ARTICLE · 1154252
AI血洗顶会评审!人类神作惨遭垫底,4大巨头模型竟暗中达成“学术合谋”
— 作者 —LinkerZ
— 编辑 —临界点
一篇在世界顶级人工智能会议上斩获最高荣誉口头报告（Oral）的脑科学神作，如果交给如今最聪明的 AI 去审，能拿第几名？
答案出乎所有学者的意料：第 6,274 名。
几乎垫底
这项测试并非恶作剧，更非偶发个案
2026 年 10 月，顶尖 AI 机构 Anthropic 的研究员 Shayne Longpre 与卡内基梅隆大学（CMU）博士生 Seungone Kim，悄悄干了一件“大逆不道”的事：他们把全球机器学习顶级盛会 ICML 2026 录用的整整 6,617 篇论文全部打包，交给全球最强的这批大语言模型，让它们扮演最高权力层级的领域主席（Area Chair）。
通读、批判、两两厮杀，然后重新排出一份属于 AI 自己的“琅琊榜”。
▲ 项目主页首屏：AI 领域主席给出的世界前五篇论文
结果公布的瞬间，迅速在学术圈掀起巨大波澜。
人类评审视若珍宝的研究，被 AI 随手扔进了垃圾桶；而在会议上被人类打低分、只能挤在墙角贴海报的边缘论文，却被 AI 一路捧上了世界之巅。
来自四家互为竞对的大厂模型，在评判标准上展现出高度一致的默契。
一场关于“什么是好科学”、甚至关乎人类探索未来的权力争夺战，就这样在冰冷的服务器机房里悄然打响。
01致命异常：两份榜单的“平行宇宙”
在顶尖学术会议上，论文过审只是第一步。论文会被分为不同的展示层级：只有极少数百里挑一的顶级佳作，才能获得Oral（口头报告），登台向全世界学者演讲；稍次一点的是 Spotlight（聚光灯展示）；其余绝大多数，只能分配到一块展板做 Poster（海报展示）。
按常理推断，人类精挑细选出来的 Oral，AI 哪怕品味再怪，也总得给几分薄面吧？
现实却给了人类一记响亮的耳光
▲ 官方统计图：人类眼中的神作，在 AI 榜单里几乎完全失效
研究人员用统计学指标 Kendall’s τ 来衡量 AI 排名与人类评审的一致性。这个数值如果等于 1，说明两边完全步调一致；等于 0，说明两边毫无关联，纯属随机抛硬币。
结果，AI 排名与人类展示层级的相关性只有 0.08，与人类审稿打分的相关性同样只有 0.08。
0.08 是什么概念？这几乎比闭着眼睛抓阄高不了多少！
在人类领域主席评出的全部 Oral 论文中，只有四分之一能挤进 AI 榜单的前 10%；整整 75% 的人类高分成果，在 AI 看来都平平无奇。
反过来，夺得 AI 榜单全球第一名的论文，Spurious Rewards: Rethinking Training Signals in RLVR，在人类评审手里只拿到可怜的 4.00 分（满分 6 分），在 ICML 会场里只能灰溜溜地去站海报展台。
AI 评出的全球前十名里，竟然只有四篇在人类侧获得了 Oral 或 Spotlight！
人类与 AI，仿佛生活在两个完全互不理解的平行宇宙。
02调查追凶：让 6600 篇论文互掐的“超级斗兽场”
为什么会出现如此巨大的撕裂？
难道是模型的幻觉在胡言乱语？还是提示词写得太粗糙？
为了查明真相，研究团队公开了他们设计的六阶段递进式漏斗架构。细看这套流水线，AI 的筛选极为严谨，甚至比疲惫的人类审稿人还要严苛。
▲ 耗资极低却精密运转的六阶段 AI 评审流水线
面对 6,617 篇终稿，最理想的做法本该是让最顶级的大模型两两捉对厮杀。但那样需要比对 2,189 万次，耗资数百万美元，没人烧得起。
于是，他们搭建了一台精密的“学术粉碎机”：
- 绝对脱敏（Stage 01）
：剥离作者姓名、机构、基金和致谢，切除参考文献与附录，只留前 9 页纯正文，禁止联网搜索。消灭任何“看人下菜碟”的学术人脉光环； - 大通量海选（Stage 02）
：动用 4 款平价模型，每篇论文随机扔进 8 篇一组的卡池，进行强制排序； - 高阶挽救（Stage 03）
：换用 GPT-5.6 Terra 和 Claude Sonnet 5 开启深度思考模式。这里设置了“分歧挽救机制”：一旦两款模型产生剧烈争议，论文不予淘汰，直接保送下一轮； - 多模态专家门诊（Stage 04）
：250 篇决赛圈论文，由 GPT-5.6 Sol、Claude Fable 5 和 Gemini 3.1 Pro 逐页精读完整 PDF，给技术可靠性、新颖性、影响力等 6 个维度出具严谨的结构化裁判卡； - 瑞士轮与车轮大战（Stage 05 - 06）
：172 篇论文展开 10 轮瑞士轮电竞式排位赛，决出前 60 强；前 60 强再进行全通量单循环车轮战（整整 1,770 场肉搏对决），最终由战绩积分敲定王冠归属。
但在这套严丝合缝的工程里，研究人员顺手抓到了一个极其荒诞的模型生理缺陷：
位置偏差（Position Bias）。
大模型居然也会像偷懒的考生一样，习惯性偏心“排在提示词前面的选项”！在第二阶段，只要把论文在输入文本里的顺序调换一下，论文的名次平均会暴动 230 名。原先排名前 50 的论文，校正位置后直接惨死了 27 篇，只剩 23 篇保住席位。
即便修补了人类留下的工程漏洞，榜单结果依然没有向人类妥协半分。
这说明，评价体系的巨大分裂，根源直接指向了两套评价哲学的分道扬镳。
03惊人内幕：四巨头背地里的“审美合谋”
紧接着公布的第三项发现，将这种审美差异推向了高潮：
参与海选的四款模型，分别来自当今 AI 战场上杀得你死我活的四家巨头：英伟达的 Nemotron、谷歌的 Gemini、OpenAI 的 GPT、以及马斯克旗下 xAI 的 Grok。
在商战里，它们为了争夺霸权寸土不让。但在面对同一批科学论文时，奇迹发生了：
▲ 四大巨头模型彼此惺惺相惜，与人类却集体决裂
它们彼此之间的排名相关系数，高达 0.57 到 0.71！而它们任何一个跑去跟人类审稿均分相比，相关系数全在 0.07 到 0.10 的地沟里趴着。
这是什么概念？
人类审稿人经常吵得不可开交，一个打 1 分一个打 5 分是家常便饭。人类的不同意，是向着四面八方的散乱分歧；但四款不同架构、不同公司训练出来的 AI 产生偏离时，却朝着同一个方向死命地拐弯！
它们到底把什么东西踩在了脚下？又把什么捧上了神坛？
翻开数据分类表，真相触目惊心：
在 AI 评出的大奖前列里，可复用的核心算法、评测体系、基础系统被大量塞满；而那些与现实场景结合的“应用方法类论文”（Application Method），在人类 Oral+Spotlight 里占了 11.2%，但在 AI 眼里几乎被直接灭绝，只剩下可怜的 1.5%！
▲ 学者讨论 PhenoBrain 的遭遇：因专注临床应用而惨遭 AI 驱逐
文章开头提到的那篇 PhenoBrain 就是最凄惨的典型。
那是一篇利用脑网络分析预测临床表型的高水平研究，人类评审惊叹于它在医学上的落地价值，慷慨赋予 Oral 桂冠。
但在 AI 的终审裁决卡上，模型冷冰冰地写下一行死刑判决：“该工作的价值主要局限于临床神经科学，缺乏对广义机器学习领域的普遍影响力。”
什么具体病人，什么临床价值只要成果无法通用于大模型基础设施，在 AI 看来，就只是缺乏通用意义的“边角料”。
04终极对决：一场关于“新颖”与“票房”的哲学背叛
为什么 AI 会形成这种近乎冷血的功利主义审美？
第四阶段打分揭开了核心分歧的谜底。研究人员把六个维度的考核分，分别与 AI 总分和人类审稿分做了斜率对照：
▲ 价值取向的彻底对折：AI 崇拜影响力，人类奖励新颖性
两根线条，在图表中央画出了一道残酷的交叉：
- 预测领域影响力（Predicted ML Field Impact）
：在 AI 眼里权重排在第一（相关度 0.80）；但在人类审稿人眼里，权重排在倒数第一（相关度 0.06）！ - 方法新颖性（Novelty）
：在人类审稿人心里是至高无上的第一准则；但在 AI 眼里，被随手扔到了倒数第二。
AI 看重可预期的广泛传播与确定性成效；人类学者则珍视开创性的未知探索，哪怕新想法此时此刻看起来尚显稚嫩。
斯坦福学者 Yoonho Lee 在其著名的《What Is Taste?》一文中曾写下一个极妙的讽刺：
如果你试图用论文未来的“引用量”去训练大模型的学术品味，那就像是用“院线票房”去训练一个奥斯卡影评人。
最后选出来的，一定是流水线制造、工业化堆料、保底十亿票房的爆米花爽片；而那些百年不遇、晦涩难懂的影史杰作，会被当场枪决。
如今的 AI 领域主席，正在扮演这样一个只看票房的影院经理。它喜欢大而化之的算法、通用即插即用的积木，排斥一切扎根于泥土的专业探索。
05最后的警钟：在算法的世界里，人类唯一的职责是“唱反调”
如果事情仅仅停留在“一次有趣的学术打榜”，那不过是一场茶余饭后的谈资。
这项实验带给科学界的深层冲击，在于它对未来科研生态的警示。
当越来越多的博士生、科研人员开始用 AI 找选题、润色论文、甚至协助审稿时，当所有人都习惯性地向那几款主流大模型请教“这个课题值不值得做”时，会发生什么？
来自全世界的青年大脑，将会被引导向同一个平庸的共识。
科学史上那些伟大的突破，往往来自某些不可理喻的偏执狂：或许是因为师承谱系的一个古怪执念，或许是因为昨夜酒桌上与朋友的一场争吵，甚至仅仅是因为某位学者难以割舍的研究直觉。
这些方向绝大多数都死掉了，但那极少数改写文明进程的奇迹，从来没有任何模型能够提前预测。
面对四款模型的步调一致，作者 Seungone Kim 在推特上留下了掷地有声的一句话：
▲ Seungone Kim 的推特独白：在 AI 时代，人类的角色是不同意
“在自主研究代理人（AI Agent）接管一切的世界里，人类唯一的角色，就是去唱反调（to disagree）。”
在社交媒体上随口附和或者出言讽刺，成本极其廉价。但当 AI 调动全部算力、挥舞着概率分布宣告“这个方向毫无前途”时，仍然有人愿意付出自己的五年、十年甚至一生，去死磕那篇被模型排在最后一名、被算法判处死刑的冷板凳。
这种堂吉诃德式的执着与反叛，才是人类赋予科研探索最宝贵的火种。