城市区域表征学习旨在将出行流、兴趣点、土地利用等异构信号统一映射为向量，以支持签到预测、犯罪预警和服务需求估计等下游任务。\ \ 传统方法采用全局共享的融合层并同步优化所有目标，隐含假设各模态重要性相同且多任务训练自然平衡。\ \ 实际城市数据高度异质。我们的实证分析指出两大结构性缺陷：\ (i) 不同地区对各模态的依赖差异显著，固定融合会放大某些模态的噪声；\ (ii) 多目标梯度长期不平衡，导致表征偏向并使训练不稳。\ \ 为此我们提出 PRISM——一个自适应多视角学习框架。PRISM 通过稀疏 MoE 路由为每个地区学习专属视图分配，使融合权重随区域特征动态调整。与此同时，受 PID 控制器启发的调节机制在梯度层面检测并抑制冲突，从而平衡各任务的学习速率。\ \ 在三个大规模城市数据集上的实验表明，PRISM 在准确率上与最强多视角基线持平或略有超越，同时显著提升了优化过程的稳定性并生成更均衡的区域表征。\ \ 点评：PRISM 通过区域感知的路由和梯度调节，有效破解了传统全局融合的僵化假设，为城市多源数据的联合学习提供了可扩展的思路。