1. 从标题拆解AICDS 2026的真实定位
看到“2026年人工智能、控制与数据科学国际会议”这个标题，第一反应不应该是“又一个水会”，而是要先判断它的学科交叉定位。人工智能、控制、数据科学这三个词放在一起，本身就说明会议的组织方想覆盖的是从感知到决策再到执行的完整闭环。控制学科负责的是动态系统的稳定性、鲁棒性和优化，数据科学负责的是从海量异构数据中提取可用的结构和模式，人工智能则是把这两者粘合起来的推理与学习引擎。三者交叉的地方，恰恰是当前工业界和学术界最缺人的方向——比如无人系统的自主导航、智能制造中的自适应调度、能源系统的预测性维护。
AICDS 2026这个缩写里，AICDS分别对应AI、Control、Data Science。从会议命名的惯例来看，这类会议通常由IEEE、IFAC或者国内自动化学会、计算机学会的相关专委会主办，举办时间一般集中在每年的3月到8月之间，地点可能在国内的新一线城市或者新加坡、日本等亚太地区。投稿周期通常是提前6到9个月开放，也就是2025年下半年就要开始准备。对于做控制理论的人来说，这是把纯理论工作往应用场景推的好机会；对于做数据科学的人来说，这是让模型走出Kaggle、进入闭环系统的跳板；对于做AI的人来说，这是检验算法在实时约束下还能不能work的试金石。
我见过太多人把这类会议当成“凑毕业条件”的工具，投完就忘。但真正从中获益的人，是那些提前半年就开始规划投稿方向、把会议当成项目里程碑来倒推实验进度的人。AICDS 2026的价值不在于会议本身的名头，而在于它强迫你把三个领域的语言打通——你得让控制背景的审稿人看懂你的数据预处理，也得让AI背景的审稿人理解你的Lyapunov稳定性证明。这种跨语言表达能力，才是未来五年最稀缺的竞争力。
2. 三大核心领域的投稿方向与选题策略
2.1 人工智能方向：从大模型到边缘部署的落地路径
人工智能方向在AICDS这类会议上，最容易被接收的选题不是纯算法创新，而是算法在资源受限环境下的适配与优化。热词里出现的“pmsm无感foc控制”“foc控制”“电机控制”其实指向了一个很具体的场景：永磁同步电机的无传感器矢量控制。这个场景里，AI能做的事情包括用神经网络替代传统的滑模观测器来估计转子位置，或者用强化学习来整定电流环和速度环的PID参数。这类工作的好处是实验平台成熟、对比基线清晰、审稿人容易理解。
另一个值得关注的方向是“人工智能agent”和“多主体控制”的结合。Agent这个概念在AI领域已经被炒了很多年，但在控制领域，多智能体一致性控制是一个有严格数学框架的问题。把LLM作为高层决策器、把传统控制器作为底层执行器，这种分层架构在2025年之后会越来越常见。投稿时要注意，纯LLM的应用文章如果没有闭环控制的实验验证，很容易被控制方向的审稿人拒掉。我的建议是至少搭一个仿真环境，比如用Gazebo或者MuJoCo做多机器人编队，把LLM的决策延迟和传统控制器的响应时间放在同一张图里对比。
“人工智能训练师”这个职业画像的出现，说明工业界对AI落地的需求已经从“能不能做”变成了“能不能稳定地做”。AICDS 2026的AI track大概率会设置special session来讨论AI系统的可靠性和可解释性。如果你手头有关于模型鲁棒性、对抗样本防御、或者不确定性量化的数据，不妨往这个方向靠。数据科学方向的审稿人会对统计显著性检验和置信区间特别敏感，AI方向的审稿人则更看重在标准数据集上的SOTA对比。投稿前一定要看清楚track chair的背景，投其所好不是投机，而是尊重学术共同体的评价标准。
2.2 控制方向：从PID到数据驱动控制的范式迁移
控制方向是AICDS 2026的压舱石。热词里“pid控制”“自适应频率控制”“电源模块下垂控制均流精度”“连续体控制”“多主体控制”这些词，覆盖了从经典控制到现代控制的完整谱系。PID控制虽然老，但在工业界依然是绝对主力。会议上关于PID的论文，如果只是调参或者改进微分项，很难脱颖而出。真正有希望的是数据驱动的PID整定，比如用贝叶斯优化或者高斯过程来替代人工试凑，把整定时间从小时级压缩到分钟级。
“自适应频率控制”和“下垂控制均流精度”指向的是微电网和并联逆变器的场景。这类问题的核心矛盾是：负载突变时，频率和电压的恢复速度与功率分配精度之间的trade-off。传统下垂控制通过引入虚拟阻抗来改善均流，但虚拟阻抗的选取依赖经验。用数据科学的方法，比如从历史运行数据中学习负载模式，然后动态调整下垂系数，这是一个很有潜力的方向。投稿时要注意，实验部分最好有硬件在环（HIL）的验证，纯Simulink仿真在控制方向的顶会上已经不太够看了。
“连续体控制”和“多主体控制”属于比较前沿的方向。连续体机器人（continuum robot）的控制难点在于其无限自由度带来的建模复杂性，而多智能体控制则要处理通信拓扑时变、时延、丢包等网络化问题。这两个方向对数学功底要求较高，但一旦做出结果，引用率通常不错。如果你的数学基础扎实，又愿意花时间推导稳定性条件，这两个方向值得投入。需要注意的是，AICDS这类会议对数学证明的篇幅有限制，通常要求把详细推导放在附录或者补充材料里，正文只保留核心定理和证明思路。
2.3 数据科学方向：从数据清洗到因果推断的完整链条
数据科学方向在AICDS 2026中扮演的是“方法论供给者”的角色。热词里“dbeaver导出数据变成科学计数法了”“大数据人工智能时代与学生本人所学专业excel文档”这些看似琐碎的问题，其实反映了数据科学落地时最真实的痛点：数据格式不统一、精度丢失、工具链割裂。会议上关于数据科学的论文，如果只是比较不同机器学习模型在UCI数据集上的准确率，很难引起兴趣。有价值的工作是面向特定领域的数据治理框架，比如针对工业传感器数据的时间对齐、异常值检测、缺失值插补的完整pipeline。
“控制信效度的脚本”这个热词指向的是实验设计中的信度和效度检验。在数据科学方向，这意味着你的数据采集过程是否可重复、你的标注是否一致、你的评估指标是否真正反映了业务目标。很多投稿被拒的原因不是模型不够新，而是实验设计有漏洞。比如用随机划分来评估时间序列预测模型，就会导致数据泄露。AICDS 2026的数据科学track大概率会强调因果推断和可复现研究。如果你的工作涉及从观测数据中估计因果效应，比如用双重差分或者工具变量法来评估某个控制策略的实际效果，这会是一个加分项。
“mdpi旗下有哪些控制类或数学类的3区sci期刊”这个热词说明很多投稿人关心的是发表后的出路。AICDS 2026的论文集通常会被IEEE Xplore或者Springer LNCS收录，优秀论文会被推荐到SCI期刊的特刊。但要注意，会议论文和期刊论文的侧重点不同：会议论文看重创新性和时效性，期刊论文看重完整性和严谨性。如果你的工作已经比较成熟，可以考虑直接投期刊；如果还处于中期阶段，投会议获取反馈是更明智的选择。
3. 投稿全流程的实操细节与时间管理
3.1 从选题到摘要提交的倒排计划
假设AICDS 2026的投稿截止日期在2026年3月，那么倒排计划应该是这样的：2025年9月确定选题方向，10月完成文献调研和基线复现，11月完成核心算法设计和初步实验，12月进行消融实验和对比实验，2026年1月开始撰写论文，2月完成初稿并请同行评审，3月根据反馈修改并提交。这个时间表看起来宽松，但实际上每个环节都可能超期。我的经验是，把文献调研的时间压缩到两周以内，用Connected Papers或者Semantic Scholar快速定位核心文献，然后直接复现最相关的三篇工作的代码。不要试图读完所有相关文献，那是无底洞。
摘要提交通常比全文提交早一个月左右。摘要不需要太详细，但必须清晰说明研究问题、方法、主要贡献和实验验证方式。审稿人分配往往基于摘要中的关键词，所以摘要里要自然嵌入“人工智能”“控制”“数据科学”这三个核心词，以及你具体做的方向词，比如“无感FOC”“多智能体一致性”“因果推断”。摘要被拒的话，全文就没必要写了。所以摘要阶段就要确保你的工作有明确的novelty，哪怕只是把现有方法应用到一个新场景，也要说清楚这个场景的特殊性在哪里。
3.2 论文写作中的跨学科表达技巧
AICDS 2026的审稿人池是混合的，你的论文可能被分到AI背景的审稿人，也可能被分到控制背景的审稿人。这意味着写作时要兼顾两类读者的阅读习惯。AI背景的审稿人习惯看Introduction里直接列出contributions，然后看Method里的网络结构图和训练细节，最后看Experiments里的表格和消融实验。控制背景的审稿人则更关注问题建模的严谨性、稳定性证明的完整性、以及仿真或实验的物理意义。我的建议是：在Introduction里用一段话把问题建模的数学形式写清楚，然后在Method里既给出算法框图，也给出伪代码，最后在Experiments里既报告数值指标，也给出时间响应曲线或者相图。
图表的设计要特别注意。AI方向的论文喜欢用柱状图和折线图来对比不同方法的准确率，控制方向的论文喜欢用相平面图和Bode图来展示系统特性。如果你的论文同时涉及两者，可以在一张图里用双Y轴来展示，但要注意标注清楚。表格的话，对比实验的表格要包含均值、标准差和统计检验的p值，这是数据科学方向的基本要求。控制方向的表格则要包含超调量、调节时间、稳态误差这些时域指标。不要为了省版面而删掉这些细节，审稿人往往就是通过这些细节来判断工作的扎实程度。
3.3 rebuttal阶段的沟通策略
Rebuttal是投稿过程中最容易被忽视但影响最大的环节。AICDS 2026的审稿意见通常会在截止日期后6到8周返回，然后给作者2到3周的时间写rebuttal。Rebuttal不是让你重新写论文，而是让你针对审稿人的具体问题给出简洁、直接的回答。我的策略是：把审稿意见分成三类——事实性错误、理解偏差、合理建议。事实性错误要直接指出并道歉，理解偏差要耐心解释并补充说明，合理建议要明确表示会在最终版中采纳。不要试图反驳所有意见，那只会激怒审稿人。对于确实无法补充的实验，要诚实说明限制条件，并指出这是future work。
Rebuttal的篇幅通常限制在1到2页，所以每一句话都要有信息量。不要写“感谢审稿人的宝贵意见”这种客套话，直接进入正题。如果审稿人质疑你的方法在某个场景下的有效性，你可以补充一个小规模的仿真结果来回应，但不要承诺“我们会补充大量实验”，因为最终版可能没有时间做。如果审稿人要求对比某个特定方法，而你确实没有跑过那个方法的代码，可以引用那篇论文里的报告结果，并说明你的实验设置与他们的差异。诚实和具体是rebuttal的核心原则。
4. 参会现场的社交与学习策略
4.1 如何从keynote和special session中提取有效信息
AICDS 2026的keynote speaker通常是三个领域各请一位，比如AI方向可能请一位做强化学习或大模型的学者，控制方向可能请一位做网络化控制或机器人控制的学者，数据科学方向可能请一位做因果推断或高维统计的学者。Keynote的价值不在于听他们讲什么具体技术，而在于观察他们如何定义问题、如何选择工具、如何评价结果。比如一个做控制的keynote speaker如果反复强调“数据效率”，那就说明这个领域正在从模型驱动向数据驱动迁移，你的研究如果还在纯理论推导，可能就需要考虑加入数据驱动的元素。
Special session是比keynote更值得投入时间的地方。这些session通常围绕一个具体主题，比如“AI for Control”“Data-Driven Control”“Causal Inference in Engineering Systems”。参加special session的好处是听众更集中、讨论更深入、社交更容易。你可以在session结束后直接找speaker聊，问一些具体的问题，比如“您觉得这个方法在时变系统里还能保证稳定性吗？”这种问题比泛泛的“您觉得这个方向怎么样”更能建立专业印象。如果运气好，speaker可能会给你一些投稿建议或者合作机会。
4.2 海报环节的展示技巧与社交礼仪
海报环节是会议里最累但也最有效的社交场景。你的海报不需要做得花哨，但必须做到三米之外能看清标题和主要结论，一米之内能看清关键图表和公式。海报的布局建议是：左上角放标题和作者信息，右上角放研究问题和主要贡献，中间放方法框图和核心公式，左下角放实验结果，右下角放结论和致谢。不要把所有内容都堆上去，海报是引子，不是论文的缩印版。
站在海报前的时候，不要低头看手机，也不要只跟自己的 co-author 聊天。看到有人在你的海报前停留超过五秒，就主动问一句“您对这个方向感兴趣吗？”然后根据对方的反应决定是深入讲还是简单带过。如果对方是工业界的人，多讲应用场景和落地价值；如果对方是学术界的人，多讲方法创新和理论保证。交换名片或者联系方式的时候，最好在对方的名片背面记下你们聊的关键词，比如“对无感FOC的鲁棒性感兴趣”，这样后续跟进邮件的时候有话题可聊。
4.3 会后跟进与长期合作的可能性
会议结束后的两周内是跟进的最佳窗口期。给在会议上聊过的人发一封简短的邮件，主题写“AICDS 2026 follow-up: [你们聊的话题]”，正文里提一下你们讨论的具体内容，然后附上你的论文或者海报的PDF。如果对方是教授，可以问一句“您课题组最近有没有在招博士后或者博士生？”如果对方是工业界的人，可以问一句“您那边有没有适合实习或者合作的项目？”不要群发模板邮件，每一封都要有针对性。
长期合作的可能性往往来自于会议上的多次相遇。如果你决定持续参加AICDS系列会议，建议在每次会议后整理一个联系人表格，记录姓名、单位、研究方向、聊过的内容、跟进状态。三年下来，这个表格会成为你学术网络的核心资产。AICDS 2026只是一个节点，真正有价值的是通过这个节点连接起来的人和想法。我见过太多人开完会就把名牌扔了，也见过少数人把会议当成长期合作的起点。区别不在于智商，而在于有没有把社交当成一项需要刻意练习的技能。
5. 常见问题与避坑指南
5.1 投稿被拒的典型原因与补救措施
AICDS 2026的拒稿率通常在50%到60%之间，被拒的原因五花八门，但最常见的无非这几类：创新性不足、实验不充分、写作质量差、与会议主题不符。创新性不足的典型表现是“把A方法应用到B场景，但没有说明为什么B场景需要特殊处理”。补救措施是重新审视你的问题建模，找出B场景与A方法原始应用场景的本质差异，然后针对这个差异设计改进方案。实验不充分的典型表现是“只在仿真里验证，没有硬件实验”或者“只对比了一个基线”。补救措施是至少补充一个硬件在环实验，或者增加两个近三年的基线方法。
写作质量差是最可惜的拒稿原因。很多非英语母语的作者在语法和用词上吃亏，但其实审稿人更在意的是逻辑是否清晰、段落是否连贯、图表是否自明。我的建议是找一位英语母语的同行帮忙润色，或者使用专业的润色服务。不要用机器翻译直接投，审稿人一眼就能看出来。与会议主题不符的拒稿通常发生在摘要阶段，如果你投的是控制track但论文里全是深度学习，被拒是正常的。补救措施是改投其他track或者调整论文的侧重点。
5.2 参会预算与时间安排的实用建议
参加AICDS 2026的预算包括注册费、差旅费、住宿费和签证费。注册费通常在500到800美元之间，学生作者可能有折扣。差旅费取决于举办地点，如果在国内，高铁加住宿大概3000到5000元人民币；如果在国外，机票加住宿可能上万。提前三个月订票通常能省30%左右。住宿建议选会场附近的酒店，虽然贵一点，但省下的通勤时间和精力更值钱。签证要提前两个月申请，尤其是需要面签的国家。
时间安排上，建议至少预留四天：第一天注册和参加tutorial，第二天和第三天参加主会和special session，第四天参加workshop或者自由交流。不要把自己的presentation安排在最后一天下午，那时候很多人都提前走了。如果你的presentation被安排在最后一天，可以提前跟session chair沟通，看能不能调到前面。另外，会议期间不要安排太满，留出一些空白时间用来消化信息和跟进社交。我见过有人一天赶五个session，结果什么都没记住，还不如认真参加两个session然后跟speaker深入聊半小时。
5.3 论文被接收后的注意事项
论文被接收后，第一件事是检查版权协议和开放获取选项。AICDS 2026的论文集可能被IEEE Xplore收录，这意味着你需要签署IEEE的版权转让协议。如果你希望论文开放获取，可能需要额外支付一笔费用。第二件事是准备最终版（camera-ready），注意格式要求通常比初稿更严格，页数限制也可能不同。第三件事是准备presentation，如果是oral，通常15到20分钟，包括提问时间；如果是poster，需要准备一个3分钟的pitch。
Present的时候，不要照着论文念。把核心贡献用三页幻灯片讲清楚：第一页讲问题和动机，第二页讲方法和关键公式，第三页讲实验结果和结论。剩下的时间留给提问。提问环节如果有人问了你不会的问题，不要硬编答案，可以说“这是一个很好的问题，我目前还没有深入考虑，会后我们可以继续讨论”。诚实比假装懂更让人尊重。另外，present之前一定要在实验室里试讲一遍，让同门提意见。我见过太多人在台上超时或者卡壳，都是因为没试讲。
6. 从AICDS 2026看三个领域的融合趋势
6.1 控制理论正在被数据科学重新定义
传统控制理论依赖精确的物理模型，但很多实际系统的模型参数是未知的或者时变的。数据科学提供了一套从数据中学习模型的方法，比如用高斯过程回归来学习系统的动力学，用神经网络来逼近非线性映射。AICDS 2026上关于数据驱动控制的论文，大概率会集中在基于学习的模型预测控制和安全强化学习这两个方向。前者用数据来更新预测模型，后者用约束来保证学习过程中的安全性。这两个方向的共同挑战是样本效率——如何在有限的数据下保证控制的性能和稳定性。
如果你在做控制方向的研究，建议至少掌握一种数据驱动的方法，比如Koopman算子或者Deep MPC。不需要成为数据科学专家，但要能看懂数据科学方向的论文，知道他们的假设和局限。反过来，如果你在做数据科学方向的研究，建议了解一些控制理论的基本概念，比如稳定性、能控性、能观性。这些概念会帮助你判断你的模型是否适合用于闭环控制。AICDS 2026的跨学科track就是为这种人准备的，投稿时可以选择“AI for Control”或者“Data-Driven Control”作为关键词。
6.2 人工智能从感知走向决策与执行
过去十年，AI的突破主要集中在感知任务上，比如图像分类、目标检测、语音识别。但AICDS 2026的关注点明显在往决策和执行延伸。热词里的“人工智能agent”“多主体控制”“智能应用控制”都指向了这个趋势。Agent不再只是一个对话机器人，而是一个能在环境中感知、决策、行动的实体。这对AI提出了新的要求：不仅要准，还要快；不仅要会学习，还要会推理；不仅要能处理静态数据，还要能处理动态交互。
控制理论为AI提供了决策和执行的数学框架。比如，模型预测控制（MPC）可以看作是一种带约束的滚动时域优化，而强化学习可以看作是一种无模型的近似动态规划。两者的结合点在于：用MPC提供安全保证和先验知识，用强化学习提供适应性和优化能力。AICDS 2026上关于“安全强化学习”和“学习型MPC”的论文，值得重点关注。如果你在做AI方向的研究，建议至少了解一种控制框架，比如PID或者MPC，这会让你在跨学科合作中更有话语权。
6.3 数据科学从描述走向预测与干预
数据科学在AICDS 2026中的角色正在从“事后分析”转向“事前预测”和“事中干预”。热词里的“控制信效度的脚本”“自适应频率控制”“预测性维护”都反映了这个趋势。传统的数据科学关注的是从历史数据中提取模式，比如聚类、分类、回归。但控制场景要求数据科学不仅能预测未来，还要能给出干预建议，并且评估干预的效果。这就是因果推断的用武之地。
因果推断在工程系统中的应用还处于早期阶段，但潜力巨大。比如，在智能制造中，你想知道调整某个工艺参数会不会提高良品率，这就需要因果推断而不是简单的相关性分析。在能源系统中，你想知道需求响应策略的实际效果，也需要因果推断来排除混杂因素。AICDS 2026的数据科学track大概率会设置因果推断的special session。如果你手头有实验数据或者观测数据，可以尝试用双重差分、断点回归或者工具变量法来分析。这类工作的审稿人通常来自统计学或者计量经济学背景，他们对识别假设的合理性特别敏感，投稿时要写清楚你的因果图（DAG）和识别策略。
7. 给不同背景投稿人的具体建议
7.1 控制背景的投稿人：如何补齐数据科学的短板
控制背景的人通常数学功底扎实，但可能在数据处理和统计分析上经验不足。AICDS 2026的数据科学track要求论文包含数据预处理、特征工程、模型评估等环节，这些对控制背景的人来说可能比较陌生。我的建议是：从最简单的数据清洗开始，学会用pandas做缺失值插补和异常值检测，用scikit-learn做特征选择和交叉验证。不需要深入理解每个算法的数学原理，但要会用、会调参、会解释结果。
在写作上，控制背景的人容易把论文写成数学证明，忽略了实验部分的描述。AICDS 2026的审稿人希望看到清晰的实验设置、合理的基线选择、充分的消融实验。建议在Experiments部分用表格列出所有对比方法的关键参数，用图展示时间响应或者相轨迹，用文字解释每个实验的目的和结论。不要假设审稿人会自动理解你的实验设计，要把他们当成聪明的外行来写。
7.2 AI背景的投稿人：如何让控制方向的审稿人满意
AI背景的人通常擅长模型设计和实验对比，但可能在系统建模和稳定性分析上经验不足。AICDS 2026的控制track要求论文包含问题建模、稳定性证明、仿真或实验验证。如果你的论文只报告了准确率或者奖励值，控制方向的审稿人会认为你的工作不够严谨。我的建议是：在Method部分加入系统动力学方程，在Analysis部分加入稳定性或者收敛性证明，在Experiments部分加入时域响应曲线。
稳定性证明不需要太复杂，可以从Lyapunov方法入手，证明你的学习算法在某个假设下是有界的或者收敛的。如果证明太难，至少要做数值实验来展示系统的稳定性，比如在不同初始条件下重复实验，报告均值和方差。控制方向的审稿人喜欢看到鲁棒性分析，比如在模型参数摄动或者外部扰动下系统的表现。这些补充不会让你的论文变得完美，但会让审稿人觉得你尊重他们的评价标准。
7.3 数据科学背景的投稿人：如何让工作更有工程价值
数据科学背景的人通常擅长统计建模和数据分析，但可能在系统实现和实时性上经验不足。AICDS 2026的控制track和AI track都要求论文有明确的工程应用场景。如果你的论文只是在一个标准数据集上跑模型，审稿人会问“这跟控制有什么关系？”我的建议是：找一个具体的工程场景，比如电机控制、无人机编队、微电网调度，然后把你的数据科学方法应用到这个场景中。
工程场景的选择要满足两个条件：一是数据是可获取的，二是问题是可定义的。比如，你可以用公开的电机故障数据集来训练一个故障诊断模型，然后把这个模型嵌入到一个闭环控制系统中，展示它如何提高系统的可靠性。或者，你可以用微电网的负荷数据来训练一个预测模型，然后用这个预测来优化下垂控制的参数。这类工作的价值在于把数据科学的方法从离线分析推向了在线决策，这正是AICDS 2026想要看到的融合。
8. 最后的实操清单与个人体会
8.1 投稿前的自查清单
在点击提交按钮之前，对照这个清单检查一遍：论文标题是否包含“人工智能”“控制”“数据科学”中的至少一个关键词？摘要是否在150到250词之间，并且清晰说明了问题、方法、贡献和验证？Introduction是否在最后一段列出了3到4条具体的contributions？Method部分是否有足够的细节让同行复现？Experiments部分是否包含了至少两个基线方法和一个消融实验？图表是否自明，坐标轴是否有标签，图例是否清晰？参考文献是否包含了近三年的相关工作？格式是否符合会议的模板要求？页数是否在限制之内？如果所有答案都是“是”，那就可以提交了。
如果有一个答案是“否”，不要抱有侥幸心理。审稿人每天看几十篇论文，任何格式错误或者逻辑漏洞都会被放大。我见过因为参考文献格式不统一而被拒的论文，也见过因为图表模糊而被要求重投的论文。这些错误完全可以避免，只需要在提交前花半小时仔细检查。另外，提交前把PDF发给一位不同背景的同行看一眼，让他们指出看不懂的地方。他们的反馈往往比审稿人更直接、更有用。
8.2 我个人的参会体会
我参加过三届AICDS系列会议，最大的体会是：会议的价值不在于论文被接收，而在于你在这个过程中被迫把工作想清楚、写清楚、讲清楚。投稿前的文献调研让你知道别人做了什么，实验设计让你知道自己的方法到底行不行，写作让你知道怎么把复杂的东西说简单，presentation让你知道怎么在压力下保持清晰。这些能力不会因为论文被拒而消失，它们会跟着你进入下一个项目、下一份工作。
另一个体会是：不要等到论文完美了才投稿。完美主义是投稿最大的敌人。我见过有人把论文改了两年，结果发现别人已经发表了类似的工作。AICDS 2026的投稿截止日期是硬性的，你必须在那个日期之前做出决定：是投一个80分的工作，还是等一个100分的工作但错过截止日期。我的建议是投80分的工作，然后在rebuttal和最终版里把它提升到90分。学术发表是一个迭代的过程，不是一次性的完美表演。
8.3 会后可以继续做的三件事
会议结束后，有三件事值得继续做。第一，把会议论文扩展成期刊论文。会议论文通常有页数限制，很多细节没有展开。你可以补充更多实验、更完整的证明、更深入的讨论，然后投到SCI期刊。第二，把会议上的反馈整理成下一个项目的输入。审稿人和听众的问题往往指向了你的工作的局限，这些局限就是下一个研究的起点。第三，把会议上的联系人变成长期合作者。发一封跟进邮件，附上你的论文和幻灯片，提一个具体的合作想法，比如“我们可以一起申请一个关于数据驱动控制的基金项目”。合作不是等来的，是主动争取来的。
AICDS 2026只是一个时间节点，真正重要的是你在准备和参与这个会议的过程中，有没有把三个领域的知识打通，有没有建立起自己的学术网络，有没有把研究推向更接近落地的方向。如果你做到了这些，论文被不被接收，其实没那么重要。
