ACM MM 2026改用16个研究主题，新增具身智能与多媒体推理

今年 11月10日，多媒体领域的顶级学术会议 ACM Multimedia（ACM MM）将在巴西里约热内卢召开。

和往年相比，这届会议有一处不小的调整：征稿主题被重新划定了。

去年底，ACM MM 学术指导委员会投票通过了新的研究主题体系。原来分五大主题、15 个子方向，如今改成 16 个平级研究主题。

表面看只是重新分类。可把新旧名单摆在一起对照，有些研究明显被挪到了更显眼的位置。比下来，能看到几处明显变化。

两个新增的独立主题最受关注，一个是具身与沉浸式多媒体（Embodied and Immersive Multimedia），另一个是多媒体推理（Multimedia Reasoning）。

前者的官方定义专门提到，智能体要能在真实世界里感知、行动和交互，还要把视觉、语言、音频、触觉等多种信息整合起来。

当然，这不等于 ACM MM 要变成机器人会议。它看重的是具身智能里的多媒体、多模态研究，机器人硬件、控制、运动规划并不在其列。

以往的多媒体研究，处理的多数是图像、声音、视频这类内容；具身系统则要把多模态感知和行动挂上钩。

多媒体推理强调的是对图像、视频、语音和文本做逻辑、因果、时间与空间层面的推理。举个例子，模型不光要认出视频里发生了什么，还得判断事件为何发生、不同线索间是什么关系，以及画面没有直接给出的信息。

以前的多媒体 AI 更看重从内容里提取信息，如今大会似乎想把基于多模态证据做推理的研究单独拎出来。

不过，“理解”和“推理”没法完全切开，过往的研究里也有推理的成分。

还有一处变化：2025 年的“视觉与语言”（Vision and Language）改成了“多媒体与语言”（Multimedia and Language）。新的描述里，除了图像和视频，音频、传感器数据与语言的结合也被明确写了进去。

另外，原本分开设置的“多媒体基础模型”和“生成式多媒体”，到 2026 年并成了“多媒体生成与基础模型”。大会不再把基础模型和内容生成完全拆开谈，而是看重两者在模型架构、跨模态对齐以及可控生成上的关联。

这些都在说明，多媒体处理的信息种类正在变多，也在彼此融合。

2025 年有个主题叫“生成式AI的社会影响”（Social Aspects of Generative AI），2026 年换成了“负责任的多媒体”（Responsible Multimedia）。

从讲社会影响，到讲责任，指向很清楚：AI 的影响已经实实在在，接下来要想的是怎么管住这种影响。前两年大家讨论的是 AI 生成的假视频会不会误导公众，现在更该考虑的是怎么消除这种误导。

还有，“多媒体解释”（Multimedia Interpretation）调整为“多媒体可理解性与可解释性”（Multimedia Interpretability and Explainability）。

Interpretability 和 Explainability 意思接近，也没有统一的区分标准。通常来说，前者更关心能不能看懂模型内部怎么运作，后者更强调能不能说清模型作出某个判断的依据。

这其实说明，AI 参与判断和决策的场合越来越多，甚至自己做研究（比如最近热议的 RSI 递归自进化），只给结果已经不够，还得知道这些判断从哪里来、靠不靠得住。

ACM MM 1993 年创办。

那时候的多媒体研究，盯的还是些挺基础的问题：图像、声音、视频怎么在计算机里存、怎么传、怎么同步，这些内容又该怎么检索、怎么组织。

2004 年，大会把研究分成内容、系统、应用三块。此后互联网、移动设备、深度学习接连起来，多媒体检索、内容理解、人机交互这些方向一直在往前走，会议覆盖的范围也跟着铺开。

近几年的节奏更快。2024 年 ACM MM 单独设了“生成式AI时代的多媒体”主题；到今年，具身智能、多模态推理等方向又被拎出来单列。

三十多年里，ACM MM 的研究大体都绕着同一件事转：不同形式的信息该怎么处理、怎么用。AI 来了之后，问题也变了——早先是存储、传输、检索多媒体内容，后来是怎么理解、怎么生成，再往后是让机器靠多模态信息去推理、去判断，乃至和现实环境打交道。

2026 年这次调整，说到底不是传统多媒体研究要退场，而是 AI 往前走，多媒体的研究边界跟着往外扩。

参考来源：

ACM Multimedia 2025 Topics of Interest：https://acmmm2025.org/research-topics/

ACM Multimedia 2026 Topics of Interest：https://2026.acmmm.org/site/topics.html