AI 顶会数据揭秘：中国占据半数席位，清华力压美两大名校

全球 AI 顶级会议，几乎要变成中国内卷的主战场了。

每逢 AI 顶会公布结果，各大单位都会私下晒成绩单，较量谁的论文录用率高。然而今年 ICLR 揭晓之际，一位叫 Dmytro Lopushanskyy 的研究员，做了一件非常硬核的事情。

他没有直接引用官方现成的统计数据，而是编写了多达 250 条正则表达式，将 ICLR 2026 所有 5356 篇入选论文的 PDF 全部下载。

随后，他硬是从每篇文章首页的细节中，把机构名称全部提取出来，并通过这几百条代码规则进行清洗和标准化，自动将“麻省理工”和“MIT CSAIL”这类同一机构的不同表述进行了合并。

为何要采用这种最原始的手工分类手段呢？

因为这位老哥发现，我们平时常用的学术统计平台数据，大多是按“人”来追踪的。打个比方，一个在清华苦读四年的博士生，发表了一篇高含金量的论文，毕业后去斯坦福任教。结果呢？系统一更新，这篇诞生于五道口的论文，就自动归到了斯坦福的学术成果名下。

这种偏差，长期以来严重低估了中国机构的实际贡献，同时虚高了美国的数值。而当 Dmytro 以 96% 的解析成功率，将去伪存真后的真实数据绘制成热力图后，我们才得以一窥真实数据的全貌。

且不说别的，这组数据确实极具震撼力。

这张图上中国机构的版图之大，超出了许多人的预料。其中中国大陆机构，贡献了 43.7% 的入选论文。美国呢？只有 31.9%。

若将中国香港（7.7%）也计算在内，本届 ICLR 超过半数的论文署名单位，全都源自中国。至于老牌的欧洲强国？整个欧洲大陆加起来才 5.3%，甚至不及新加坡（5.5%）这一国的产出。

更有趣的是具体机构的排名情况。

今年，清华大学凭借 332 篇的论文量荣登全球单一机构榜首。这意味着什么？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顶尖名校的总和。紧随其后的上交、北大、浙大，也都稳居全球第一梯队。

不仅高校阵营表现出色，国内产业界的科研成绩同样抢眼。

阿里、上海 AI 实验室、华为、字节、腾讯，这五家中国科技企业或研究机构合计发表了 582 篇论文。有些媒体过去常吐槽中国互联网公司只懂商业模式的微创新，不懂底层研究。此次 ICLR 2026 的数据公布，算是打破了这一刻板印象。

说白了，中国 AI 早已不是依赖一两个天才的灵光乍现，而是进化成了一套精密、庞大且高度体系化的研发引擎。

不过，在这些令人鼓舞的数据背后，我们也不能忽视客观存在的指标差异。

例如虽然我们在总数上领先，但在仅占入选总量 4% 的 Oral（口头报告，通常代表最具原创性和启发性的方向）论文中，美国机构依然占据了约 40%，而我们则是 30%。

我们在工程化扩展方面占据了绝对的规模优势，而美国在定义新方向上依然保持相对领先。这也是中美 AI 之间相对真实的现状写照。

如果说热力图是一份宏观体检报告，那么艾伦人工智能研究所（AI2）知名研究员 Nathan Lambert 今年 5 月在北京、杭州等地的 36 小时调研，就是一次深度的微观观察。

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，回国撰写了一篇关于中国 AI 实验室的内部观察文章，并在硅谷引发了广泛讨论。他看到了中国大模型能与美国分庭抗礼的底层逻辑——极低的组织摩擦力和极度务实的年轻一代。

在 Lambert 看来，美国顶级实验室往往存在一个致命的弱点：Ego（自我意识）太强了。

训练大模型是一项极为复杂的系统工程，从数据清洗、分布式通信优化到强化学习对齐，每个环节都需要相互妥协。但在硅谷，那些明星研究员往往带有强烈的个人偏好。

据传 Meta 的 Llama 团队曾因路线之争经历过动荡，大佬们各自为政，都想将模型往自己主导的方向推进。反观中国实验室，Lambert 发现这里有一种异乎寻常的务实精神。

研究员们不在乎谁的方法听起来更高端，大家的目标高度一致：只要能提升模型的某项指标，枯燥的脏活累活谁都愿意干。这种务实让整个团队的摩擦力降到了最低点。

Lambert 还总结了这种文化倾向带来的具体优势：更愿意做不起眼的基础工作来优化最终模型；刚入行的人没经历过前几轮 AI 炒作周期，能更快适应最新技术路线；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方案基础上攻坚克难的人才储备。

更让 Lambert 惊讶的是，在美国，顶级实验室的实习生往往只能接触边缘项目。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。

大模型的技术路线迭代极快。资深科学家往往有“路径依赖”，觉得自己研究了十年的老方法才是真理。但中国的年轻学生不同，只要有数据证明新路线有效，他们立刻就能抛弃旧方案，快速切换赛道。

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。各家实验室之间，私下交流充满相互尊重，所有中国实验室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、同时又保持闭源路线的实验室。与此同时，几乎所有实验室也都非常尊重 DeepSeek，认为它是在研究判断和执行品味上最出色的团队。

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。他们喜欢在播客上高谈阔论，探讨“通用人工智能（AGI）会不会在 2030 年毁灭人类”，频繁讨论 AI 安全与伦理边界。

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。关于毁灭人类这种宏大命题，暂且不在他们当下的工作范畴之内。

这种对宏大叙事的免疫，反而成了一种竞争优势。它减少了团队在哲学层面的内耗，让所有的脑力都持续集中在工程落地和指标突破上。

在中国的实验室里，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。

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，便能以排山倒海的智力密度迅速抹平技术差距。

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，下一阶段的核心壁垒终将回归于“原始创新能力”的较量。

届时，高密度的人才协同网络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。