而这群人聊的，不是多模态、具身智能或AGI这些热门方向，而是一个更底层的硬核问题：
更关键的是，这还是ICLR历史上首个聚焦该方向的Workshop。除了阿里妈妈这个牵头发起者，还集结了北京大学、MIT等一众顶尖高校。
这就很值得玩味了，一个能在顶会“开专场”、还把产业界和学术界的人全拽到一个房间里讨论到“上头”的方向，背后显然不简单。
Workshop可以简单理解成专题讨论会，通常不会是最挤的地方。但这次显然是个例外。
机制设计和决策智能，这俩词，老实说第一次听基本都一脸问号，但它其实一点都不“小众”。
考古了一下，这是一个多次斩获诺贝尔经济学奖的领域——从1996年的维克瑞（William Vickrey），凭借在拍卖理论和机制设计领域的奠基性贡献，拿下诺贝尔经济学奖，再到2007年、2020年的得主，都在解决现实世界最核心的决策问题。
你刷到的广告为什么是这条而不是那条？短视频平台凭什么决定把10万的现金奖励发给哪个创作者？
而这次Workshop所做的，就是把全世界正在重写这套游戏规则的人，凑到一个房间里。
首先登场的CMU教授Tuomas Sandholm，机制设计与博弈论领域无可争议的权威。
早年他带队打造的Libratus系统曾在德扑中击败顶尖职业玩家，而这次他又带着新系统Obscuro挑战比德扑更复杂的“Fog of War Chess”棋类游戏。
此游戏状态空间高达1018，但Obscuro不依赖离线训练，纯靠实时搜索，并刻意模仿人类“有限推理”（只保留8层认知深度），最终却以16:4战胜世界冠军，成为该领域首个超越人类的AI。
另一位是来自加州大学尔湾分校的Vijay V. Vazirani，做理论计算机的人绕不开的名字。CS博士大概率都翻过他那本《近似算法》。
他这次讲的是“基数效用匹配市场”，说白了就是一群人和一堆资源要互相分配（比如学生选宿舍、用户匹配商品），到底该用什么规则，才能既公平又有效率，还能真正跑得起来。
过去经济学家给出过一套很漂亮的方法（Hylland-Zeckhauser机制），理论上各种性质都说得通，但规模一大就开始“算不动”。
所以Vijay这次带来了一种基于纳什谈判（Nash bargaining）的新思路，既保留原本“好看”的理论性质，也保证在实际计算里能跑得动。
把这两位巨佬放在一起，能看出一个明显的趋势：理论这边，越来越关注“怎么在现实里跑得起来”。
为了迎合平台规则，创作者往往会追热点、蹭标签、卡发布时间、复刻爆款。平台原本试图优化内容质量，结果却在不经意间，把问题变成了“创作者如何迎合规则”。
平台是在和人打交道，还是在和一群AI打交道？原来那套算法逻辑是不是从根上就需要重写？
如果说郑臻哲抛出的是AI时代的“新问题”，那谷歌研究院的Song Zuo则给出了一个具体的“新解法”。
和传统广告拍卖不同，AI生成的内容是现产的，每次还不一样——东西都没出来，怎么拍卖？
每个广告主只需要给出一个数字代表自己愿意出多少，模型在每个token往外吐的时候，根据所有出价综合考虑，决定下一个token怎么写、整篇创意往哪个方向走。
最后再用“维克里拍卖”这种博弈论中的经典防作弊机制来收钱——谁出价最高谁赢，但只需按第二高的价格付款，因此对广告主来说最划算的就是报真实心理价。
而更聚焦在产业侧的亚马逊广告高级首席研究科学家Niklas Karlsson，则是把业界真实痛点摆了出来：
亚马逊每秒要做几百万次广告竞价决策，每个广告主又有自己的预算红线。怎么让AI在这个前提下既抢得到流量、又不花超预算、还能稳住模型——听起来像是不可能三角。
而同样参与现场热烈讨论的，还有本次Oral Talk的5个论文团队（其实一共6个被评选为Oral论文，但来了5个）。
总共收到118篇，在顶会Workshop里算高产了，并且邀请了127位专家学者参与审稿。
别的不说，咱先看下Long Papers和Short Papers两个赛道各自诞生的最佳论文。
研究的是：当多家AI厂商同时争用户、用户偏好又五花八门时，怎么让模型真正对齐到每个人的真实利益？
结论很反直觉：不用靠强行监管或统一标准，市场竞争本身就会逼着AI越做越贴合每个用户——个性化本身就是一种对齐机制。
研究的是：让多个大模型一起参与“竞争”（比如定价、出价），它们真的会老老实实各玩各的吗？
结论也挺让人后背发凉：仅靠优化提示词，LLM智能体就会自发“达成默契”，在不显式通信的情况下默契抬高价格、不打价格战——AI市场的“算法合谋”风险，第一次被实打实地证实了。
而除了拿下Long Papers最佳论文的那篇，其余5篇Oral论文也都各有亮点。
第一篇：《Prices, Bids, Values: One ML-Powered Combinatorial Auction to Rule Them All》
一句话总结：通过提出机器学习混合组合拍卖机制MLHCA，让组合拍卖效率损失最多降到1/10，查询次数最多减少58%。
第二篇：《Decision Making under Imperfect Recall: Algorithms and Benchmarks》
第三篇：《AI Realtor: Towards Grounded Persuasive Language Generation for Automated Copywriting》
一句话总结：通过设计一套三模块系统（先挖卖点，再对齐买家偏好，最后做事实核查），成功让大模型给房子写销售文案既能吸引人，又不乱编。
第四篇：《On the Edge of Core (Non-)Emptiness: An Automated Reasoning Approach to Approval-Based Multi-Winner Voting》
第五篇：《Post-Training LLMs as Better Decision-Making Agents:A Regret-Minimization Approach》
一句话总结：通过提出用“后悔最小化”做后训练，补齐了大模型在需要反复决策的场景中容易短视的短板。
只需翻一遍它在机制设计、出价决策智能等方向的“奋斗史”，你就知道，这背后离不开它多年的技术深耕。
但“排序”在数学上不可微（1就是1、2就是2，没有1.1这种中间态），所以AI无法通过梯度学习直接优化它。
因此很长一段时间里，这块主要靠经验规则撑着，学术界走得谨慎，工业界更是不敢让模型端到端地去学。
通过提出Neural Auction，阿里妈妈率先给出了“可微的排序计算形式”，这项被学界评为“开创性尝试”的工作，正式打开了端到端学习拍卖机制的大门。
不再一条一条地排广告，而是让模型一次性生成整一页广告的最优排布方案，把“怎么排+怎么定价”一起学掉，用一个生成模型去直接拟合整个页面的最优解。
过去十年，这件事大致走了三步：从简单规则控制（PID），到用强化学习试着自动调，再到引入更复杂的模型，但结果始终不理想。
广告投放不是下棋，走一步马上知道输赢。广告主投一笔钱，要等几个小时甚至几天才知道ROI是多少。标准RL在这种环境下，学得慢、波动大，所以上线就翻车成了常态。
通过提出AIGB（AI-Generated Bidding），把“出价”这件事，重新理解成“生成最优策略”。
以前模型靠反复试，而AIGB是根据广告主的预算和ROI目标，一步一步“生成”一整条出价曲线。
后来在AIGB的框架下，阿里妈妈研发了基于扩散模型的DiffBid，让出价过程变得更平滑稳定。
在自家广告平台实测中，DiffBid能把GMV提升3.6%–5.0%，而且出价曲线更平滑，不会出现“上半场把钱花光、下半场干瞪眼”的情况。
而沿着AIGB这条线，阿里最新的工作AIGB-Pearl，又在“生成”之外加了一只眼睛：
技术之外，阿里妈妈这两年在做一件更费劲但更关键的事：把自己做出来的东西逐步开放出去。
我们目前看到的，阿里妈妈举办的各种比赛以及开源，本质上都是它为了开放而做出的努力。
比如在2024年，他们成了唯一一个拥有NeurIPS比赛主办权的国内工业团队，还专门设了AIGB相关赛道，让全球研究者在同一个问题上做对比和竞争。
同时也开源了AuctionNet这类大规模模拟竞价数据和系统，解决了一个长期问题：以前做拍卖机制研究，大家手里基本没有真实工业数据，只能靠模拟和假设。现在至少有了一套相对标准的“练习场”。
到这里，阿里妈妈的角色，已经从“闷声做技术”的应用方，变成了这个领域的基础设施提供者。
学术圈拿到的是数据集、比赛、Workshop；工业界拿到的是真实的业务收益、可复用的范式、能上线的方案。
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1