناعي الحالية تحمل خطر الاستخدام المزدوج، حيث يمكن التلاعب بها بسهولة لتصبح أدوات رقابة معلوماتية.

أما جائزة اختبار الزمن لهذا المؤتمر فقد مُنحت لفريق Google DeepMind عن الخوارزمية الكلاسيكية للتعلم المعزز التي نُشرت في عام 2016 (Asynchronous Methods for Deep Reinforcement Learning). قدمت الدراسة بنية الممثل-الناقد غير المتزامن (A3C) التي حسنت بشكل كبير كفاءة تدريب التعلم المعزز العميق، وفتحت عصرًا لتدريب الوكلاء بكفاءة باستخدام وحدات المعالجة المركزية متعددة النوى العادية.