編輯｜Panda

AI 評(píng)審論文，到底靠譜不？

不同的人可能會(huì)有不同的答案，但毫無疑問，人們對(duì)于 AI 評(píng)審的接受度正在慢慢提升，一些頂級(jí)會(huì)議也在巨大論文投稿量壓力下開始推進(jìn)此事。舉個(gè)例子，ICML 2026 就已經(jīng)放寬了 AI 評(píng)審的要求，只是還不允許完全由 AI 執(zhí)行評(píng)審，參閱報(bào)道《評(píng)審用不用 AI，作者說了算？ICML 2026 全新評(píng)審政策出爐》。

前兩天，另一個(gè)同樣曾被巨量投稿壓得喘不過氣來的頂級(jí)會(huì)議 AAAI 2026 也給出了自己的嘗試。要知道，該會(huì)議 Main Technical Track 共接收將近 3 萬篇投稿，評(píng)審工程量非常大。參閱報(bào)道《AAAI-26 投稿量爆炸：近 3 萬篇論文，2 萬來自中國，評(píng)審系統(tǒng)都快崩了》。

具體來說，AAAI 官方聯(lián)合多所大學(xué)和研究機(jī)構(gòu)開展了一份試點(diǎn)研究：為 AAAI-26 會(huì)議的每一篇 main-track 投稿都生成了一個(gè) AI 評(píng)審結(jié)果。

至于結(jié)果，可能在很多人的意料之中：AI 的整體表現(xiàn)已經(jīng)勝過了人類?；蛘甙?AAAI 官方的說法是：「對(duì) AAAI-26 作者和程序委員會(huì)成員的大規(guī)模調(diào)查顯示，參與者不僅認(rèn)為 AI 評(píng)審有用，而且在技術(shù)準(zhǔn)確性和研究建議等關(guān)鍵維度上，實(shí)際上更偏好 AI 評(píng)審?！?/p>

• 報(bào)告標(biāo)題：AI-Assisted Peer Review at Scale: The AAAI-26 AI Review Pilot
• 報(bào)告地址：https://arxiv.org/abs/2604.13940

下面我們就來具體看看這份「AAAI-26 AI 評(píng)審試點(diǎn)」研究報(bào)告。

當(dāng)前 AI 領(lǐng)域面臨的評(píng)審難題

隨著 AI 技術(shù)的飛速演進(jìn)，傳統(tǒng)的科學(xué)同行評(píng)審制度正面臨著前所未有的負(fù)荷。無論是 Nature 還是 NeurIPS 等頂尖學(xué)術(shù)殿堂，近年來的投稿數(shù)量都在以驚人的速度激增。

然而，學(xué)術(shù)界賴以生存的評(píng)審機(jī)制卻幾乎停滯不前，重度依賴著人類專家們無償投入大量的心血與時(shí)間。

在審稿人資源日益緊缺、資深學(xué)者分身乏術(shù)的窘境下，維持論文評(píng)審的高質(zhì)量、評(píng)判標(biāo)準(zhǔn)的統(tǒng)一性以及出結(jié)果的時(shí)效性，變得越發(fā)捉襟見肘。

為了應(yīng)對(duì) AAAI 2026 創(chuàng)紀(jì)錄的海量投稿，大會(huì)組委會(huì)甚至迫不得已招募了超過 28000 名程序委員會(huì)成員，這一規(guī)模甚至達(dá)到了上一屆會(huì)議的三倍之多！

史無前例的大規(guī)模部署：一天內(nèi)完成兩萬份深層評(píng)審

在這樣一個(gè)亟需破局的時(shí)刻，AAAI 2026 AI 評(píng)審試點(diǎn)項(xiàng)目來了，其長篇報(bào)告事無巨細(xì)地披露了他們?nèi)绾卧谡鎸?shí)的頂級(jí)學(xué)術(shù)會(huì)議高壓環(huán)境中，利用前沿 LLM 對(duì)22977篇進(jìn)入全面評(píng)審階段的論文執(zhí)行了徹底的 AI 審查。

在此前的相關(guān)探索中，研究團(tuán)隊(duì)往往只能在隔離的模擬環(huán)境里，或者是挑選少量已經(jīng)發(fā)表的成熟論文來測(cè)試 AI 的審稿水平。

而這一次的 AAAI 2026 試點(diǎn)計(jì)劃，是整個(gè)學(xué)術(shù)界歷史上第一次在大型會(huì)議嚴(yán)苛的真實(shí)雙盲投稿流程中，直接引入且官方部署的 AI 生成式評(píng)審體系。

只要是順利進(jìn)入 AAAI 2026 評(píng)審第一階段的 22977 篇主流賽道論文，其作者和評(píng)委都會(huì)收到一份帶有明確 AI 標(biāo)識(shí)的評(píng)審意見。

會(huì)議組委會(huì)在實(shí)施該計(jì)劃時(shí)非常謹(jǐn)慎地確立了紅線：引入 AI 只是為了給整個(gè)流程提供更多維度的附加輸入，在此過程中沒有任何一位人類專家的審稿資格被算法所取代。此外，AI 生成的最終文檔里絕對(duì)不包含具體的評(píng)分?jǐn)?shù)值，也不會(huì)給出諸如「接收」或「拒稿」的硬性推薦判定。相反，高級(jí)程序委員會(huì)成員（SPC）以及領(lǐng)域主席（AC）在做裁決時(shí)，被鼓勵(lì)將 AI 挖掘出的問題與人類專家的意見相互印證，綜合把控論文的質(zhì)量并決定是否將其推進(jìn)到第二階段。

令人深感震撼的是這套 AI 平臺(tái)展現(xiàn)出的超高效率與成本控制。

報(bào)告給出了明確的算賬結(jié)果：在頂級(jí)會(huì)議的體量下全面鋪開 AI 評(píng)審在工程操作上是完全可行且輕松的，平攤到每一篇長篇學(xué)術(shù)論文上的計(jì)算成本居然不到 1 美元。

值得一提的是，作為此次大會(huì)的重要后援，OpenAI 為該項(xiàng)目無償提供了支撐全局的 API 資源贊助。在包含復(fù)雜代碼沙箱與外部搜索接口的多進(jìn)程工作流中，利用當(dāng)前處于一流水準(zhǔn)的 GPT-5 模型引擎，整個(gè)底層系統(tǒng)在短短不到 24 個(gè)小時(shí)內(nèi)就處理完畢了全部兩萬多篇論文的閱讀與批改。

AAAI-26 AI 評(píng)審系統(tǒng)和評(píng)審生成時(shí)間線

架構(gòu)解析：摒棄端到端生成，引入嚴(yán)苛的五步驗(yàn)證循環(huán)

早期的對(duì)比研究已經(jīng)敲響了警鐘，如果開發(fā)者圖省事，只是簡單地把長篇學(xué)術(shù)文檔丟給大模型并祈禱它直接吐出一份詳盡的審稿意見，得到的通常是浮于表面的廢話或者滿篇的幻覺。

汲取了這些教訓(xùn)后，研發(fā)團(tuán)隊(duì)精心構(gòu)建了一條結(jié)構(gòu)繁復(fù)、多環(huán)節(jié)嵌套的 LLM 工業(yè)級(jí)流水線。

考慮到頂級(jí)語言模型在處理超高分辨率像素圖像或異構(gòu)多模態(tài)文檔時(shí)存在吞吐限制，系統(tǒng)的前置節(jié)點(diǎn)會(huì)對(duì)每一份 PDF 稿件進(jìn)行統(tǒng)一的標(biāo)準(zhǔn)化預(yù)處理。其中所有的插圖均會(huì)被重新采樣至 250 DPI 以適應(yīng)顯存。由于之前的壓力測(cè)試暴露出純文本提取模式常常會(huì)導(dǎo)致模型災(zāi)難性地曲解深?yuàn)W的數(shù)學(xué)公式與多級(jí)表格，技術(shù)團(tuán)隊(duì)引入了針對(duì)性的 olmOCR，強(qiáng)行將原版 PDF 剝離并轉(zhuǎn)換為內(nèi)嵌精準(zhǔn) LaTeX 數(shù)學(xué)符號(hào)以及結(jié)構(gòu)化表格信息的 Markdown 文件。

在同時(shí)掌握了 PDF 視覺線索與 Markdown 文本之后，AI 評(píng)審系統(tǒng)便開始在五個(gè)核心科學(xué)審查艙內(nèi)同時(shí)運(yùn)作 ：

• 故事脈絡(luò)審視（Story）：嚴(yán)格考量作者的問題設(shè)定是否成立、文獻(xiàn)斷層的聲明是否真實(shí)、核心貢獻(xiàn)是否站得住腳，并判斷文中的證據(jù)鏈條是否能夠自圓其說。
• 表達(dá)與結(jié)構(gòu)掃描（Presentation）：對(duì)行文的清晰度、章節(jié)連貫性、語法可讀性進(jìn)行判別，審核復(fù)雜的技術(shù)語境是否易于同行理解。
• 實(shí)驗(yàn)評(píng)估核對(duì)（Evaluations）：激活內(nèi)嵌的 Python 代碼解釋器，像挑刺一樣審查文章選用的對(duì)標(biāo)基線、測(cè)試集、統(tǒng)計(jì)顯著性指標(biāo)，排查支撐核心主張的實(shí)驗(yàn)是否存在數(shù)據(jù)漏洞，并專門針對(duì)可重復(fù)性進(jìn)行拷問。
• 正確性推演（Correctness）：同樣依賴代碼沙箱的算力，強(qiáng)行推演并驗(yàn)證復(fù)雜的數(shù)理公式、邏輯證明、算法偽代碼以及圖表映射數(shù)據(jù)的絕對(duì)正確性。
• 意義與行業(yè)定位（Significance）：授權(quán)大模型連入定制的廣域網(wǎng)搜索引擎進(jìn)行跨庫文獻(xiàn)追蹤。為了防止信息污染，檢索權(quán)限被死死限定在相關(guān)頂會(huì)的正式發(fā)表文獻(xiàn)之中，排除一切非同行評(píng)審的預(yù)印本干擾，借此無情地評(píng)估文章的真實(shí)創(chuàng)新幅度并搜尋作者故意回避的對(duì)比實(shí)驗(yàn)。

當(dāng)這五大考驗(yàn)結(jié)束后，系統(tǒng)會(huì)將散落的見解重組，排版生成一份格式規(guī)整、結(jié)構(gòu)詳盡的初始審稿草稿。緊接著最關(guān)鍵的一步出現(xiàn)了：系統(tǒng)會(huì)啟動(dòng)「自我反省批判」模塊。

大模型會(huì)被命令轉(zhuǎn)變身份，死盯著自己剛剛寫出的草稿尋找毫無依據(jù)的指責(zé)、事實(shí)層面的誤判或者是與原論文自相矛盾的段落。最后，基于自我批判生成的修正清單，大模型會(huì)重寫并輸出最終定稿的 AI 評(píng)審報(bào)告。所有的底層對(duì)話日志、中間狀態(tài)檢查點(diǎn)以及調(diào)試報(bào)告均被永久留存，以備人類審計(jì)。

在報(bào)告最終推送給作者之前，還有一道基于 GPT-4o-mini 的質(zhì)量過濾網(wǎng)在靜默攔截。它專門負(fù)責(zé)篩查文本中是否由于大模型的疏忽而意外泄露了匿名的作者身份、是否存在侮辱性詞匯、是否夾帶了針對(duì)性別與地域的系統(tǒng)性偏見，或者結(jié)構(gòu)本身遭到了破壞。只有經(jīng)受住這樣的打磨，報(bào)告才能重見天日。

在六項(xiàng)關(guān)鍵對(duì)比中，人類被 AI 正面擊敗

無論系統(tǒng)的參數(shù)有多么華麗，真正的裁決權(quán)永遠(yuǎn)掌握在社區(qū)的廣大研究者手中。為了探明這場(chǎng)耗資巨大的試點(diǎn)的實(shí)際效用，研究團(tuán)隊(duì)向會(huì)議的所有利益相關(guān)方下發(fā)了追蹤問卷，最終成功回收了 5834 份反饋數(shù)據(jù)。

問卷內(nèi)置了九大衡量評(píng)審質(zhì)量的硬性黃金標(biāo)準(zhǔn)，受訪者需要在 5 分制的李克特量表上給出他們的評(píng)判。

最終的統(tǒng)計(jì)圖表揭示了一個(gè)令傳統(tǒng)學(xué)者略感不適的現(xiàn)實(shí)：在整整九項(xiàng)對(duì)照組中，AI 評(píng)審在其中六個(gè)維度上的均分無情地超越了由人類學(xué)者撰寫的報(bào)告。

更有趣的是，相較于挑剔的評(píng)審委員，那些被審稿的論文作者群體展現(xiàn)出了對(duì) AI 審查結(jié)果更強(qiáng)烈的偏愛。

調(diào)查回復(fù)：AI 與人工審核對(duì)比分析 (a) 及 AI 審核問題 (b)

具體而言，AI 在以下維度展現(xiàn)了壓倒性的優(yōu)勢(shì)（各項(xiàng)數(shù)據(jù)的 p-value 均展示出強(qiáng)悍的統(tǒng)計(jì)學(xué)差異）：

• 在精準(zhǔn)鎖定深層技術(shù)性錯(cuò)誤方面，AI 極其敏銳（均分領(lǐng)先幅度達(dá)到全場(chǎng)最高的 +0.67）。
• 拋出了作者在撰寫時(shí)陷入思維盲區(qū)、完全未曾顧及的重要反證（+0.61）。
• 為調(diào)整論述架構(gòu)和優(yōu)化論文圖表表達(dá)貢獻(xiàn)了實(shí)打?qū)嵉母倪M(jìn)指南（+0.54）。
• 就如何修補(bǔ)實(shí)驗(yàn)邏輯與強(qiáng)化研究設(shè)計(jì)輸出了建設(shè)性的技術(shù)意見（+0.49）。
• 對(duì)于 AAAI 這種級(jí)別的頂會(huì)而言，AI 產(chǎn)出報(bào)告的詳盡與徹底程度讓人類相形見絀（+0.48）。

當(dāng)然，機(jī)器目前絕非不可戰(zhàn)勝的完人。在剩余的三項(xiàng)考量中，受訪者依舊堅(jiān)持人類評(píng)委的卓越性。

數(shù)據(jù)表明，AI 往往容易陷入死胡同，把微不足道的細(xì)枝末節(jié)放大成致命問題（落后幅度為 -0.36）；在長篇大論中，大模型本身也存在一定的概率寫出存在技術(shù)漏洞的審稿詞（-0.22）；并且時(shí)不時(shí)會(huì)給出讓人啼笑皆非、毫無執(zhí)行價(jià)值的虛空建議（-0.11）。

最終，高達(dá) 53.9% 的受訪者認(rèn)為 AI 在此次史詩級(jí)的審稿環(huán)節(jié)中起到了十分有益的作用，而覺得機(jī)器在幫倒忙的人數(shù)僅占總體的 20.2%。更有 61.5% 的從業(yè)者表示，他們期待在未來漫長的學(xué)術(shù)生涯里繼續(xù)讓 AI 參與同行評(píng)審。

值得回味的是，盡管大家在測(cè)試前就有心理預(yù)期，依然有 55.6% 的參與者坦承，機(jī)器所展現(xiàn)出的技術(shù)穿透力已經(jīng)遠(yuǎn)遠(yuǎn)擊穿了他們認(rèn)知中的 AI 天花板。

輿情聚類洞察：優(yōu)勢(shì)與痛點(diǎn)的直接碰撞

跳脫出冷冰冰的打分，研究組還動(dòng)用高階大模型對(duì)回收的 320 份純文本主觀感言進(jìn)行了自然語言聚類解析，提煉出了當(dāng)前學(xué)界對(duì)于全面引入 AI 的最集中的五條贊譽(yù)以及五大詬病。

最受追捧的五項(xiàng)正面反饋：

• 直擊痛點(diǎn)的修改方略（5.3%）：AI 并不只是一味地開炮，它極為擅長將尖銳的抨擊就地轉(zhuǎn)化為邏輯嚴(yán)密、上手可操作的修改綱要。
• 驚人的閱讀廣度與細(xì)致度（5.2%）：機(jī)器不存在疲勞期，它全方位覆蓋每個(gè)邊角料細(xì)節(jié)的狂熱分析讓人類自嘆弗如。
• 技術(shù)漏洞捕獲器（5.0%）：頻繁從密密麻麻的推導(dǎo)中精準(zhǔn)揪出被幾位人類同行接連忽略的公式謬誤。
• 冰冷的絕對(duì)客觀（4.3%）：AI 不存在學(xué)術(shù)門派之爭(zhēng)，情緒絕對(duì)穩(wěn)定，它的介入猶如一道護(hù)城河，有效稀釋了由于個(gè)別審稿人帶有主觀偏見或故意打壓異己而造成的不公。
• 語法與版式優(yōu)化（4.2%）：對(duì)各種拼寫隱患、時(shí)態(tài)錯(cuò)亂以及圖片排版的不規(guī)整進(jìn)行降維打擊。

備受指責(zé)的五項(xiàng)主要短板：

• 宏觀格局與科學(xué)嗅覺極其缺失（9.1%）：這是當(dāng)前機(jī)器不可逾越的鴻溝。它們?cè)谂卸ㄒ豁?xiàng)研究是否具備劃時(shí)代的行業(yè)破壞力或者隱秘的巨大科學(xué)收益時(shí)，常常顯得笨拙。
• 鉆牛角尖與吹毛求疵（8.5%）：經(jīng)常會(huì)因?yàn)閹滋幉灰?guī)范的格式而寫下長篇大論，導(dǎo)致審稿報(bào)告主次顛倒，讓真正重要的邏輯瑕疵被掩蓋。
• 信息量溢出引發(fā)大腦宕機(jī)（8.3%）：一份長達(dá)數(shù)頁、包含了幾十項(xiàng)細(xì)微質(zhì)疑的報(bào)告，實(shí)際上極大地增加了被審稿人和審閱主席的處理負(fù)擔(dān)。
• 災(zāi)難性的事實(shí)誤讀（7.7%）：在面臨最前沿的未解領(lǐng)域或者處理繁復(fù)的多級(jí)張量方程式時(shí)，LLM 依然會(huì)徹底弄反原本的意思。
• 淺嘗輒止的領(lǐng)域底蘊(yùn)（7.6%）：無法做到像在這個(gè)狹窄細(xì)分領(lǐng)域苦熬了十多年的專家那樣，一針見血地指出文章與十年前某項(xiàng)不起眼技術(shù)的潛在關(guān)聯(lián)。

一位選擇匿名的研究者在反饋框中敲下了這樣一段話：「我對(duì)這套系統(tǒng)的徹底性感到戰(zhàn)栗。它找到了那些容易被人類視覺過濾掉的深層技術(shù)空洞，并且毫不費(fèi)力地甩出了最為對(duì)口的參考引用。它的冷酷保證了沒有主觀成見。然而，它缺乏一種直覺，一種只有在實(shí)驗(yàn)室里泡了無數(shù)個(gè)日夜的學(xué)者才能擁有的靈氣。面對(duì)那些稍微偏離了正統(tǒng)范式但蘊(yùn)含著驚人潛力的奇思妙想時(shí)，AI 只會(huì)呆板地打壓?！?/p>

這位學(xué)者最后建議，在未來，應(yīng)該把文獻(xiàn)海選、技術(shù)合理性普查這種「臟活累活」全權(quán)剝離給機(jī)器，從而讓人類評(píng)委能夠?qū)Ｗ⑷テ疯b論文的靈魂與對(duì)真實(shí)世界的沖擊力。

為了確保大模型不是在信口雌黃，團(tuán)隊(duì)還抽查了 100 份 AI 生成的報(bào)告，利用 GPTZero 追查其中的 1356 處外部學(xué)術(shù)文獻(xiàn)引用。

令人咋舌的是，經(jīng)過嚴(yán)苛對(duì)比，高達(dá) 1346 處引用被證實(shí)完美存在，精準(zhǔn)匹配了發(fā)表渠道、掛名作者及原始標(biāo)題，戳破了所謂 AI 必然瘋狂產(chǎn)生引用幻覺的坊間傳聞。

其中那 2 個(gè)被檢測(cè)工具判為偽造的孤例，經(jīng)人類排查后證實(shí)，一個(gè)只是引用了企業(yè)級(jí)未公開說明書而非學(xué)術(shù)刊物，另一個(gè)則僅僅是模型搞混了首發(fā)的會(huì)議縮寫。

創(chuàng)立 SPECS 基準(zhǔn)：給機(jī)器做一場(chǎng)學(xué)術(shù)級(jí)「病理切片」

光靠問卷發(fā)聲還不夠硬氣。為了用鐵證說明這套復(fù)雜的多引擎流水線確實(shí)秒殺了直接套殼大模型的普通做法，專家組耗費(fèi)巨資打造了一個(gè)名為 SPECS 的變態(tài)級(jí)科研測(cè)謊基準(zhǔn)。

想要通過傳統(tǒng)的文本相似度來衡量上萬字的開放式審稿質(zhì)量無異于癡人說夢(mèng)。于是，團(tuán)隊(duì)參考了曾經(jīng)的 FLAWS 思路，采取了主動(dòng)投毒的策略。他們將目光鎖定了上一屆 AAAI 2025 那些已經(jīng)大放異彩的優(yōu)秀論文，從中挑選出能在本地通過底層編譯的 LaTeX 原始項(xiàng)目。緊接著，研究員命令另一個(gè)大模型作為「黑客」，往這些完美的論文源碼里惡意下毒，精準(zhǔn)注入了涵蓋故事破裂、文字排版災(zāi)難、實(shí)驗(yàn)作假缺失、邏輯公式篡改以及刻意拔高意義這五大維度的「隱性學(xué)術(shù)癌細(xì)胞」。經(jīng)過重編譯后，這批攜帶著致病基因的偽裝 PDF 被當(dāng)做絕密試卷分發(fā)了下來。

在這張布滿陷阱的試卷上，一頭是只有簡陋提示詞的通用大模型，另一頭則是部署了 AAAI 2026 全套武庫的多階段 AI 系統(tǒng)。作為裁判的更強(qiáng)力模型死死盯著它們交上來的審稿書：只有在密密麻麻的文字中精準(zhǔn)點(diǎn)名道姓地揪出被注入的特定隱患，并且截取出了對(duì)應(yīng)原文作為確鑿證據(jù)，才算有效得分。

結(jié)果毫無懸念：單薄的通用基線模型像無頭蒼蠅一樣，在各項(xiàng)漏洞檢測(cè)上的平均召回率僅有可憐的 0.4291。而那套武裝到牙齒的最終流水線以碾壓之勢(shì)取得了 0.6386 的驚人戰(zhàn)績，查錯(cuò)效能凈提升了 0.20 以上。

特別是在拆穿「虛假的故事線」以及挖出「實(shí)驗(yàn)評(píng)估漏報(bào)」這兩大重災(zāi)區(qū)，新系統(tǒng)更是如同開了透視外掛，得分狂飆了 0.3203 與 0.2390。這些數(shù)據(jù)證明：只有依靠解構(gòu)、深潛、驗(yàn)證再重塑的高能工作流，才能真正逼出 LLM 的科學(xué)推理極限。

結(jié)語

通讀這份 AAAI 2026 AI 評(píng)審試點(diǎn)總結(jié)，我們能夠捕捉到一個(gè)明確信號(hào)：利用當(dāng)前位居行業(yè)頂點(diǎn)的多模態(tài)大模型矩陣來協(xié)管繁重的科學(xué)文獻(xiàn)評(píng)審，在技術(shù)執(zhí)行面上不僅綽綽有余，并且確實(shí)能夠以更低成本為陷入泥潭的學(xué)術(shù)圈帶來巨大的杠桿效應(yīng)。

當(dāng)然，這絕不意味著我們可以肆無忌憚地交出方向盤。

在激烈的爭(zhēng)論中，一部分學(xué)者基于原則發(fā)出了最嚴(yán)厲的警告。他們憂慮地指出，如果對(duì)這種力量不加節(jié)制，AI 的過度滲透將會(huì)不可逆轉(zhuǎn)地腐蝕掉同行評(píng)審這一制度背后最寶貴的人性溫度與學(xué)界信任契約。

更有從業(yè)者預(yù)言，這種便利可能會(huì)溫水煮青蛙一般，使得新一代評(píng)審委員退化掉本該敏銳的學(xué)術(shù)嗅覺；同時(shí)這也將倒逼論文作者們拋棄追求真理的初衷，轉(zhuǎn)而花費(fèi)大把精力去鉆研如何修改排版以諂媚 AI 的隱性偏好。

更有甚者擔(dān)憂，大模型長篇大論的報(bào)告極具魅惑力，極易讓那些想要偷懶的主席在沒有親自下場(chǎng)閱讀的情況做出無可挽回的錯(cuò)誤裁決。

但歷史的車輪滾滾向前。問卷數(shù)據(jù)以及龐大的開發(fā)者日志都在反復(fù)佐證一個(gè)事實(shí)：機(jī)器的硅基心智與人類的碳基智慧，注定要在未來的科學(xué)前沿更加密不可分。

你的 AAAI 2026 論文收到了怎樣的 AI 評(píng)審？