国际多媒体领域顶级学术会议ACM Multimedia（ACM MM）将于今年11月10日在巴西里约热内卢举行。与往届相比，本届会议在征稿主题体系上作出重大调整：ACM MM学术指导委员会于去年底投票通过新的研究主题框架，将原有的五大主题、15个子方向重构为16个平级研究主题。对照新旧名单，部分研究方向被置于更突出的位置。
最显著的变化是新增两个独立主题：具身与沉浸式多媒体（Embodied and Immersive Multimedia）和多媒体推理（Multimedia Reasoning）。根据官方定义，前者聚焦能够在真实世界感知、行动和交互的智能体，以及视觉、语言、音频和触觉等多种信息的整合。需要指出的是，这并不意味着ACM MM转向机器人会议，其关注点仍是具身智能中的多媒体与多模态研究，而非机器人硬件、控制或运动规划问题。传统多媒体研究主要处理图像、声音、视频等内容，具身系统则要求将多模态感知与行动建立联系。
多媒体推理主题强调对图像、视频、语音和文本进行逻辑、因果、时间与空间推理。例如，模型不仅要识别视频中发生了什么，还要判断事件为何发生、不同线索之间存在何种关系，以及画面未直接呈现的信息。过去的多媒体AI更侧重从内容中提取信息，此次调整将基于多模态证据进行推理的研究单独凸显。不过，理解与推理并非完全分离，过往研究亦涉及推理层面。
另一项变化是，2025年的“视觉与语言”（Vision and Language）主题被调整为“多媒体与语言”（Multimedia and Language）。新描述中，除图像和视频外，明确纳入音频、传感器数据与语言的结合。与此同时，原先分别设置的“多媒体基础模型”和“生成式多媒体”在2026年合并为“多媒体生成与基础模型”。大会不再将基础模型与内容生成完全分开讨论，而是强调二者在模型架构、跨模态对齐及可控生成中的联系。这些调整反映出多媒体所处理的信息种类正在扩展与融合。
在治理与责任维度，2025年的“生成式AI的社会影响”（Social Aspects of Generative AI）在2026年变为“负责任的多媒体”（Responsible Multimedia）。从强调社会影响到强调责任，指向的是AI影响已切实存在，当前重点在于如何控制这种影响。此前行业讨论多集中于AI生成的假视频是否会误导公众，现阶段则更应关注如何消除此类误导。此外，“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）。两个术语含义相近且无统一区分标准，一般而言，前者更关注能否理解模型内部工作机制，后者强调能否解释模型作出某一判断的依据。这一变化反映出，随着AI越来越多地参与判断与决策，仅给出结果已不够，还需明确判断的来源与可靠性。
ACM MM创办于1993年，当时的多媒体研究关注如何在计算机中存储、传输和同步图像、声音与视频，以及如何检索和组织这些内容。2004年，大会将研究划分为内容、系统和应用三大方向。此后，互联网、移动设备和深度学习的相继崛起推动多媒体检索、内容理解、人机交互等研究不断演进，会议研究范围随之扩展。2024年，ACM MM专门增加“生成式AI时代的多媒体”主题；2025年，具身智能、多模态推理等方向被单独列出。
三十余年来，ACM MM的研究基本围绕如何处理和利用不同形式的信息展开。随着AI技术的发展，研究问题从如何存储、传输和检索多媒体内容，逐步转向如何理解与生成内容，再到让机器基于多模态信息进行推理、判断，甚至与现实环境交互。2026年的主题调整并非意味着传统多媒体研究退出舞台，而是随着AI的发展，多媒体的研究边界在进一步拓宽。对学术界与产业界而言，这一信号意味着多模态推理、具身智能与可解释性等方向将获得更高的关注度与投稿权重，相关研究资源的配置也可能随之调整。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
