ICML 2026前瞻：投稿翻倍背後，機器學習正在換擋

### ICML 2026 前瞻：投稿量翻倍背後的機器學習轉型信號

第43屆國際機器學習大會（ICML 2026）即將於七月在韓國首爾COEX會展中心登場，本屆主題定為「Machine Learning for the Real World」，凸顯機器學習從學術研究走向真實場景的強烈企圖。根據電腦科學會議統計看板CS Conf Stats的最新數據，今年投稿量達到驚人的23,918篇，較去年翻倍成長，最終錄取6,352篇，接受率維持在26.6%，與去年幾乎持平。在投稿量暴增的同時維持接受率，意味著會議正在主動擴張規模，也反映出全球機器學習研究能量正處於爆發階段。 今年兩項制度調整尤其值得關注，它們大幅提升了學術社群的透明度。首先，參會展示改為可選，錄取論文作者可選擇僅以論文集形式收錄，但仍享有同等獎項參評資格；其次，原始投稿版本將連同匿名評審意見、作者反駁及審稿討論內容一併公開。這些改革不僅讓評審過程更公開，也為後續研究提供了寶貴的參考素材，對提升學術誠信與可重現性有深遠意義。 從論文關鍵詞的分布來看，機器學習的技術重心正在經歷明顯換檔。強化學習（RL）以886篇論文躍居第一大方向，其中PPO系列佔201篇，而DeepSeek-R1背後的GRPO技術更被多次引用與變體化，顯示中國團隊的工作正系統性地進入國際視野。LLM相關論文佔錄取論文近20%，若加上對齊、安全、Agent等間接方向則超過30%，但研究焦點已從「堆參數」轉向「堆思考」。多篇論文探討在推理階段投入更多計算資源是否優於單純增大模型，例如引入蒙地卡羅樹搜索（MCTS）的預算感知策略，或從資訊論角度分析隱式思維與顯式思維鏈的界線。這些工作共同指向一個核心命題：當模型已經夠大，下一步該怎麼做？ AI安全研究同樣迎來理論化轉折，114篇論文使其成為第三大熱門方向。今年六位特邀演講者中有三位直接從事AI安全、對齊或社會影響研究，顯示學術界對安全議題的重視已從點狀討論升級為系統性攻防。從越獄攻擊的激活引導到自適應攻擊，研究者正系統化揭露LLM的脆弱性邊界；而對齊方法如DPO變體雖持續湧現，但也有論文開始追問對齊是否可能損害模型的推理能力與置信度校準——這已不僅是優化問題，更是影響模型可靠性的基礎命題。 模型壓縮與擴散加速並行發展，背後反映的是產業級的焦慮：大模型太貴。116篇模型壓縮論文中，KV快取優化成為最熱門子話題，從關鍵token選取到快取複用策略，研究者試圖解決LLM推理的核心記憶體瓶頸。MoE架構創新同樣活躍，包括可微最優傳輸驅動的Dense到MoE轉換、正交增長策略等，目標都是在不犧牲品質的前提下降低成本。與此同時，擴散模型用於文字生成的速度劣勢正被自適應快取、並行解碼、熵感知分束等方法逐步縮小，顯示效率與能力之間的競賽仍激烈進行。 值得特別關注的是AI for Science與具身智能兩個領域的爆發式成長。AI for Science方向約860篇論文，佔總量13.5%，從基因組序列基礎模型到形式化數學自動證明，AI已從輔助工具變成科研的主體參與者。具身智能約420篇，增長勢頭最猛，例如史丹佛團隊提出的VLAW方法讓視覺-語言-動作策略與世界模型迭代協同改進，在真實世界操作任務中實現顯著性能提升。這代表機器學習正在從虛擬環境真正走進物理世界，對產業界而言是最值得跟蹤的信號之一。 中國研究者在今年ICML的存在感顯著提升。UIUC教授張潼擔任大會主席，是ICML史上首位華人主席；北京大學、上海交通大學各有9篇高水平論文入選，浙江大學3篇。企業方面，騰訊、阿里、字節、百度、華為均有論文被接收，且涉及核心演算法創新。最關鍵的信號是DeepSeek-R1的影響力：數十篇錄取論文在正文中直接引用其工作，顯示中國研究者正從「跟隨者」轉變為「被引用者」。雖然美國在基礎理論、歐洲在機率方法仍有深厚積累，但這個結構性變化已明確發生。 對讀者而言，今年ICML無疑是一座分水嶺。投稿量翻倍代表AI研究生產力質變，範式從預訓練驅動轉向後訓練驅動；Position論文的湧現更顯示學術界開始反思實驗規範與可解釋性標準。雷峰網將派團隊前往首爾全程報導，讀者可鎖定後續的論文解讀、專家訪談與現場觀察，以中國視角判斷哪些方向真正值得產業投入。關注機器學習發展的從業者，不妨留意今年ICML上關於推理效率、安全理論化、以及具身基礎模型的最新進展——這些技術很可能在未來兩年內改寫產品與服務的定義。