会议审稿基础设施能否跟上因智能体工具而增加的非垃圾研究数量？[D]
摘要
文章讨论了AI工具如何加速真正的机器学习研究，导致像ICLR 2027这样的会议投稿增加，并质疑审稿基础设施是否能跟上，提出审稿人可能也需要使用AI工具。
AI工具为我们带来了很多垃圾研究，但我不是在说这个。我说的是由于AI工具带来的真实生产力加速（例如，迭代那些需要多天繁琐编码的想法现在几小时内就能完成，快速重构LaTeX文档等）。此外，我相信你们大多数人都听说过AI证明/证伪各种数学猜想，没有理由这不会应用到机器学习理论研究中。因此，撇开AI生成的垃圾研究不谈，真正的机器学习研究贡献的步伐也在加速。最近，ICLR 2027收到了疯狂数量的投稿——混合了低质量工作和真正的贡献。随着生产力的爆发，我们计划如何应对增加的审稿量？我们是否开始鼓励审稿人也依赖智能体工具？否则，我看不出这如何可持续。
相似文章
同行评审已不堪重负——它能在人工智能时代生存吗？
文章探讨了同行评审系统如何艰难应对研究出版物和人工智能辅助论文的指数级增长，导致志愿审稿人不堪重负，并引发错误和延误，促使人们呼吁改革。
审核是AI生成工作的瓶颈吗？
本文探讨了加速起草的AI工具如何将瓶颈转移到审核阶段，并运用Goldratt的约束理论解释为什么审批能力限制了整体吞吐量。
我们是在优化 AI 研究以迎合录用标准，而非追求长远价值吗？[D]
一位研究人员批评了 AI 会议的录用文化，认为其过于注重取悦审稿人，而非产出具有长远价值的工作。他指出，当前普遍要求提供详尽的评估结果，但这些数据几乎不会被后续研究者再次验证。
NeurIPS 2026 AI生成的评审 [D]
关于在NeurIPS 2026中使用AI生成的评审的讨论，包括对提示注入的担忧，以及评审者在没有适当监督的情况下使用LLM却没有后果的问题。
为什么机器学习研究社区不限制每位作者的投稿数量？[D]
一位研究者质疑为什么机器学习社区不限制每位作者的投稿数量以管理评审质量，并引用了如安全（Security）和计算机体系结构（Computer Architecture）等其他领域的成功实践。