本文來自微信公眾號：APPSO，作者：發(fā)現(xiàn)明日產(chǎn)品的

如今國際頂級AI學術(shù)會議，正在成為中國研究者的主場。

每年AI頂會放榜，各個學術(shù)機構(gòu)都會悄悄比拼論文收錄量，但今年ICLR（國際學習表征會議）放榜后，研究員Dmytro Lopushanskyy做了一件格外硬核的事。

他沒有直接用現(xiàn)成的官方統(tǒng)計，而是寫了足足250條正則表達式，手動下載了ICLR 2026全部5356篇收錄論文的PDF文件。

之后，他從每一篇論文的首頁提取出作者署名機構(gòu)，再通過代碼規(guī)則完成數(shù)據(jù)清洗和歸一化處理，自動把同一機構(gòu)的不同寫法，比如“麻省理工”和“MIT CSAIL”做了合并整理。

為什么不用現(xiàn)成統(tǒng)計，反而要做這種“手工分類”？

因為他發(fā)現(xiàn)，常規(guī)學術(shù)統(tǒng)計平臺的數(shù)據(jù)，都是按照“作者當前所屬機構(gòu)”來統(tǒng)計歸屬。舉個例子：一名在清華大學讀完四年博士的研究者，在讀博期間完成了一篇高質(zhì)量論文，畢業(yè)后去斯坦福當了教授，系統(tǒng)刷新數(shù)據(jù)后，這篇誕生在中國的論文，就會被算成斯坦福的學術(shù)成果。

開發(fā)者已經(jīng)把原始數(shù)據(jù)整理上傳到Github：https://github.com/DmytroLopushanskyy/iclr2026-affiliations

這種統(tǒng)計偏差，長期以來都低估了中國學術(shù)機構(gòu)的實際貢獻，同時虛高了美國的成果數(shù)量。Dmytro這次統(tǒng)計的解析成功率達到96%，去偽存真后的真實數(shù)據(jù)被整理成熱力圖，才讓我們看清了當前全球AI學術(shù)的真實格局。

真實數(shù)據(jù)展現(xiàn)中美AI格局，中國成果超半數(shù)

整理后的統(tǒng)計數(shù)據(jù)，沖擊力遠超很多人的預期。

熱力圖中中國大陸機構(gòu)的占比非常大，本屆ICLR收錄的論文里，中國大陸機構(gòu)貢獻了43.7%，而美國的占比為31.9%。

如果把中國香港的7.7%也算入中國，本屆ICLR超過一半的論文，署名第一機構(gòu)都來自中國。曾經(jīng)的歐美學術(shù)強區(qū)，整個歐洲大陸的總占比只有5.3%，甚至比新加坡一個國家的5.5%還要低。

更值得關(guān)注的是具體機構(gòu)的排名。

今年清華大學以332篇的論文產(chǎn)量，登頂全球單一機構(gòu)第一名，這個數(shù)字是什么概念？斯坦福有177篇，麻省理工有167篇，清華大學一家的產(chǎn)出，幾乎等于美國這兩大頂尖名校的產(chǎn)量總和。緊隨清華之后的上海交通大學、北京大學、浙江大學，也都穩(wěn)穩(wěn)站在全球第一梯隊。

不光高校表現(xiàn)突出，國內(nèi)產(chǎn)業(yè)界的AI科研成果也十分亮眼。

阿里、上海AI實驗室、華為、字節(jié)跳動、騰訊，這五家中國科技企業(yè)和研究機構(gòu)加起來，一共發(fā)表了582篇論文。過去常有聲音吐槽中國互聯(lián)網(wǎng)公司只會做商業(yè)模式微創(chuàng)新，不重視底層基礎(chǔ)研究，這次ICLR 2026的數(shù)據(jù)，徹底打破了這種刻板印象。

可以說如今中國AI發(fā)展，早就不再依賴個別天才的偶然突破，而是形成了一套精密、龐大、高度體系化的持續(xù)研發(fā)體系。

不過，在這份亮眼的數(shù)據(jù)背后，我們也需要看清客觀存在的差距。

比如雖然總數(shù)量我們已經(jīng)實現(xiàn)反超，但在僅占總收錄量4%的Oral（口頭報告，這類論文一般代表最具原創(chuàng)性和啟發(fā)性的研究方向）論文中，美國機構(gòu)占比約為40%，中國占比為30%。

我們在工程化落地和規(guī)?；a(chǎn)出上已經(jīng)擁有絕對的規(guī)模優(yōu)勢，而美國在開辟全新研究方向上，依然保持著相對領(lǐng)先，這也是當前中美AI發(fā)展比較真實的現(xiàn)狀。

硅谷科研偏向AGI探索，中國AI實驗室更務實落地

如果說熱力圖是宏觀的行業(yè)現(xiàn)狀報告，那艾倫人工智能研究所（AI2）知名研究員Nathan Lambert在今年5月，對北京、杭州等地AI企業(yè)的36小時走訪調(diào)研，就是一次深入的微觀觀察。

他走訪了智譜AI、月之暗面、阿里千問、美團、小米、零一萬物等多家中國AI企業(yè)后，回國撰寫了一篇關(guān)于中國AI實驗室的內(nèi)部觀察文章，在硅谷引發(fā)了大量討論。他發(fā)現(xiàn)了中國大模型能和美國形成抗衡的核心邏輯：極低的組織內(nèi)耗，以及極度務實的研究者群體。

文章鏈接：https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

在Lambert看來，美國頂級實驗室普遍存在一個明顯的問題：研究者個人自我意識太強。

訓練大模型是極其復雜的系統(tǒng)工程，從數(shù)據(jù)清洗、分布式通信優(yōu)化到強化學習對齊，每個環(huán)節(jié)都需要團隊成員互相配合妥協(xié)。但在硅谷，很多知名研究員都有強烈的個人偏好，不愿意讓步。

有傳聞說Meta的Llama團隊就曾經(jīng)因為技術(shù)路線分歧出現(xiàn)動蕩，核心研究者各自堅持自己的方向，都想把模型往自己主導的方向推進。反觀中國的AI實驗室，Lambert發(fā)現(xiàn)這里的研究者格外務實。

研究者們不會糾結(jié)誰的方法聽起來更高級，所有人的目標都高度一致：只要能提升模型的某項指標，再枯燥瑣碎的工作也有人愿意做，這種務實性把團隊的內(nèi)耗降到了最低。

Lambert還總結(jié)了這種文化帶來的具體優(yōu)勢：團隊更愿意做不起眼的基礎(chǔ)工作提升模型整體效果；新人沒有經(jīng)歷過過往AI炒作周期，能更快適應最新技術(shù)路線；個人意識弱，組織架構(gòu)可以比較平穩(wěn)地擴圍；同時擁有大量能在現(xiàn)有方案基礎(chǔ)上攻堅突破的人才儲備。

更讓Lambert驚訝的是，在美國頂級實驗室里，實習生通常只能接觸邊緣項目，但在中國，在讀碩士和博士可以深度參與核心大模型的研發(fā)工作。Lambert敏銳地指出了這種模式的核心優(yōu)勢：沒有歷史路徑依賴。

大模型的技術(shù)路線迭代速度非常快，資深科學家往往會受過往研究的路徑依賴影響，認定自己研究了十幾年的老方法才是正確方向，但中國年輕研究者不一樣，只要有數(shù)據(jù)證明新路線效果更好，他們可以立刻放棄舊方案，快速切換賽道。

值得一提的是，Lambert發(fā)現(xiàn)中國AI行業(yè)內(nèi)部的氛圍比外界想象的更和諧，各家實驗室私下交流都充滿尊重，所有中國實驗室都認可字節(jié)跳動和它的豆包模型，因為字節(jié)是中國少有的站在技術(shù)前沿，同時堅持閉源研發(fā)的機構(gòu)。同時幾乎所有實驗室都認可DeepSeek，認為它是研究判斷和執(zhí)行水準都非常頂尖的團隊。

這次調(diào)研里還有一個細節(jié)值得關(guān)注：在硅谷，頂尖AI研究員不只是工程師，很多還會扮演半個“哲學家”的角色，他們喜歡在播客上討論“通用人工智能AGI會不會在2030年毀滅人類”，頻繁探討AI安全和倫理邊界這類宏大命題。

于是Lambert也試探著詢問中國AI研究者，對AI的經(jīng)濟影響和長遠社會風險的看法，得到的不是長篇大論的討論，反而是普遍的困惑——這類“AI毀滅人類”的宏大命題，目前并不在他們當下的工作范圍內(nèi)。

這種對空泛宏大敘事的“不關(guān)心”，反而成了一種競爭優(yōu)勢，減少了團隊在哲學討論上的內(nèi)耗，讓所有腦力都集中在工程落地和指標突破上。

在中國的AI實驗室里，導師、博士生和企業(yè)工程師之間形成了極短的反饋回路。

這種模式打破了學術(shù)界和工業(yè)界之間的壁壘，正如Nathan Lambert觀察到的：這種低內(nèi)耗的組織模式，讓中國AI擁有了極快的推進速度——只要方向確定，就能依靠密集的智力投入快速抹平技術(shù)差距。

當然，這套模式在當前的發(fā)展階段非常有效，但隨著規(guī)模擴張的紅利逐漸見頂，下一階段AI發(fā)展的核心壁壘，終究會回到“原始創(chuàng)新能力”的較量上。

到那個時候，高密度的人才協(xié)同網(wǎng)絡，和敢于打破現(xiàn)有框架的原創(chuàng)者，會是AI發(fā)展下半場缺一不可的兩個關(guān)鍵。