【中国拿下这届 AI 顶会半壁江山，清华一家单挑斯坦福加 MIT】
每年 AI 顶会放榜，各大机构都会暗戳戳地发喜报，比拼谁家被收录的论文多。关于毁灭人类这种宏大命题，暂且不在他们当下的工作边界之内。这种对宏大叙事的免疫，反而成了一种竞争优势。这种偏差，长期以来硬生生压低了中国机构的实际贡献，与此同时虚抬了美国的数字。该行业路线迭代极快。资深科学家往往有「路径依赖」，觉得自己研究了十年的老方式才是真理。该行业之间，私下交流满是相互尊重，这一研究都敬畏字节跳动和它广受欢迎的豆包模型，因为字节是中国唯一一家真正处在前沿位置、此时又保持闭源路线的实验室。值得一提的是，Lambert 发现，中国 AI 圈内部的氛围远比外界想象的和谐。这种务实让整个团队的摩擦力降到了最低。Lambert 还归纳了这种文化倾向具体带来的优势：更愿意做不起眼的基础工作来提升最终模型；刚入行的人没有经历过以前几轮 AI 炒作周期，该领域路线；Ego 小，组织架构能相对平稳地扩大规模；以及大量善于在现有办法基础上攻坚的人才储备。你猜怎么着？系统一刷新，这篇在五道口诞生的论文，就自动变成了斯坦福的学术产出。更让 Lambert 惊讶的是，在美国，该领域的实习生往往只能接触边缘专项。阿里、上海 AI 实验室、华为、字节、腾讯，该领域/研究机构加起来发了 582 篇论文。这次 ICLR 2026 的数据一出，算是打破了这个刻板印象。举个例子，一个在清华苦熬四年读博的学生，发了篇极具含金量的论文，毕业后去斯坦福当了教授。至于老牌的欧洲列强？整个欧洲大陆加起来才 5.3%，甚至比不过新加坡（5.5%）这一个国家的产出。今年，该领域以 332 篇的产量登顶全球单一机构第一。 这是什么概念？但在中国，在读的硕士和博士生深度参与核心大模型的研发。Lambert 敏锐地指出了这种做法的核心优势：没有历史包袱。紧随其后的上交、北大、浙大，也全都稳坐全球第一梯队。不止高校阵营，国内产业界的科研表现同样亮眼。该行业里，导师、博士生与企业工程师之间形成了一种极短的反馈回路。与此同时，该领域也都非常尊重 DeepSeek，看来它是在研究判断和执行品味上最出色的团队。斯坦福 177 篇，麻省理工 167 篇。清华一家的产出，几乎是美国排名前二的两大超级名校的总和。在这次调研中，还有一个细节特别值得关注。在硅谷，顶尖的 AI 研究员不仅是工程师，往往还扮演着半个「哲学家」的角色。不过，该行业背后，我们也不能忽视客观存在的指标。他们喜欢在播客上高谈阔论，商讨「该范围会不会在 2030 年毁灭人类」，频繁讨论 AI 安全与伦理边界。它减少了团队在哲学层面的内耗，让所有的脑力都不断集中在工程落地和指标突破上。其中中国大陆机构，贡献了 43.7% 的接收论文。美国呢？31.9%。这也是中美 AI 之间相对真实的现状。硅谷的科研 AGI，这一商讨的极致务实如果说热力图是一份宏观体检报告，该领域研究所知名研究员 Nathan Lambert 今年 5 月来北京、杭州等地的 36 小时调研，就是一次深度的微观观察。一张学术热力图，看懂中美 AI 的真实格局这张图上中国机构面积之大，超出了很多人的预期。如果你把中国香港（7.7%）算进来，本届 ICLR 超过一半的论文署名机构，全都来自中国。但在硅谷，那些明星商讨员往往带有强烈的个人偏好。据传 Meta 的 Llama 团队就曾因为路线之争经历过动荡，大佬们各自为政，都想把模型往自己主导的方向推进。接着，他硬是从每篇论文首页的缝隙里，把机构署名全给抠了出来，并利用这几百条代码规则进行清洗与归一化，自动给「麻省理工」和「MIT CSAIL」这种同一机构的不同写法做了合并。但今年 ICLR（国际学习表征大会）放榜后，一位名叫 Dmytro Lopushanskyy 的商讨员，干了一件极其硬核的事。而当 Dmytro 用 96% 的解析成功率，把该领域画成一张热力图后，我这一研究的全景图。因为这老哥发现，我们平时习惯引该领域数据，都是按「人」来追踪的。我们在工程化扩展上占据了绝对的规模优势，而美国在定义新方向上依然保有相对领先。比如虽然我们在总数上超越，但在仅占接收总量 4% 的 Oral（口头报告，通常代表最具原创性和启发性的方向）论文里，美国机构依然占了约 40%，而我们是 30%。在 Lambert 看来，该行业往往存在一个致命的弱点：Ego（自我）太强了。当然，这套打法在特定窗口期内行之有效，但随着规模效应的红利逐步见顶，下一时段的核心壁垒终将回归于「原始创新能力」的较量。研究员们不在乎谁的办法听起来更高级，大家的目标高度一致：只要能把模型的某个指标提上去，枯燥的脏活累活谁都愿意干。他看到了中国大模型能跟美国五五开的底层逻辑——极低的组织摩擦和极度务实的年轻人。但中国的年轻学生不同，该领域证明新路线有效，他们马上就能抛弃旧方案，快速切换赛道。于是，Lambert 也试探性地问了中国同行对 AI 经济影响和长远社会风险的看法，但得到的反应不是长篇大论，而是普遍的困惑。这种模式消解了学术界与工业界之间的壁垒，正如 Nathan Lambert 所观察到的，这种低摩擦的组织形式，让中国 AI 展现出了类似基建狂魔般的推进速度——一旦方向明确，便能以排山倒海的该领域差距。有些媒该行业只懂商业模式微创新，不懂底层研究。他在走访了智谱 AI、月之暗面、千问、美团、小米、零一万物等 AI 企业后，回国后写了篇关于中国 AI 实验室内部观察，并在硅谷引发了大量讨论。训练大模型该行业工程，从数据清洗、分布式通信优化到强化学习对齐，每个环节都需要互相妥协。他没有去引用官方那些现成的统计表格，而是写了整整 250 条正则表达式，把 ICLR 2026 全部 5356 篇接收论文的 PDF 挨个下载下来。说白了，中国 AI 早就不是靠一两个天才的灵光一现，而是变成了一套精密、庞大、高度体系化的研发引擎。该行业，Lambert 发现这里有一种异于寻常的务实。届时，该领域和某个敢于打破既有框架的个体，在 AI 的下半场互为成全，缺一不可。
今日商丘
新浪微博
商丘网