顶会投稿量暴涨近一倍，AI用不到一天审完2.3万篇论文，学者说：它比人审得好
如果告诉你，你投给顶会的论文，会有一个AI来审，你会怎么想？
这不是科幻小说。2026年4月15日，AAAI（人工智能促进协会）年会发布了一份重磅研究报告：AAAI-26首次大规模部署AI辅助审稿，22,977篇投稿论文，每一篇都收到了一份由AI生成的评审意见。
结果出人意料——参与调查的学者们不仅觉得AI审稿有用，而且在多个关键维度上，他们更偏好AI评审而非人类评审。
一、为什么需要AI来审稿？因为人真的忙不过来了
AAAI-26的初始投稿量突破了30,000份，进入完整评审流程的论文为22,977篇——这个数字几乎是2025年的两倍（AAAI-25为12,957篇）。
这不是AAAI独有的烦恼。NeurIPS 2025收到了近3万篇投稿，CVPR、ICLR、ICML也无一例外，投稿量屡创新高。
投稿量翻倍意味着什么？
意味着需要更多的审稿人。AAAI-26为此招募了超过28,000名项目委员会成员、高级项目委员会成员和领域主席——几乎是前一年的三倍。意味着每位审稿人被分配了更多论文，审稿周期被压缩，经验不足的审稿人也被拉来“救火”。
压力之下，传统的同行评审体系正在承受前所未有的考验。
正是在这个背景下，AAAI-26启动了AI辅助审稿试点项目——这是全球首次在大型学术会议上，对真实投稿进行大规模AI生成评审的实地部署。
二、AI是怎么审稿的？一套“流水线”式的专业系统
你可能以为AI审稿就是把论文丢给ChatGPT让它写几句评语。AAAI-26的系统远比这复杂。
研究团队（来自德克萨斯大学奥斯汀分校、阿尔伯塔大学、密歇根大学等机构）开发了一套多阶段、多工具的AI审稿流水线。
第一步：论文预处理
系统将PDF论文中的所有图像重采样到250 DPI分辨率，然后用专门的OCR工具olmOCR将论文转换为markdown格式，保留LaTeX公式和表格结构。这样AI才能“读懂”论文。
第二步：五个核心评审维度
系统将评审任务拆解为五个专业阶段：
阶段 |
评估内容 |
故事（Story） |
研究问题是否有意义、逻辑是否清晰 |
呈现（Presentation） |
论文是否可读、结构是否连贯 |
评估（Evaluations） |
实验和基线是否充分 |
正确性（Correctness） |
方程、算法、结论是否站得住脚 |
重要性（Significance） |
相对于已有工作是否有价值 |
每个阶段都有专门的提示词。评估和正确性阶段还配备了Python代码解释器，让AI能够执行代码片段、验证数学推导。重要性阶段则配有网络搜索工具，可以查询相关领域的已有工作。
第三步：自我批评与最终修订
生成初步评审后，系统会进入自我批评阶段——检查评审中是否存在无根据的主张、缺失的细节或前后矛盾。然后根据自我批评的结果修订生成最终评审。
整个系统使用OpenAI的GPT-5模型构建，具有400,000个token的上下文窗口。所有API调用在零数据保留协议下进行，资金来自OpenAI的API积分实物捐赠。
这套系统在不到24小时内，处理了全部22,977篇论文。每篇论文的成本不到1美元。
三、AI审得怎么样？数据给出了意外答案
为了评估AI审稿的质量，AAAI-26对作者、审稿人、高级程序委员会成员和领域主席进行了大规模调查，共收到5,834份有效回复。结果令人惊讶。
在9项评估标准中，AI评审在6项上获得了比人类评审更高的偏好评分，包括：
● 识别技术错误：AI领先+0.67分
● 提出之前未考虑过的问题：领先+0.61分
● 改进呈现方式的建议：领先+0.54分
● 研究设计改进建议：领先+0.49分
● 整体全面性：领先+0.48分
调查还显示：
● 53.9%的受访者认为AI评审有用
● 61.5%的受访者预期AI评审在未来同行评审中有用
● 55.6%的受访者表示AI评审展示了超出预期的能力
在SPECS基准测试（评估AI评审系统在故事、呈现、评估、正确性、重要性五个维度识别科学弱点的能力）中：
系统类型 |
弱点检测召回率 |
简单LLM生成评审 |
42.9% |
AAAI-26多阶段AI系统 |
63.9% |
提升幅度 |
21个百分点 |
这说明：架构设计比模型大小更重要。一个精心设计的多阶段流水线，远胜于简单的“把论文丢给大模型”。
四、AI不是来抢饭碗的——人类仍然在掌舵
看到这里，你可能会担心：AI是不是要取代审稿人了？
AAAI-26的答案是否定的。这个项目的核心设计原则是：不取代任何人类审稿人。
具体来说：
● AI评审是在第一阶段审稿中添加的，与至少两位人类评审并行
● AI评审不包含任何分数或推荐意见——它只提供分析性反馈
● 最终决策完全由人类控制（领域主席和高级程序委员会成员）
AAAI-26项目负责人、德克萨斯大学奥斯汀分校副教授Joydeep Biswas明确表示：“AI评审的目的是为同行评审过程提供额外输入，而不是替代人类的判断。”
这与参会者的感受一致。学者们普遍认为人机协同审稿是未来的方向——AI负责初筛、技术核查、格式检查，人类聚焦于创新性判断、重要性评估和伦理考量。
五、AI审稿的局限：能看清树木，但可能错过森林
当然，AI审稿并不完美。研究团队也坦诚地列出了当前系统的局限性：
1. 过分强调小问题：受访者认为AI评审比人类评审更可能过分强调次要问题
2. 评审偏长：AI生成的评审往往比人类评审更长（不过这个问题相对容易通过控制输出长度来改进）
3. 难以评估新颖性和重要性：这是人类评审仍然占优的领域
4. 复杂格式解析仍有错误：特殊图形、复杂表格仍可能导致OCR错误
5. 偶尔包含错误或不切实际的建议：比人类评审略多
一位受访者在定性反馈中写道：“AI帮我发现了三处我漏掉的实验细节问题，但它仍然需要我来判断：这些问题到底有多严重？”
用一句话总结：AI能数清每一棵树，但可能看不到森林的全貌。
这正是人机协同的价值所在——让AI做它擅长的事（系统性检查、一致性验证、技术细节核查），让人类做人类擅长的事（战略判断、创新性评估、上下文理解）。
六、这项实验意味着什么？
AAAI-26的AI审稿试点，是学术同行评审历史上的一个里程碑。
它证明了：在真实会议规模下，AI系统已经能够生成技术上可靠、对学者真正有用的评审意见。 22,977篇论文、不到24小时、每篇不到1美元——这些数字意味着，AI可以帮助学术界破解“投稿量暴涨但审稿人不够”的困局。
但它也划清了边界：AI是助手，不是替代者。最终的学术判断，仍然需要人类专家的智慧。
正如AAAI-26项目组在论文中所写：“最先进的AI方法已经能够为会议规模的科学同行评审做出有意义的贡献，为下一代用于评估研究的协同人机团队合作开辟了道路。”
人机协同的同行评审时代，正在到来。
AAAI 的试点证明了一件事：通用模型需要经过精细调整，才能在真实学术任务中变得可靠。而这恰好也是 LlamaFactory Online 一直在解决的问题——只不过场景不限于审稿，而是让更多人能以更低成本把大模型微调到自己的特定任务上。
