人工智能研究中的主题相变：大规模证据与新兴主题的早期预警信号

arXiv cs.AI 论文
ai-research phase-transitions publication-analysis bibliometrics conference-papers trend-analysis emerging-topics

摘要

本文分析了2017至2025年间五场顶级AI会议（ACL、CVPR、ICLR、ICML、NeurIPS）的80,814篇论文，表明主要AI主题并非逐步增长，而是通过突然的“主题相变”推进。文章提出了一种用于检测此类相变的早期预警信号，并指出推理、智能体AI和多模态大语言模型是2028年前值得关注的主题。

arXiv:2606.12828v1 公告类型：新 摘要：人工智能领域的研究主题是逐步增长的，还是通过突然且可检测的跳跃推进的？通过分析2017年至2025年间五场顶级AI会议（ACL、CVPR、ICLR、ICML、NeurIPS）中接受的80,814篇主轨论文，我们发现主要AI主题是通过主题相变推进的：它们多年处于边缘地位，然后在一到三年内跨会议激增。大语言模型到2025年成为跨会议的主导主题，扩散模型以类似的突然性崛起，语言模型方法通过视觉语言模型进入计算机视觉领域，而强化学习则平稳复合，从而区分了真正的相变与普通增长。这一结构是我们的主要贡献：对AI研究如何重组的跨会议大规模特征刻画。然后我们探究相变在达到顶峰前是否会留下可检测的痕迹。我们定义了一个早期预警信号，即四个基于2017-2021年数据冻结的发表动态标准，并在2023-2025年相变样本外评估其表现，在13.5%基准率下获得27%的精确率和63%的召回率。将该信号应用于2025年数据，标记出推理与测试时计算、智能体AI、多模态大语言模型、检索增强生成和世界模型等主题，作为2026-2028年值得关注的方向。源代码已公开在GitHub上，网址为https://github.com/KurbanIntelligenceLab/ai-phase-transitions。
查看原文
查看缓存全文

缓存时间: 2026/06/12 08:53 

# 人工智能研究中的主题相变：大规模证据与新兴主题的早期预警特征

来源：https://arxiv.org/abs/2606.12828  
查看PDF (https://arxiv.org/pdf/2606.12828)

> 摘要：人工智能的研究主题是逐步增长的，还是通过突然、可检测的跃迁而推进的？通过分析2017年至2025年间来自五个顶级AI会议（ACL、CVPR、ICLR、ICML、NeurIPS）的80,814篇主会议录稿，我们发现主要AI主题经历了“主题相变”：在多年内保持边缘地位，随后在1至3年间跨会议爆发。大语言模型在2025年成为跨会议的主导主题，扩散模型的崛起同样具有突发性，而语言模型方法则通过视觉-语言模型跨界进入计算机视觉领域；相比之下，强化学习则是平滑累积的，这帮助我们区分了真正的相变与普通增长。这一结构是我们的主要贡献：大规模、跨会议地刻画了AI研究如何重组。随后，我们探究相变是否在达到峰值前留下可检测的足迹。我们定义了一个早期预警特征——基于2017-2021年数据冻结的四项出版动态标准——并在2023-2025年相变的样本外评估中获得27%的精确率和63%的召回率（基线率为13.5%）。将该特征应用于2025年数据后，它标记出推理与测试时计算、智能体AI、多模态大语言模型、检索增强生成和世界模型等主题，建议在2026-2028年间加以监测。源代码也已公开在GitHub上，此 https URL (https://github.com/KurbanIntelligenceLab/ai-phase-transitions)。

## 提交历史

来自：Rasul Khanbayov \[查看邮件 (https://arxiv.org/show-email/df3c5105/2606.12828)\] **\[v1\]** 2026年6月11日 星期四 02:47:41 UTC（1,215 KB）

相似文章

AI进展和建议

OpenAI Blog

OpenAI发布了一份关于AI进展和建议的立场文件，讨论了AI系统超越图灵测试里程碑的快速发展，对2026-2028年发现能力的预测，以及他们对安全和对齐研究的承诺，以应对AI能力不断增强的情况。