更强的模型之外，ACM MM 2026还在关注什么？

模型能力的提升，正在与更具体的人、更复杂的环境和更长远的影响结合。 作者丨 张璐 编辑丨张驰 更强的模型、更出色的性能，始终是多媒体研究令人期待的进展。但一场学术会议的吸引力，也来自它能够容纳更丰富的话题。 第 34 届国际多媒体领域顶会 ACM Multimedia ，将在 2026 年 11 月 10 日至 14 日在巴西里约热内卢举行。 今年四位主题演讲嘉宾，尤其值得关注。 他们各自的研究经历与问题意识，体现出了技术前沿与多元视角的交汇。从选择性聆听到具身交互，从 AI 摘要的责任到青少年的网络安全，四位嘉宾把信号处理、人机交互、语言学与社会计算带到同一个舞台，也带来了衡量技术进步的不同尺度。雷峰网 ▎ Elisabeth André：让 AI 参与人与人的交流 德国奥格斯堡大学教授 Elisabeth André 长期研究多模态交互、情感计算、社会信号处理，以及虚拟角色和社交机器人。她关注的信号包括语言、目光、手势和生理数据，这些共同构成了人类交流中，那些难以被文字概括的部分。 在本次演讲中，她将讨论如何让具身 AI 理解并参与具体情境中的互动，涉及辅助沟通、群体讨论和儿童治疗等场景。 这让“多模态”的意义变得鲜活起来。 日常交流里，一个人能否顺利表达，并不完全取决于他有没有把句子说完整。停顿、表情、身体动作，以及其他人是否愿意等待，都可能影响沟通的结果。面对不同的表达习惯和沟通能力，AI 需要学会怎样提供恰当的支持。 ▎ 李海洲：选择性的倾听 香港中文大学（深圳）人工智能学院院长李海洲的研究经历，横跨学术与产业，长期深耕语音和语言技术。他参与过语音产品研发，也持续研究机器如何处理人类复杂的声音世界。 他的演讲以“倾听”为切入口，讨论多人同时说话时的选择性听觉注意，以及人类视听感知对目标说话人提取的启发。 比如在嘈杂的环境中，四周都有谈话声，你却能把注意力放在面前的人身上。对人来说，这往往发生得十分自然；对机器来说，从混合声音中提取目标语音，仍然需要精细的建模。 李海洲参与的相关研究，已经探索了利用嘴唇运动与语音的同步关系，来辅助选择性聆听，也就是视觉能够帮助机器判断该听谁的声音。 这场演讲也让我们重新理解多媒体研究的出发点。人的感知本来就跨越多种感官，注意力又总是带着目标。研究机器如何倾听，也是在研究人怎样从纷繁的信息中，找到对自己有意义的部分。 ▎ Clarisse Sieckenius de Souza：AI 替你读过之后，忽略了什么？ Clarisse Sieckenius de Souza 的学术经历尤其能体现跨学科的价值。 这位巴西里约热内卢天主教大学荣休教授，接受的是翻译、语言和应用语言学训练，后来进入计算机领域，并与学生、合作者共同发展了人机交互中的符号学工程理论。她的研究把语言、意义和沟通带进了对软件系统的理解。 本次演讲中，她将把