研究與評測
BIMSA 王雅晴於 IJCAI 2026 提出 DEAL 框架，應對 Scaling Law 資料瓶頸並成立 IEEE 專項工作組
AI 科技評論單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據報導，北京雁栖湖應用數學研究院（BIMSA）副教授王雅晴於 IJCAI 2026 大會發表演講，針對 Scaling Law 面臨的高質量資料耗盡與算力成本瓶頸，提出「資料高效 AI 代理學習」（Data-Efficient Agentic Learning, DEAL）框架。針對藥物研發、冷啟動推薦等天然缺乏大規模標註資料的場景，DEAL 框架透過經驗增強（Experience Augmentation）、架構設計（Agent Structural Design）與高效學習範式（Learning Paradigm）三個方向，在有限的資料預算內訓練 AI 代理，降低對人類直接監督的依賴。此外，其團隊在 ICLR 2025 的研究中，透過線性迴歸與分類任務對比，證實 Transformer 的上下文學習（In-Context Learning, ICL）能等價表示基於梯度、度量和攤銷的元學習過程，指出 ICL 本質上是一種資料依賴的元學習（Data-dependent Meta-Learning）。為推動該領域發展，王雅晴參與推動成立 IEEE 計算智慧學會神經網路技術委員會（CIS NNTC）TF-DEAL 專項工作組，由清華大學姚權銘擔任主席。
讀原始報導背景
在機器學習中，小樣本學習（Few-shot learning）旨在讓模型僅透過極少量的標註資料就能學會特定任務，有別於傳統監督式學習對龐大資料集的依賴。另一方面，大模型領域常依循 Scaling Law，即模型效能與資料量或算力之間呈現冪定律（power law）的比例關係。然而，隨著高品質資料逐漸耗盡與算力成本攀升，單純依賴規模擴張的發展路徑正遭遇瓶頸。