ICLR 2026统计公布：中国AI论文占比超半数，清华产量超斯坦福MIT总和

本文来自微信公众号：APPSO，作者：发现明日产品的

如今国际顶级AI学术会议，正在成为中国研究者的主场。

每年AI顶会放榜，各个学术机构都会悄悄比拼论文收录量，但今年ICLR（国际学习表征会议）放榜后，研究员Dmytro Lopushanskyy做了一件格外硬核的事。

他没有直接用现成的官方统计，而是写了足足250条正则表达式，手动下载了ICLR 2026全部5356篇收录论文的PDF文件。

之后，他从每一篇论文的首页提取出作者署名机构，再通过代码规则完成数据清洗和归一化处理，自动把同一机构的不同写法，比如“麻省理工”和“MIT CSAIL”做了合并整理。

为什么不用现成统计，反而要做这种“手工分类”？

因为他发现，常规学术统计平台的数据，都是按照“作者当前所属机构”来统计归属。举个例子：一名在清华大学读完四年博士的研究者，在读博期间完成了一篇高质量论文，毕业后去斯坦福当了教授，系统刷新数据后，这篇诞生在中国的论文，就会被算成斯坦福的学术成果。

开发者已经把原始数据整理上传到Github：https://github.com/DmytroLopushanskyy/iclr2026-affiliations

这种统计偏差，长期以来都低估了中国学术机构的实际贡献，同时虚高了美国的成果数量。Dmytro这次统计的解析成功率达到96%，去伪存真后的真实数据被整理成热力图，才让我们看清了当前全球AI学术的真实格局。

真实数据展现中美AI格局，中国成果超半数

整理后的统计数据，冲击力远超很多人的预期。

热力图中中国大陆机构的占比非常大，本届ICLR收录的论文里，中国大陆机构贡献了43.7%，而美国的占比为31.9%。

如果把中国香港的7.7%也算入中国，本届ICLR超过一半的论文，署名第一机构都来自中国。曾经的欧美学术强区，整个欧洲大陆的总占比只有5.3%，甚至比新加坡一个国家的5.5%还要低。

更值得关注的是具体机构的排名。

今年清华大学以332篇的论文产量，登顶全球单一机构第一名，这个数字是什么概念？斯坦福有177篇，麻省理工有167篇，清华大学一家的产出，几乎等于美国这两大顶尖名校的产量总和。紧随清华之后的上海交通大学、北京大学、浙江大学，也都稳稳站在全球第一梯队。

不光高校表现突出，国内产业界的AI科研成果也十分亮眼。

阿里、上海AI实验室、华为、字节跳动、腾讯，这五家中国科技企业和研究机构加起来，一共发表了582篇论文。过去常有声音吐槽中国互联网公司只会做商业模式微创新，不重视底层基础研究，这次ICLR 2026的数据，彻底打破了这种刻板印象。

可以说如今中国AI发展，早就不再依赖个别天才的偶然突破，而是形成了一套精密、庞大、高度体系化的持续研发体系。

不过，在这份亮眼的数据背后，我们也需要看清客观存在的差距。

比如虽然总数量我们已经实现反超，但在仅占总收录量4%的Oral（口头报告，这类论文一般代表最具原创性和启发性的研究方向）论文中，美国机构占比约为40%，中国占比为30%。

我们在工程化落地和规模化产出上已经拥有绝对的规模优势，而美国在开辟全新研究方向上，依然保持着相对领先，这也是当前中美AI发展比较真实的现状。

硅谷科研偏向AGI探索，中国AI实验室更务实落地

如果说热力图是宏观的行业现状报告，那艾伦人工智能研究所（AI2）知名研究员Nathan Lambert在今年5月，对北京、杭州等地AI企业的36小时走访调研，就是一次深入的微观观察。

他走访了智谱AI、月之暗面、阿里千问、美团、小米、零一万物等多家中国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，在硅谷引发了大量讨论。他发现了中国大模型能和美国形成抗衡的核心逻辑：极低的组织内耗，以及极度务实的研究者群体。

文章链接：https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs

在Lambert看来，美国顶级实验室普遍存在一个明显的问题：研究者个人自我意识太强。

训练大模型是极其复杂的系统工程，从数据清洗、分布式通信优化到强化学习对齐，每个环节都需要团队成员互相配合妥协。但在硅谷，很多知名研究员都有强烈的个人偏好，不愿意让步。

有传闻说Meta的Llama团队就曾经因为技术路线分歧出现动荡，核心研究者各自坚持自己的方向，都想把模型往自己主导的方向推进。反观中国的AI实验室，Lambert发现这里的研究者格外务实。

研究者们不会纠结谁的方法听起来更高级，所有人的目标都高度一致：只要能提升模型的某项指标，再枯燥琐碎的工作也有人愿意做，这种务实性把团队的内耗降到了最低。

Lambert还总结了这种文化带来的具体优势：团队更愿意做不起眼的基础工作提升模型整体效果；新人没有经历过过往AI炒作周期，能更快适应最新技术路线；个人意识弱，组织架构可以比较平稳地扩围；同时拥有大量能在现有方案基础上攻坚突破的人才储备。

更让Lambert惊讶的是，在美国顶级实验室里，实习生通常只能接触边缘项目，但在中国，在读硕士和博士可以深度参与核心大模型的研发工作。Lambert敏锐地指出了这种模式的核心优势：没有历史路径依赖。

大模型的技术路线迭代速度非常快，资深科学家往往会受过往研究的路径依赖影响，认定自己研究了十几年的老方法才是正确方向，但中国年轻研究者不一样，只要有数据证明新路线效果更好，他们可以立刻放弃旧方案，快速切换赛道。

值得一提的是，Lambert发现中国AI行业内部的氛围比外界想象的更和谐，各家实验室私下交流都充满尊重，所有中国实验室都认可字节跳动和它的豆包模型，因为字节是中国少有的站在技术前沿，同时坚持闭源研发的机构。同时几乎所有实验室都认可DeepSeek，认为它是研究判断和执行水准都非常顶尖的团队。

这次调研里还有一个细节值得关注：在硅谷，顶尖AI研究员不只是工程师，很多还会扮演半个“哲学家”的角色，他们喜欢在播客上讨论“通用人工智能AGI会不会在2030年毁灭人类”，频繁探讨AI安全和伦理边界这类宏大命题。

于是Lambert也试探着询问中国AI研究者，对AI的经济影响和长远社会风险的看法，得到的不是长篇大论的讨论，反而是普遍的困惑——这类“AI毁灭人类”的宏大命题，目前并不在他们当下的工作范围内。

这种对空泛宏大叙事的“不关心”，反而成了一种竞争优势，减少了团队在哲学讨论上的内耗，让所有脑力都集中在工程落地和指标突破上。

在中国的AI实验室里，导师、博士生和企业工程师之间形成了极短的反馈回路。

这种模式打破了学术界和工业界之间的壁垒，正如Nathan Lambert观察到的：这种低内耗的组织模式，让中国AI拥有了极快的推进速度——只要方向确定，就能依靠密集的智力投入快速抹平技术差距。

当然，这套模式在当前的发展阶段非常有效，但随着规模扩张的红利逐渐见顶，下一阶段AI发展的核心壁垒，终究会回到“原始创新能力”的较量上。

到那个时候，高密度的人才协同网络，和敢于打破现有框架的原创者，会是AI发展下半场缺一不可的两个关键。