全球 AI 頂會，快成中國卷王的專場了。
每年 AI 頂會放榜，各大機構都會暗戳戳地發喜報，比拼誰家被收錄的論文多。但今年 ICLR（國際學習表徵會議）放榜後，一位名叫 Dmytro Lopushanskyy 的研究員，幹了一件極其硬核的事。
他沒有去引用官方那些現成的統計表格，而是寫了整整 250 條正則表達式，把 ICLR 2026 全部 5356 篇接收論文的 PDF 挨個下載下來。
someone analyzed all 5000+ accepted papers at ICLR 2026, and it's a good signal who's pushing the research of AI: > China has surpassed the US with 43.7% of the papers > Europe's contribution is surprisingly small (5.3% including UK)
接著，他硬是從每篇論文首頁的縫隙里，把機構署名全給摳了出來，並利用這幾百條代碼規則進行清洗與歸一化，自動給「麻省理工」和「MIT CSAIL」這種同一機構的不同寫法做了合併。
為什麼要用這種最原始的手工分類法？
因為這老哥發現，我們平時習慣引用的那些學術統計平台數據，都是按「人」來追蹤的。舉個例子，一個在清華苦熬四年讀博的學生，發了篇極具含金量的論文，畢業後去斯坦福當了教授。你猜怎麼著？系統一刷新，這篇在五道口誕生的論文，就自動變成了斯坦福的學術產出。
開發者把原始數據打包在 Github，https://github.com/DmytroLopushanskyy/iclr2026-affiliations
這種偏差，長期以來硬生生壓低了中國機構的實際貢獻，同時虛抬了美國的數字。而當 Dmytro 用 96% 的解析成功率，把去偽存真後的真實數據畫成一張熱力圖後，我們才得以一觀真實數據的全景圖。
一張學術熱力圖，看懂中美 AI 的真實格局
別的不說，這組數據確實很有衝擊力。
這張圖上中國機構面積之大，超出了很多人的預期。其中中國大陸機構，貢獻了 43.7% 的接收論文。美國呢？31.9%。
如果你把香港（7.7%）算進來，本屆 ICLR 超過一半的論文署名機構，全都來自中國。 至於老牌的歐洲列強？整個歐洲大陸加起來才 5.3%，甚至比不過新加坡（5.5%）這一個國家的產出。
更有意思的是具體機構的排名。
今年，清華大學以 332 篇的產量登頂全球單一機構第一。 這是什麼概念？斯坦福 177 篇，麻省理工 167 篇。清華一家的產出，幾乎是美國排名前二的兩大超級名校的總和。緊隨其後的上交、北大、浙大，也全都穩坐全球第一梯隊。
不止高校陣營，國內產業界的科研表現同樣亮眼。
阿里、上海 AI 實驗室、華為、字節、騰訊，這五家中國科技公司/研究機構加起來發了 582 篇論文。有些媒體以前老愛吐槽中國網際網路公司只懂商業模式微創新，不懂底層研究。這次 ICLR 2026 的數據一出，算是打破了這個刻板印象。
說白了，中國 AI 早就不是靠一兩個天才的靈光一現，而是變成了一套精密、龐大、高度體系化的研發引擎。
不過，在這些令人振奮的數據背後，我們也不能忽視客觀存在的指標。
比如雖然我們在總數上超越，但在僅占接收總量 4% 的 Oral（口頭報告，通常代表最具原創性和啟發性的方向）論文裡，美國機構依然占了約 40%，而我們是 30%。
我們在工程化擴展上占據了絕對的規模優勢，而美國在定義新方向上依然保有相對領先。這也是中美 AI 之間相對真實的現狀。
矽谷的科研 AGI，與中國實驗室的極致務實
如果說熱力圖是一份宏觀體檢報告，那艾倫人工智慧研究所（AI2）知名研究員 Nathan Lambert 今年 5 月來北京、杭州等地的 36 小時調研，就是一次深度的微觀觀察。
他在走訪了智譜 AI、月之暗面、千問、美團、小米、零一萬物等 AI 企業後，回國後寫了篇關於中國 AI 實驗室內部觀察，並在矽谷引發了大量討論。他看到了中國大模型能跟美國五五開的底層邏輯——極低的組織摩擦和極度務實的年輕人。
https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs
在 Lambert 看來，美國頂級實驗室往往存在一個致命的弱點：Ego（自我）太強了。
訓練大模型是一項極其複雜的系統工程，從數據清洗、分布式通信優化到強化學習對齊，每個環節都需要互相妥協。但在矽谷，那些明星研究員往往帶有強烈的個人偏好。
據傳 Meta 的 Llama 團隊就曾因為路線之爭經歷過動盪，大佬們各自為政，都想把模型往自己主導的方向推進。反觀中國實驗室，Lambert 發現這裡有一種異於尋常的務實。
研究員們不在乎誰的方法聽起來更高級，大家的目標高度一致：只要能把模型的某個指標提上去，枯燥的髒活累活誰都願意干。 這種務實讓整個團隊的摩擦力降到了最低。
Lambert 還歸納了這種文化傾向具體帶來的優勢：更願意做不起眼的基礎工作來提升最終模型；剛入行的人沒有經歷過以前幾輪 AI 炒作周期，能更快適應最新技術路線；Ego 小，組織架構能相對平穩地擴大規模；以及大量善於在現有方案基礎上攻堅的人才儲備。
更讓 Lambert 驚訝的是，在美國，頂級實驗室的實習生往往只能接觸邊緣項目。但在中國，在讀的碩士和博士生深度參與核心大模型的研發。Lambert 敏銳地指出了這種做法的核心優勢：沒有歷史包袱。
大模型的技術路線疊代極快。資深科學家往往有「路徑依賴」，覺得自己研究了十年的老方法才是真理。但中國的年輕學生不同，只要有數據證明新路線有效，他們立刻就能拋棄舊方案，快速切換賽道。
值得一提的是，Lambert 發現，中國 AI 圈內部的氛圍遠比外界想像的和諧。各家實驗室之間，私下交流滿是相互尊重，所有中國實驗室都敬畏字節跳動和它廣受歡迎的豆包模型，因為字節是中國唯一一家真正處在前沿位置、同時又保持閉源路線的實驗室。與此同時，幾乎所有實驗室也都非常尊重 DeepSeek，認為它是在研究判斷和執行品味上最出色的團隊。
在這次調研中，還有一個細節特別值得關注。在矽谷，頂尖的 AI 研究員不僅是工程師，往往還扮演著半個「哲學家」的角色。他們喜歡在播客上高談闊論，探討「通用人工智慧（AGI）會不會在 2030 年毀滅人類」，頻繁討論 AI 安全與倫理邊界。
於是，Lambert 也試探性地問了中國同行對 AI 經濟影響和長遠社會風險的看法，但得到的反應不是長篇大論，而是普遍的困惑。關於毀滅人類這種宏大命題，暫且不在他們當下的工作邊界之內。
這種對宏大敘事的免疫，反而成了一種競爭優勢。它減少了團隊在哲學層面的內耗，讓所有的腦力都持續集中在工程落地和指標突破上。
在中國的實驗室里，導師、博士生與企業工程師之間形成了一種極短的反饋迴路。
這種模式消解了學術界與工業界之間的壁壘，正如 Nathan Lambert 所觀察到的，這種低摩擦的組織形式，讓中國 AI 展現出了類似基建狂魔般的推進速度——一旦方向明確，便能以排山倒海的智力密度迅速抹平技術差距。
當然，這套打法在特定窗口期內行之有效，但隨著規模效應的紅利逐步見頂，下一階段的核心壁壘終將回歸於「原始創新能力」的較量。
屆時，高密度的人才協同網路和某個敢於打破既有框架的個體，在 AI 的下半場互為成全，缺一不可。
