本文来自微信公众号： APPSO ，作者：发现明日产品的，原文标题：《中国拿下这届 AI 顶会半壁江山，清华一家单挑斯坦福加 MIT》
全球AI顶会，快成中国卷王的专场了。
每年AI顶会放榜，各大机构都会暗戳戳地发喜报，比拼谁家被收录的论文多。但今年ICLR（国际学习表征会议）放榜后，一位名叫Dmytro Lopushanskyy的研究员，干了一件极其硬核的事。
他没有去引用官方那些现成的统计表格，而是写了整整250条正则表达式，把ICLR 2026全部5356篇接收论文的PDF挨个下载下来。
接着，他硬是从每篇论文首页的缝隙里，把机构署名全给抠了出来，并利用这几百条代码规则进行清洗与归一化，自动给「麻省理工」和「MIT CSAIL」这种同一机构的不同写法做了合并。
为什么要用这种最原始的手工分类法？
因为这老哥发现，我们平时习惯引用的那些学术统计平台数据，都是按「人」来追踪的。举个例子，一个在清华苦熬四年读博的学生，发了篇极具含金量的论文，毕业后去斯坦福当了教授。你猜怎么着？系统一刷新，这篇在五道口诞生的论文，就自动变成了斯坦福的学术产出。
开发者把原始数据打包在Github，🔗https://github.com/DmytroLopushanskyy/iclr2026-affiliations
这种偏差，长期以来硬生生压低了中国机构的实际贡献，同时虚抬了美国的数字。而当Dmytro用96%的解析成功率，把去伪存真后的真实数据画成一张热力图后，我们才得以一观真实数据的全景图。
一张学术热力图，看懂中美AI的真实格局
别的不说，这组数据确实很有冲击力。
这张图上中国机构面积之大，超出了很多人的预期。其中中国大陆机构，贡献了43.7%的接收论文。美国呢？31.9%。
如果你把中国香港（7.7%）算进来，本届ICLR超过一半的论文署名机构，全都来自中国。至于老牌的欧洲列强？整个欧洲大陆加起来才5.3%，甚至比不过新加坡（5.5%）这一个国家的产出。
更有意思的是具体机构的排名。
今年，清华大学以332篇的产量登顶全球单一机构第一。这是什么概念？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超级名校的总和。紧随其后的上交、北大、浙大，也全都稳坐全球第一梯队。
不止高校阵营，国内产业界的科研表现同样亮眼。
阿里、上海AI实验室、华为、字节、腾讯，这五家中国科技公司/研究机构加起来发了582篇论文。有些媒体以前老爱吐槽中国互联网公司只懂商业模式微创新，不懂底层研究。这次ICLR 2026的数据一出，算是打破了这个刻板印象。
说白了，中国AI早就不是靠一两个天才的灵光一现，而是变成了一套精密、庞大、高度体系化的研发引擎。
不过，在这些令人振奋的数据背后，我们也不能忽视客观存在的指标。
比如虽然我们在总数上超越，但在仅占接收总量4%的Oral（口头报告，通常代表最具原创性和启发性的方向）论文里，美国机构依然占了约40%，而我们是30%。
我们在工程化扩展上占据了绝对的规模优势，而美国在定义新方向上依然保有相对领先。这也是中美AI之间相对真实的现状。
硅谷的科研AGI，与中国实验室的极致务实
如果说热力图是一份宏观体检报告，那艾伦人工智能研究所（AI2）知名研究员Nathan Lambert今年5月来北京、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，回国后写了篇关于中国AI实验室内部观察，并在硅谷引发了大量讨论。他看到了中国大模型能跟美国五五开的底层逻辑——极低的组织摩擦和极度务实的年轻人。
🔗https://www.interconnects.ai/p/notes-from-inside-chinas-ai-labs
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）太强了。
训练大模型是一项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，每个环节都需要互相妥协。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团队就曾因为路线之争经历过动荡，大佬们各自为政，都想把模型往自己主导的方向推进。反观中国实验室，Lambert发现这里有一种异于寻常的务实。
研究员们不在乎谁的方法听起来更高级，大家的目标高度一致：只要能把模型的某个指标提上去，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。
Lambert还归纳了这种文化倾向具体带来的优势：更愿意做不起眼的基础工作来提升最终模型；刚入行的人没有经历过以前几轮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，私下交流满是相互尊重，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边界之内。
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。