办了33年的ACM MM，重新划定研究范围
随着AI的发展，多媒体的研究边界在进一步拓宽。 作者丨张 驰
编辑丨马晓宁
今年11月10日，国际多媒体领域顶级学术会议 ACM Multimedia（ACM MM）将在巴西里约热内卢举行。届时雷峰网也前往大会现场，带来第一手的报道。欢迎扫描文末二维码入群与我们交流。
与往年相比，这届会议有一个容易重大的变化，征稿主题被重新划分了。
在去年底，ACM MM学术指导委员会投票通过新的研究主题体系。过去的五大主题、15个子方向，改为16个平级研究主题。
看上去只是调整分类，但对照新旧名单看的话，可以发现部分研究被放到了更醒目的位置。对比之后，我们发现了几个显著的变化。
新增具身智能与多模态推理
最值得注意的是两个新增的独立主题：具身与沉浸式多媒体（Embodied and Immersive Multimedia）和多媒体推理（Multimedia Reasoning）。
前者的官方定义，特别提到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。
不过这也不是说，ACM MM 在转型成机器人会议，它强调的是具身智能中的多媒体、多模态研究，不是机器人硬件、控制、运动规划问题。
传统的多媒体研究主要处理图像、声音、视频等内容，具身系统需要将多模态感知与行动联系起来。
多媒体推理则强调对图像、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，还要判断事件为什么发生、不同线索之间有什么关系，以及画面没有直接给出的信息。
过去的多媒体AI更强调从内容中提取信息，现在大会应该是想把基于多模态证据进行推理的研究，单独凸显出来。
不过，“理解”和“推理”也不是完全分离的，过去的研究也涉及推理。
02从视觉与语言，到多媒体与语言
另一个变化是，2025年的“视觉与语言”（Vision and Language）被调整为“多媒体与语言”（Multimedia and Language）。新描述中，除了图像和视频，还明确纳入音频、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，还有可控生成中的联系。
这些都反映出，多媒体所处理的信息种类在扩展和融合。
03随着AI的发展，多媒体的研究边界在进一步拓宽。
作者丨张 驰
编辑丨马晓宁
今年11月10日，国际多媒体领域顶级学术会议 ACM Multimedia（ACM MM）将在巴西里约热内卢举行。届时雷峰网也前往大会现场，带来第一手的报道。欢迎扫描文末二维码入群与我们交流。
与往年相比，这届会议有一个容易重大的变化，征稿主题被重新划分了。
在去年底，ACM MM学术指导委员会投票通过新的研究主题体系。过去的五大主题、15个子方向，改为16个平级研究主题。
看上去只是调整分类，但对照新旧名单看的话，可以发现部分研究被放到了更醒目的位置。对比之后，我们发现了几个显著的变化。
01
新增具身智能与多模态推理
最值得注意的是两个新增的独立主题：具身与沉浸式多媒体（Embodied and Immersive Multimedia）和多媒体推理（Multimedia Reasoning）。
前者的官方定义，特别提到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。
不过这也不是说，ACM MM 在转型成机器人会议，它强调的是具身智能中的多媒体、多模态研究，不是机器人硬件、控制、运动规划问题。
传统的多媒体研究主要处理图像、声音、视频等内容，具身系统需要将多模态感知与行动联系起来。
多媒体推理则强调对图像、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，还要判断事件为什么发生、不同线索之间有什么关系，以及画面没有直接给出的信息。
过去的多媒体AI更强调从内容中提取信息，现在大会应该是想把基于多模态证据进行推理的研究，单独凸显出来。
不过，“理解”和“推理”也不是完全分离的，过去的研究也涉及推理。
02从视觉与语言，到多媒体与语言
另一个变化是，2025年的“视觉与语言”（Vision and Language）被调整为“多媒体与语言”（Multimedia and Language）。新描述中，除了图像和视频，还明确纳入音频、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，还有可控生成中的联系。
这些都反映出，多媒体所处理的信息种类在扩展和融合。
03