6617篇顶会论文遭AI残酷血洗!相关性仅0.08,人类最高奖竟被打入底层?

如果把全球顶级学术会议的“生杀大权”，彻底交给人工智能，会发生什么？

在顶尖计算机学者眼里，ICML（国际机器学习大会）就是人工智能领域的“奥林匹克”。每年，成千上万名科学家把最心血凝结的成果送上擂台，经过无数教授、专家的层层双盲互审，最后挑出极少数凤毛麟角的作品，给予全场最高的荣誉，Oral（口头报告）与Spotlight（焦点展示）。

但在2026年10月，两位年轻学者干了一件近乎疯狂的实验。

来自Anthropic的研究员Shayne Longpre与卡内基梅隆大学（CMU）语言技术研究所的博士生Seungone Kim，调动了一整组当前最强的大语言模型，让AI直接扮演大会的最高仲裁者，领域主席（Area Chair）。

他们把ICML 2026正式录用的全部6617篇论文抹去作者姓名、切断网络搜索，一股脑全扔进了模型的肚子里，让AI像人类评委一样通读、打分、两两PK，最后排出一份完整的“AI全明星排行榜”（AI Awards）。

▲ 项目主页首屏，公开向全世界发问：如果由AI决定科学的去向，它会选出什么？

当机器的最终总榜与人类专家的官方决定放在一起对照时，整个学术界倒吸了一口凉气。

两边的排名结果，相关系数仅有0.08。

在统计学里，0代表毫无关联的“纯随机掷骰子”，1代表完全同频。0.08的意思是：AI给出的科学排名，跟人类专家的眼光比起来，几乎就只比瞎蒙好那么一丁点。

那些被人类顶级科学家推崇备至的最高荣誉论文，被AI大笔一挥直接打入榜单最底层；而那些人类评审勉强放行、甚至发配到角落的“边缘海报”，却被AI当成杰作供奉到了榜首。

科学的坐标系，在这场人机对决中，被硬生生撕开了一道巨大的裂缝。

01漏斗下的“角斗场”：AI到底挑出了什么？

为了不让高昂的模型调用费把实验室烧穿，两位作者没有直接搞粗暴的六千篇大混战，而是设计了一套极其精密的六阶段残酷淘汰赛。

▲ 六阶段漏斗：前期由轻量模型大规模初筛，后期由前沿旗舰模型精读全文打分

先用成本较低的模型快速扫视、打上类型标签；接着调动GPT-5.6、Gemini 3.5、Grok 4.3、Nemotron 3四大门派的高手分组交叉对决；到了第四阶段，前沿旗舰模型开始啃几十页的完整PDF正文，撰写结构化评审报告；随后通过严密的瑞士轮（Swiss-system）进行十轮单挑；最后杀进前60名的巅峰论文，再展开惨烈的全员大乱斗（Round Robin）。

经历这番严酷淘洗杀出来的AI全场总冠军，长什么样？

▲ AI钦定的前五名论文详情，第一名在人类会议中仅仅是一张普通海报（Poster）

机器给出的总冠军，是一篇名为《Spurious Rewards: Rethinking Training Signals in RLVR》的分析性论文。

在人类学术会议里，它只拿到了一张最普通的Poster（海报展示），审稿均分只有平平无奇的4.0分（满分6分）。可在AI眼里，它直接碾压了全场六千多位学者，登顶全宇宙第一。

翻开AI排名前十的清单，一股极其冷酷的实用主义扑面而来：强化学习的关键机制、测试时计算发现、混合专家架构扩缩容、自蒸馏、神经偏微分方程求解器……清一色的全是底层算法与基础设施。

整整前十名里，被人类选为最高级别展示（Oral/Spotlight）的，仅仅只有区区4篇。

机器与人类之间，分明横亘着一道不可逾越的审美鸿沟。

02屠刀挥向“应用层”：那篇被贬入地狱的满分神作

这种审美品味的决裂，在具体论文分类上体现得更为触目惊心。

研究团队把人类选出的536篇精选论文（Oral与Spotlight），和AI挑出的前536名放在一起做了细致的类型比对：

▲ 数据揭示了AI的偏好倾斜：核心算法与基础设施暴增，应用方法几乎被清场

表格揭示了一个极其惊悚的事实：

• 核心机器学习算法
  ：人类给的比例是31.7%，AI直接暴拉到39.9%；
• AI安全、评测与基础设施
  ：AI评选的占比也大幅飙升；
• 但是在“应用型机器学习方法”这一项上，人类评委给出了11.2%的席位，而AI前536名里，直接暴跌到了1.5%！

整整暴跌了9.7个百分点AI几乎是以清洗的姿态，把绝大多数具体应用场景的论文，统统从前列踢了出去。

最惨烈的牺牲者，是一篇名为《PhenoBrain》的论文。

在ICML 2026现场，这篇专注于脑网络分析的硬核跨学科成果，凭借出色的临床应用价值，赢得了全场极少数的Oral最高展示荣誉。

可在AI评委的眼里，它连及格线都够不上，在六千多篇论文的总榜里，AI把它一脚踹到了第6274名！几乎垫底！

▲ 学者们在社交平台上惊呼：人类手里的至高明珠，在AI眼里竟然一文不值

大模型给出的否决理由极其傲慢、冰冷且坚决：

“该工作的影响力主要局限在临床神经科学领域，对于一般意义上的通用机器学习，缺乏足够的泛化推动力。”

在AI的判定逻辑里，如果你不能做一个全行业通吃的通用底座，如果你只是在某个垂直真实学科里默默解决了一个具体问题，你就是“不值一提的增量拼接”。

这种偏好差异，在论文打分的底层逻辑上暴露无遗：

▲ 左侧是AI最看重的东西，右侧是人类审稿人最看重的东西，两条线几乎是完全倒置的对折

在给论文打分时：

• 人类审稿人最看重、权重给得最高的是“新颖性（Novelty）”，你有没有想出别人从没想过的奇思妙想？
• 可到了AI这里，“新颖性”被一脚踢到了倒数第二位；AI最在乎、权重压倒一切的指标，叫做“预测领域影响力（Predicted ML Field Impact）”，你能不能在整个计算机界掀起巨浪？

人类像是在挑灵巧的工艺品，而AI在挑选可以批量轰炸的重型火炮。

03反转与质疑：难道人类审稿就是真理吗？

0.08的极低相关度一经公布，迅速引发了学界的激烈讨论。但正当不少人准备调侃AI“不懂科学品味”时，来自一线资深学者的一盆冷水迎头浇了下来。

Cleanlab首席科学家Jonas Mueller等人直接在评论区抛出了一个极度诛心的问题：

“在指责AI乱打分之前，谁能量化一下：人类审稿人与人类审稿人之间的一致性，到底有多低？说不定人类自己互评，相关性也是0.08呢！”

▲ 顶级科学家在争论：人类同行评议究竟有多大程度是一场“掷骰子”游戏？

这句话直接掀翻了同行评议制度最尴尬的遮羞布。

事实上，早在NeurIPS 2014和2021年的两场极其著名的“一致性双盲实验”中，计算机学界就进行过残忍的自我解剖：会议主席把上千篇论文复制成两份，分别派给两组完全独立、彼此不知情的人类主席和审稿团进行平行评审。

最终结果令人绝望：两批人类专家在23%的论文上给出了截然相反的生杀决定；更严密的数学推算表明，如果把顶会的评审全流程以同样资质的人员完全重跑一遍，最终被录用的论文名单将有整整50%被换掉！

在残酷的录用边界线上，一篇论文能不能被顶会录用，有近一半的概率取决于抽到了哪位审稿人。

更何况，本次AI实验还踩中了一个经典的统计学陷阱，“范围截断（Restriction of Range）”。

这6341篇参赛论文均属人类专家初筛入围的“合格品”，此前已淘汰了大部分原始投稿。全场论文的平均分高达4.15分，超过85%的论文分数被死死压缩在4.0（弱接收）到5.0（接收）这区区1分的窄缝里。

在统计学上，当所有选手的成绩被压缩得极度扁平、方差极小时，任何微小的排序抖动都会让相关系数断崖式下跌。

难道，这场人机大撕裂，仅仅是因为人类专家自己满身噪声，外加样本方差太小导致的“数据假象”吗？

事情绝没有这么简单

04潜藏的危机：四款商业AI正在“高度合谋”

如果人机分歧仅仅源于“随机噪声”，那么各大科技公司彼此竞争的独立大模型之间，理应也是各执一词、互相打架的。

但研究团队拉出的那张模型互评矩阵，却呈现出截然不同的图景。

▲ 四款属于不同阵营的模型，彼此相关度高达0.62；但一碰到人类审稿人，瞬间跌落到0.08

来自英伟达的Nemotron 3、谷歌的Gemini 3.5、OpenAI技术脉络的GPT-5.6、马斯克旗下的Grok 4.3。这四款由不同商业机构独立训练、互为死敌的模型，在面对同一批论文时，两两之间的秩相关系数平均高达0.62！即使分歧最大的一对，也有0.57的高强度默契。

甚至在完全相同的8篇论文局部微型批次里，它们的平均相关度依然牢牢维持在0.43，而它们与人类专家的共识度，无一例外地暴跌在0.07到0.10的谷底。

这就是整项研究中最深刻、也最恐怖的发现：

人类的不一致，是“多向发散的白噪声”老教授偏爱数学推导，年轻博士痴迷亮眼打榜，临床专家重视现实救人。人类审稿人吵得不可开交，是因为每个人心中各自燃烧着不同的学术信仰，多元的偏见在各个维度互相抵消，反而保护了科学的物种多样性。

而AI的不一致，是“高度内聚的系统性偏航”。四家完全不同的科技巨头，训练出的模型看似千姿百态，骨子里却内化了同一套冷酷的机器审美：它们共同狂热追捧通用大底座，共同无情践踏边缘垂直应用，共同无视局部微小创新。它们在背离人类审美的道路上，步伐整齐划一，甚至不需要提前开会商量。

05科学的尽头，是人类的“叛逆”

试想这样一个即将到来的学术未来：

当每一个刚入学的研究生，都在用AI辅助头脑风暴；当每一个实验室的导师，都在用大模型快速初筛文献；当学术期刊和顶会，为了应对每年数以万计的海量投稿，悄悄把AI agent引入审稿和领域主席决策流……

全人类的科学探索，将会以不可逆的速度，被强制推入同一条由大模型规整好的狭窄运河。

▲ 共同作者 Seungone Kim 发出警示：在算法的浪潮下，人类最后的堡垒就是反对

斯坦福学者Yoonho Lee在随笔《What Is Taste?》中写道：“品味”无法用高引用量与高热度训练的客观预测器来衡量；它是科研直觉与前沿现实近距离摩擦碰撞后，淬炼出的一种高度个性化过滤器。

它就像当年居里夫人在废渣里提炼镭，像爱因斯坦在专利局里枯坐遐想，像无数被同时代同行斥为“异端”“没用”，却在数十年后颠覆世界的孤胆研究。

如果当年就有这样一套由大模型统治的“AI领域主席”，那些需要坐十五年冷板凳才能兑现价值的奇想，大概在第一轮初筛时，就会被AI贴上“缺乏广泛影响力”的标签，毫不留情地扔进历史的垃圾堆。

实验的共同作者Seungone Kim在发帖的末尾，写下了一句重若千钧的结论：

“在自主研究智能体充斥的世界里，人类唯一的崇高角色，就是去唱反调。”

口头表达反对是极其廉价的最顶级的科学尊严，是当全世界的AI大模型都排着队告诉你“这个方向毫无前途”时，依然有那么几个人类科学家，愿意把生命中最璀璨的十年时光，狠狠砸在那个被机器打入死牢的冷门问题上。

科学之所以能被称为科学，恰恰在于人类拥有一种不怕犯错、不守规矩的野蛮生机，敢于在标准答案之外探索未知。