当 AI 让写论文变得更快，学术会议首先感受到的不是繁荣，而是窒息。
发生了什么
据 The Decoder 报道，ICLR 2027 在摘要截止前已收到约 5 万篇投稿摘要，而 ICLR 2026 同期约为 1.95 万篇。短短一届之间，投稿规模翻了不止一倍。报道将这股洪流归因于三点：AI 热潮带来的研究涌入、企业将绩效考核与发表记录挂钩，以及最关键的一点——AI 让批量产出论文变得前所未有地容易。
需要注意的是，摘要提交只是投稿流程的前置环节，最终正式论文数量通常会低于这一数字。但摘要量本身已是观察趋势的先行指标。
为什么重要
ICLR 是深度学习领域最具影响力的会议之一，其投稿量长期被视为研究方向与热度的风向标。过去十年，顶级 AI 会议的投稿量本就处于持续膨胀的通道中，而生成式 AI 的普及把这条曲线又向上推了一把。
问题在于，会议的承载能力并没有同步扩张。评审依赖的是有限的自愿审稿人，他们同样是研究者，同样被论文洪流裹挟。投稿量翻倍意味着每篇论文能分到的审稿注意力被稀释，评审质量下滑几乎是必然结果。而评审质量下降，又会反过来削弱会议作为学术筛选机制的公信力。
更深层的矛盾是激励结构。当发表数量与职业晋升、企业考核直接绑定，投稿动机就从"分享有价值的研究"部分偏移为"完成产出指标"。AI 工具恰好为这种偏移提供了低成本通道——它降低了写作与润色的门槛，却没有降低研究本身的难度。
影响与看点
对研究者而言，最直接的变化是"被看见"的难度上升。在 5 万篇摘要的池子里，即便是扎实的工作，也可能因为评审资源不足而被草率对待。
对会议组织方而言，压力将集中在机制设计上：是否引入更严格的摘要筛选、投稿数量上限，或借助 AI 辅助初筛？这些方案各有代价——AI 审 AI 的循环，本身就存在偏见与误判风险。
对行业来说，这暴露了一个被忽视的副作用：AI 提升的是生产效率，但学术评价体系衡量的是稀缺性。当生产端被无限加速，而评价端仍依赖人力，失衡只会加剧。
一个值得关注的判断是：投稿量的暴涨未必代表研究繁荣，它更可能是一次激励扭曲与工具红利叠加后的统计幻觉。真正的问题不是"论文太多"，而是"筛选机制还停留在论文稀缺的时代"。
