ACM MM 2026 主题演讲：四位嘉宾关注什么

性能更强、能力更出色的模型，一直是多媒体研究里受期待的进展。不过，一场学术会议能不能吸引人，也看它装得下多少别的话题。

第 34 届国际多媒体领域顶会 ACM Multimedia 定于 2026 年 11 月 10 日至 14 日在巴西里约热内卢举办。

今年的四位主题演讲嘉宾，格外值得留意。

看他们各自的研究经历和关心的问题，能看出技术前沿和多元视角碰在了一起。从选择性聆听到具身交互，从 AI 摘要该负的责任到青少年的网络安全，这四位嘉宾把信号处理、人机交互、语言学和社会计算摆上同一个台面，衡量技术进步也有了不同的尺子。

德国奥格斯堡大学教授 Elisabeth André 的研究方向包括多模态交互、情感计算、社会信号处理，以及虚拟角色和社交机器人。她盯住的信号有语言、目光、手势和生理数据，人类交流里那些文字说不清的部分，正是靠这些拼起来的。

这次演讲，她要谈的是具身 AI 怎么理解并进入具体情境中的互动，涉及辅助沟通、群体讨论、儿童治疗等场景。

“多模态”的意义，也因此变得具体可感。

日常说话时，一个人能不能顺利表达，不只看句子说得全不全。停顿、表情、身体动作，还有旁人愿不愿意等，都会左右沟通的结果。碰上不同的表达习惯和沟通能力，AI 得学会怎么帮得恰到好处。

香港中文大学（深圳）人工智能学院院长李海洲，研究经历横跨学术和产业，常年扎在语音和语言技术上。他做过语音产品的研发，也一直在琢磨机器怎么处理人类复杂的声音世界。

他的演讲从“倾听”说起，谈多人同时讲话时的选择性听觉注意，以及人类的视听感知能给目标说话人提取带来什么启发。

比如四周都是谈话声的嘈杂环境里，你仍能把注意力放在面前的人身上。人做这件事往往很自然；机器要从混合声音里把目标语音拎出来，还得靠精细的建模。

李海洲参与的相关研究，已经试过利用嘴唇运动和语音的同步关系来辅助选择性聆听，也就是让视觉帮机器判断该听谁。

这场演讲也让人重新看多媒体研究的起点。人的感知本就跨好几种感官，注意力又总带着目的。研究机器怎么倾听，其实也是在研究人如何从一大堆信息里挑出对自己有用的那部分。

Clarisse Sieckenius de Souza 的学术经历，很能说明跨学科的价值。

这位巴西里约热内卢天主教大学荣休教授，受的是翻译、语言和应用语言学训练，后来转入计算机领域，和学生、合作者一起发展了人机交互中的符号学工程理论。语言、意义和沟通，就这样被她带进了对软件系统的理解里。

本次演讲，她盯的是 AI 摘要里的“委托阅读”问题：系统代读原始材料时，摘要怎么取舍、漏了什么，该怎样接受审查？这个问题还会往视频、音频和多模态内容上延伸。

这事跟每个人都贴得很近。越来越多的人先让 AI 总结文章、整理资料、提炼视频，再决定要不要翻原始材料。摘要在帮忙省时间的同时，也掺和进了“你会看到什么”这件事。

常见的情形是，一段对话里的犹豫、一场讨论中的少数意见，压着压着就没了。剩下的信息读起来照样顺畅，可读的人未必清楚自己错过了什么。

Pamela Wisniewski 是国际计算机科学研究所 ICSI 的首席研究科学家，也是 STIR 实验室与 Teenovate 的创始人和负责人。她的研究把计算机科学、社会科学和以用户为中心的设计合到一起，长期关注青少年的社交媒体使用、隐私与网络安全。

她这次演讲会谈到，安全该怎样被纳入多媒体系统的设计流程，青少年的隐私、自主权和社会联系也是重点，年轻人要参与到设计中来。

她所在团队的研究项目主张把情境考虑进去、守住隐私，再靠共同设计去支持青少年。说到底，年轻人自己的经验，就是设计需要的知识。

她的研究还强调一点：评价一项技术的时候，那些长期要生活在技术影响里的人，他们的声音也得被听见。

四场演讲摆在一起看：André 关心的是人怎么参与交流，李海洲研究人怎样有选择地听，de Souza 追问信息经 AI 转述之后责任落在谁身上，Wisniewski 则把年轻人的处境和选择带进了系统设计。

这也是 ACM MM 2026 让人期待的原因。模型能力在往上走，同时也在和更具体的人、更复杂的环境、更长远的影响结合到一起。

多媒体 AI 越来越深地进入日常生活，研究者也得回答一个问题：面对差异这么大的人，我们到底希望技术带来什么样的生活？