剛過去不久的 ICML 大會，可能是最近幾年最熱鬧、也最「迷茫」的一次 AI 頂會。

ICML 的全稱是國際機器學習大會，從 1980 年辦到今天，和 NeurIPS、ICLR 並稱 AI 界的三大頂會。全世界 AI 研究的最新進展，大多要先在這三個會上露面，接受同行的審視。

今年的會議辦在韓國首爾，全球 AI 的關鍵玩家，難得湊得這麼齊。不用像去美國那樣有簽證的麻煩，中國 AI 界這次來了大半，主要的大模型團隊幾乎都有人在場。今年 OpenAI 第一次設了獨立展台，Google DeepMind 一家就來了上百人，歐洲的 Mistral 也派了人。

每年的 ICML，年輕 researcher 扎堆，向來是各大廠搶人的重要場合。輝達、亞馬遜、Meta，國內的阿里、快手、字節、騰訊，照例都設了 HR 專場；連 Jane Street、Citadel 這些量化機構，也專程來搶同一批人。

最戲劇性的交鋒發生在 OpenAI 與 Anthropic 之間。OpenAI 不僅安排了很多分享，還請來歌手金請夏表演。我在 X 上刷到，有受邀嘉賓因為想看 K-Pop，放棄了 Anthropic 的晚宴邀請，去了 OpenAI 的活動。

Anthropic 的研究員對此回應：「我們邀請他們參加招聘晚宴，那是一種特權。如果他們因為 K-Pop 而選擇了 OpenAI 的活動，那他們對 AGI 就不夠認真，可能也不適合我們的文化。」

OpenAI 今年在 ICML 上搞的 after party

我們也和被投企業 Aureka 一起，組了一場 AI4S 的 after party，請來了韓國女團 Kiss of Life。這個女團我真的沒聽過，我只能感受到 4 個團員，都 1 對 1 的有 BlackPink 的影子。神奇的是到場的 Anthropic researcher 和教授，不少都能叫得出這個女團的名字甚至作品。

最終這場 party，成為了 ICML 第一天全城最火的 party，報名人數竟然超過了兩千人，這個數字幾乎抵得上過去一屆 ICML 的總參會人數，可見這次大會的火爆程度。

今年也是歷史上最大的一屆 ICML：投稿 23918 篇，比去年的 12107 篇幾乎翻倍，最終錄用 6352 篇。

我們和被投企業 Aureka 一起，組了一場 AI4S 的 after party，請來了韓國女團 Kiss of Life，沒想到我第一次看女團跳舞，是在 ICML

但喧囂背後，我發現還有一層底色：迷茫。AI 行業的「強者恆強」，在今天已經到了誇張的地步。這幾天我見的很多朋友，都提到了「飽的飽死，餓的餓死」。

最頭部的模型公司，估值漲到了令人瞠目結舌的位置，大有「吃掉一切」的趨勢；而大多數人，都處在「餓死」的那一邊。

大家都想著別掉隊，拚命追趕，但也沒找到特別好的辦法。初心是星辰大海，可擺在眼前的選擇是：要不要先搞資料，先做那些馬上能換到錢的東西？很多人都卡在這道檻上，非常 struggle。

在 ICML 的這幾天裡，每一段超過半小時的對話，都會繞到同一個問題：面對越來越強大的模型，我的身位是什麼？

創業者在問，researcher 在問。說實話，我自己也在問：你在第幾條賽道上，領先誰半個身位，又落後誰一個身位？

前幾天剛到首爾，我就問起幾位老朋友的近況，幾位做 AI 應用方向的創業者，都不約而同的表達了一個類似的理論：

他們說我知道我的命運，最後會是被模型公司吃掉，只是不知道什麼時候。那我現在瘋狂創新、做產品、積累使用者 context，其實可以理解為一個 long horizon 的資料公司。等模型公司吃過來的那一天來了，我就從產品公司轉型成資料公司，把手裡的東西一賣，「這可能就是我的宿命」。

還有一些朋友，他們是非常有影響力的開源社區核心貢獻者。三四個月前我們見面時，個個熱血沸騰，摩拳擦掌準備創業。

但這次得到的回答是，他們都回大廠了。一位朋友說，做著做著發現故事講不通了，「面對大模型的宿命感太強了」。

熱血變涼，前後不過一個季度。當然這一個季度，確實也是模型公司不斷擴展邊界的時候。

我其實也挺感慨的，在模型越來越強大的今天，很多看似不錯的東西，結果證明都不行。大家從最初想顛覆模型公司，慢慢轉成了接受這樣的宿命。

資料生意，確實是眼下少數確定有商業模式的方向，因為全行業都在為一件事發愁：訓練和評估成本，漲到了離譜的地步。

字節內部有一個測模型自進化能力的 benchmark，如今完整跑一次要 1000 小時上下，花費 50-100 萬美金。這意味著兩件事：能拉開差距的題目已經這麼難，說明模型的起點有多高；測得起的玩家，一隻手數得過來。

同樣的事也發生在模型訓練上。今天模型進化的主流方法是強化學習（RL）：讓模型做題，做完給一個分數（reward），做對了鼓勵，做錯了懲罰，循環往復。早期的題目短，答案明確，比如寫一段程式碼，跑一下就知道對不對，訓練飛快。

但隨著模型越來越強，題目也必須跟著變長、變難、變開放。長到什麼程度？就像下兩個小時的棋，終局才告訴你贏沒贏，中間幾百步那一步下錯了，沒人知道。OpenAI 的首席研究官 Mark Chen 在 ICML 分享，一年前他們還僱人給模型出題，現在「如果 PhD 說模型錯了，往往是 PhD 錯了」。

這種長題目需要一個訓練環境來跑，好的環境必須滿足三個條件：題目答案是確定的，打分即時回來，試錯成本低。

放眼全行業，最優質的兩個「練功房」，一是晶片 EDA 設計（讓 AI 設計電路，性能一跑就出結果），和 kernel 算子最佳化（讓 AI 最佳化底層計算指令，速度一測便知）。大家做模型自進化，上來都喜歡拿這兩個場景練手。

但出了這兩個「練功房」，造環境就成了苦活。

在我們首爾辦的五源訊號站活動上，有朋友分享了一個更實驗性的思路：讓 AI 自己跟自己對練（self-play），來製造訓練環境。比如找一個現成的軟體項目，讓一個 AI 往裡面注入錯誤程式碼（出題者），另一個 AI 來修（解題者），再來一個 AI 當裁判打分。修得快就提升問題的難度，修不出來的失敗記錄，也留著做訓練資料。

今年 ICML 上也有一篇不錯的論文講這個，思路和 AlphaZero 一脈相承：自己跟自己下棋，把出題的成本壓下來。

這讓我想起做自動駕駛那些年。在接管率是 5 公里一次的時候，一輛車一天就能攢出 20 個問題，修都修不過來；到了 1 萬公里一次接管，一百輛車跑一整天，才碰上一個問題；再往上，要想測出一個新問題，需要上萬輛車，這個測試車隊規模比營運車隊還大，成本就貴得離譜了。

所以自動駕駛做到某一步，比如比人類司機平均水平要好，迭代就不能主要依賴在測試環境中做了，就要在大幾個數量級的營運環境中，去收集反饋了。

但 AI 不一樣，如今這件事還像個無底洞，模型永遠可以更強，永遠有人願意再花一百萬美金測一次。

資料、環境、評測，這條「賣鏟子」的生意鏈，就是這樣被需求頂起來的。但這些只能成為創業公司的退路，很難是歸宿。

以前做資料，很主要的能力是做人力外包，看的是營運普通人做高品質標註的能力。今天做資料賣給模型公司的 researcher，有點像一級市場裡的 FA。

很多 FA 也是投資人出身，做投資未必最頂尖，但他非常清楚投資人想要什麼，甚至能引導投資人的偏好和 FOMO 情緒，提前把「貨」備好等著接 FOMO。

很多資料公司的負責人，本人往往就是很有品味的 researcher，他能預判下一代模型缺什麼能力，先造出讓現有模型刷不好的 benchmark，再把補課的資料賣給他們。

等所有模型都刷上來，這批「貨」就過期了，一切從頭再來，永遠活在 day one。做資料，短周期談積累，長周期談品味。

模型取代這些環節的速度還在加快。Mark Chen 的同事 Noam Brown 給創業者的提醒更直接：要搭 harness 可以，別投入太多，三個月後多半就過時了。

護城河蒸發的速度，正快過挖掘的速度。

會場人潮洶湧，根本沒有能拍全這個 Welcome 牌子的時候

02. 學術頂會，也是 AI 競賽的戰場前線

一位國內的朋友這趟來首爾，想找機會聊一聊 OpenAI 或 Anthropic 的人，探討幾個預訓練的問題。

雖然大家都在說中文，但每當聊到任何具體的地方，對面就不出意料的笑著打起了哈哈。

這是一場只有兩個選手的比賽。一位大廠朋友的判斷很直接，他認為 AGI 不能只掌握在美國公司手裡。

而放眼全球，中美之外沒有第三個有資格的玩家，「無論是算力、電力還是資金，這都是超級大國的競賽。」

人才，被一堵隱形牆擋在兩邊。

這屆首爾 ICML，北美前沿實驗室來的華人面孔其實不多，一位研究員替缺席的同事解釋：很多在 OpenAI、Anthropic 工作的中國研究員，還沒拿到綠卡，由於簽證問題，如果出一次境，可能就回不去了：「他們可以合法地待在 『屋子』 裡，但沒有鑰匙。如果你出去了，門就自動關了，你可能就回不來了。」

美國那邊，錢的閘門正在打開。OpenAI、Anthropic 一旦上市，融資額可能是幾百億甚至上千億美元，這些錢可以直接換成算力。

對於國內來說，一直以更低的成本和算力規模奮力追趕，雖然保持著落後半年的身位，但追趕的窗口明確存在。

不過令人焦慮的是，一位朋友掰著指頭給我數，海外前沿實驗室這幾年的卡量（GPU）：從 1 萬張、5 萬張，到 25 萬張、100 萬張，差不多是一年翻五倍的速度。

到今年年底，頭部實驗室的算力，預計到 5-6 百萬張等效 H100（新一代卡，一張頂過去幾張，實際卡數沒這麼多，但換算成算力是這個量級）。

往後就算保守，只按每年翻兩倍算，2 年後就是 2000 萬張等效 H100。

國內要維持和海外「只差十倍」的水平，十倍已經是一個挺大的差距，但至少還在同一個賽道上，還能用效率和工程創新彌補一部分。要想匹配競爭速度，倒推下來，今年年底就需要有 100 萬張，而這個數字並不容易。

更緊張的是，今天看起來還很接近的遊戲，明後年這個追趕的窗口，也許正在關上。今天花 3-6 個月就能追上，因為前沿還沒快到完全追不上。

但差距一旦拉大到一定程度，追趕所需的時間會急劇膨脹：今天中美算力差距大約 10 倍，如果兩邊保持各自現在的增速，兩年後可能又是另一個數量級的差距，那時再想追，就不是以月計，而是以年計了。

但美國也有自己的短板：電。雖然 GPU 產能在加大，但實際部署能力跟不上產能，堵點就在電力（以及和電力相關的政策）跟不上。

卡在市場上依然緊俏，但買到卡，不等於馬上能開機，當下美國電網只夠部署其中一半到三分之二，剩下的要排隊等電。微軟 CEO 納德拉去年 11 月就公開承認：「我手裡有一堆晶片躺在庫存裡，插不上電。」

在這場競賽的兩頭，缺口正好相反。

我還聽到一個更激進的說法：到某個時點，中國將可以拿電力優勢補算力劣勢，也就是說如果有足夠多的卡（那怕落後一代），但中國的電力是富餘的，可以全部跑滿，把多餘的電變成額外的 token 輸出；而美國即便有更多更新的卡，也會被電力卡住，不能全部部署。

不管缺卡還是缺電，有一樣東西所有人都缺。OpenAI 的 Mark Chen 被問到記憶體，他確認 HBM 是供應鏈的關鍵瓶頸，還說 Sam 早在五六年前就看到了，提前鎖了合作，SK 海力士和三星正在拚命擴產。

而他說的那兩家公司，就在這座城市裡。

在中國這樣供應鏈門類非常齊全的國家生活久了，可能很難想像一個國家的命運，正在被兩家公司重新定價。

JP Morgan 算了一筆帳：未來三年，SK 海力士和三星的預期淨利潤，是韓國全部政府債務的 1.4 倍，也就是說這兩家公司的預期利潤，就能完全覆蓋全部政府債務還有餘。即便只看這兩家公司三年預計繳的稅，也已覆蓋政府債務的四成，接近韓國全部外匯儲備的八成。

一個行業，兩家公司，三年的盈利，就把一個發達經濟體的主權債務，整個裝了進去，這本身就足夠震撼。

JP Morgan：未來三年，三星與 SK 海力士為韓國政府貢獻的直接稅收規模，有望輕鬆突破 3500 億美元；若再疊加員工獎金對應的個人所得稅，稅收總額將更高。作為參照：韓國外匯儲備總額為 4270 億美元，政府全部債務規模約 1 兆美元

記憶體晶片這個行業，四十年來一直被同一個劇本支配：漲兩年，崩一次。繁榮期賺到的每一分錢，都會變成新產線，等新產能落地，需求的峰值往往已經過去，價格就又應聲跳水。

過去三十年，這樣的循環大約四年一輪，每一輪都淘汰一批玩家：九十年代，全球做 DRAM 的公司還有二十多家；好幾輪周期下來，牌桌上只剩三個名字：三星、SK 海力士、美光。

記憶體行業多年來遵循四年一輪的周期，周而復始。看多的人認為——這次不一樣！記憶體已經從曾經的周期性行業，因為 AI 而變成了一個結構性增長的行業。

而在這一輪記憶體行業「超級周期」中，有一個最核心的問題懸在所有廠商和投資人頭上：周期還在不在？

看多的人認為：這次不一樣！因為 AI，這個曾經的周期性行業，正在變成一個結構性增長的行業，它就不再是個周期了。

這個邏輯，是支援記憶體行業近 1 年暴漲的核心，三星、SK 海力士、美光、閃迪這些公司的估值框架，從「周期股」切換到「成長股」，那怕是利潤不增長，股價也能翻幾倍，PE 從個位數切換到雙位數。

SemiAnalysis 把這輪短缺定義為「四十年一遇」。而擴產本身的時間尺度，就決定了短缺不會很快結束：建一座新的晶圓廠需要三年，HBM 比普通 DRAM 多佔兩倍產能，擴產反而在加劇短缺。

一位 SemiAnalysis 的記憶體分析師還告訴我，即便算上在建產能，2027 年的短缺反而會比今年更嚴重，「更缺兩倍」。因為明年大量 AI 新晶片上線，原本給手機和筆記本的記憶體產能會被大規模抽走。業內的判斷是：27 年是最緊張的一年，28 年才可能緩解。

韓國是這場短缺的最大贏家。HBM 的主要產能握在 SK 海力士和三星手裡。即便最近韓國股市動盪，但它依然是今年全球表現最好的股市，而這輪漲幅的大半，就是這兩家抬起來的。

股市的亢奮滲透到了生活的每一個角落。在首爾，我有一次約人，約在了金融中心汝矣島。

周六中午，整個汝矣島現代百貨的奢侈品店，從 LV、Chanel 到 Bulgari，進店都要排隊一個小時以上。

我從朋友口中，也聽到了很多神奇現象：SK 海力士的員工，在相親時都不敢說自己在海力士工作，如果發現對方不拜金，才敢說真話。確實，SK 海力士在 2025 年的人均年終獎高達 9 萬美元，創歷史紀錄，而 2026 年利潤比 2025 年還高，獎金只會更多。

韓國幾乎全民都在炒股。散戶今年在股市上的淨買入，接近 83% 流向了三星或 SK 海力士。不少老人兌現人壽保單、動用退休儲蓄買晶片股。韓國社會裡有一種 FOMO 情緒，也許你什麼都沒做錯，工資照發，存款還在，只因為沒買這兩支股票，結果身邊人全富了，你就成了窮人。這種 FOMO 情緒產生於上一輪房價瘋漲，如今在 AI 行情裡又重新出現。

贏了的人在狂歡，但狂歡背後社會在撕裂。

晶片之外的韓國其實很難，石化、鋼鐵、電池、汽車零部件，被需求疲軟和中國競爭兩頭夾擊。

經濟學家管這叫 K 型分化：一條腿飛上天，一條腿往下墜。韓國人均月薪不到 3000 美元，晶片部門一個人的獎金，頂普通人十年工資。有政府官員提議，拿 AI 受益企業的稅收，來發「國民紅利」，把一部分超額利潤分給其他勞動者，「這是維護整個體系穩定的必要成本」。帖子後來刪了，但話題留下了。

可即便是 K 型分化飛上天的那部分，最近也在劇烈顛簸。ICML 結束後的周一早上，一份券商報告預測 SK 海力士二季度營業利潤同比暴增 556%。這是一個驚人的數字，放在任何行業都是。

但股價當天跌了超過 10%。原因很簡單：市場原本的預期比這個數字還要高，對於記憶體行業，利潤具體漲了多少已經沒人在乎，只問有沒有超過預期。

Morgan Stanley 提醒，這已是 ChatGPT 問世以來，記憶體股的第三次大回呼，前兩次都沒打斷周期。隨著行業轉向三到五年的長約結構，券商們開始重新思考估值框架：從「這個季度價格又漲了多少」，換成「這樣的利潤率能扛幾年」。短期的暴漲暴跌，可能只是長周期裡的噪聲。我也有朋友今年重倉了晶片股，這周的暴跌沒嚇倒他：「周期還沒有結束。」

這輪 AI 變革肯定遠沒有結束，但這場超級周期裡，走著三個時鐘：模型按月迭代，資本按季重估，晶圓廠按年建設，最終市場會被走得最慢的那隻時鐘校準。

離 COEX 會場不遠，就是有名的「黃仁勳炸雞店」，店裡多數顧客都掛著 ICML 的胸牌，AI 濃度實在太高了。

今年 ICML 的 2 篇 best paper，都給了 diffusion 方向。

一篇 MIT 的 Fan Chen 做得偏理論，講 diffusion 的採樣率提升（速度變快）的方法論，這篇我沒太讀懂。另一篇出自清華黃高團隊，標題裡的重點是 The Flexibility Trap（靈活性陷阱）。

Diffusion LLM 是一類和主流大模型路線不同的生成方法。主流模型從左往右一個字一個字寫，diffusion LLM 可以打亂順序，那裡有把握先寫那裡，聽上去自由度更高。

這篇論文用實驗證明：在數學和程式碼這類需要嚴格推理的任務上，diffusion 引以為傲的那份自由，反而是個坑。

推理需要在關鍵節點做選擇，自由的模型，傾向於繞開最難的選擇、先填簡單的部分，等回頭再補時，發現已經沒有選擇餘地了。

當然在工業界，diffusion LLM 並不主流。ICML 畢竟是學術頂會，喜歡有思辨性的想法。但學術上的巧思，和商業上的可用，是兩回事。

在五源訊號站活動上，我們正好聊到了一個老話題：Richard  Sutton 的 Bitter Lesson，這是 AI 領域一條被反覆驗證的規律。

【新智元導讀】ICML 2026傑出論文獎正式公佈，兩篇擴散模型論文同時登頂，而且作者裡不少華人。

ICML年度傑出論文獎和時間檢驗獎，正式公佈。

其中傑出論文共有9篇入圍，含7篇研究論文及2篇立場論文，最終優勝獎3名和榮譽提名6名；ICML時間檢驗獎花落強化學習領域，DeepMind經典巨作再封神。

https://blog.icml.cc/2026/07/05/announcing-the-icml-2026-awards/

ICML，全稱國際機器學習大會，和NeurIPS、ICLR並列AI領域三大頂會，每年投稿量過萬，接收率不到三成。

2026年7月6日至11日，ICML 2026在韓國首爾COEX會議展覽中心舉行。

傑出論文獎就是機器學習領域的奧斯卡。

而這份名單的含金量，不只是在表彰技術貢獻，更像是在給整個領域發出方向性訊號。

擴散模型成今年最大贏家，兩篇相關論文榮獲傑出論文：

靈活性陷阱：重新思考擴散語言模型中任意順序的價值。這篇神作深入剖析了擴散大語言模型中的關鍵機制。

針對擴散模型和對數凹分佈的高精度採樣：在演算法精度上實現了重大突破。

立場論文傑出論文獎，描述了AI安全領域的一種詭異的現象：對齊社區正在無意中建構一套稽核工具包。

五篇研究論文獲得傑出論文獎的榮譽提名：

混淆圖譜：通過欺騙探針對應 RLVR 中誠實性湧現的位置

語言模型最多能記住多少內容？

擴散模型一致性：隨機矩陣視角

理解Grokking：嶺回歸中的可證明Grokking

一篇立場論文榮獲傑出論文獎的榮譽提名：

立場：AI/ML 深度偽造研究與人工智慧生成的非自願親密圖像（AIG-NCII）相悖

最後，時間檢驗獎給當年的絕對爆款：

擴散模型包攬傑出論文，雙黃蛋背後是新共識

傑出論文獎的兩篇獲獎作品，都圍繞擴散模型展開。

兩篇同一方向同時獲獎，這種事在ICML歷史上屈指可數。巧合背後更像是一種集體判斷：擴散模型已經進入了需要「糾偏」和「補基建」的階段。

第一篇來自清華大學黃高團隊以及Zanlin Ni等人，標題就很有殺氣：《靈活性陷阱：重新思考擴散語言模型中任意順序的價值》。光看題目就知道，是來砸場子的。

標題：The Flexibility Trap: Rethinking the Value of Arbitrary Order in Diffusion Language Models

ICML：https://icml.cc/virtual/2026/oral/71086

項目首頁：https://nzl-thu.github.io/the-flexibility-trap/

擴散大語言模型是當下最熱的研究方向之一，跟GPT、Claude這類自回歸模型不同，擴散語言模型不是從左到右一個Token一個Token往外蹦，而是像畫畫一樣，從一團噪聲裡逐步「去噪」出完整文字。

理論上，這種架構有個巨大的優勢：生成順序可以任意。先寫中間再寫開頭，先定結論再補論據，怎麼都行。

聽起來很美。但Ni等人的論文潑了一盆冷水。

他們用大量實驗證明，所謂「任意順序生成」在實際訓練中不僅沒帶來預期的收益，反而成了陷阱。

靈活性本身就是代價。模型為了支援所有可能的生成順序，反而在每一種具體順序上都做得更差了。

這個結論的殺傷力在於：它動搖了擴散語言模型最核心的賣點。

過去兩年，大量論文把「任意順序」當作擴散LLM優於自回歸LLM的關鍵論據，不少團隊圍繞這個假設投了大量算力做實驗。現在ICML官方蓋章：這個論據站不住腳。

第二篇獲獎論文來自Fan Chen等人，聚焦擴散模型的採樣精度。

標題：High-accuracy sampling for diffusion models and log-concave distributions

ICML：https://icml.cc/virtual/2026/oral/71132

預印本：https://arxiv.org/abs/2602.01338

他們針對擴散模型和對數凹分佈提出了更高精度的採樣方法。

它解決的是擴散模型在實際部署中「生成質量存在理論上限」的底層瓶頸。

兩篇論文，一篇拆掉了核心假設，一篇推高了技術天花板。

ICML同時獎勵破和立，訊號很清楚：擴散模型正從「概念驗證」走向「深水區」，需要的不再是更多花樣，而是更冷靜的審視和更紮實的基建。

Sarah Ball和Phil Hackemann的《立場：對齊社區正在無意中建構一個審查工具箱》拿下了傑出立場論文獎。

標題：Position: The Alignment Community is Unintentionally Building a Censor’s Toolkit

ICML：https://icml.cc/virtual/2026/oral/71119

論文：https://openreview.net/pdf?id=dy2HwmOvFX

ICML的立場論文獎專門頒給那些不做實驗、不跑資料，但對領域方向提出根本性質疑的文章。

這篇論文的核心論點直白到刺耳：當前AI安全和對齊領域的研究者們，出發點是讓AI更安全、更可控，但他們開發出來的那些技術工具，RLHF、憲法AI、價值對齊框架，正在被系統性地挪用為內容審查的基礎設施。

搞對齊的人以為自己在造安全鎖。但這把鎖的設計圖紙，正好也能用來造牢房。

這個判斷並非空穴來風。過去一年，圍繞AI內容審查的爭議持續升溫。從Claude的拒絕回答策略到ChatGPT的內容過濾機制，「過度對齊」已經成了使用者吐槽的高頻詞。

每隔幾周就能看到有人在社交媒體上貼截圖：明明是正常的學術討論或創作需求，AI卻以「安全」為由拒絕回答。

Ball和Hackemann把這個使用者層面的怨氣拉到了學術層面：這是研究範式本身內含的結構性風險。

ICML把最佳立場論文頒給這篇，本身就是一個態度。頂會在告訴整個對齊社區：你們需要停下來想一想，手裡的工具到底在被誰、以什麼方式使用。

順帶一提，傑出立場論文的榮譽提名同樣尖銳。

Li Qiwei等人的論文指出，AI/ML領域的Deepfake研究跟AI生成非自願親密圖像存在嚴重脫節。

研究者忙著檢測政治人物的換臉視訊，卻忽略了對普通人傷害最大的濫用場景。

傑出論文的5篇榮譽提名覆蓋了幾乎所有熱門方向，每一篇都在各自領域撕開一道口子。

Mohammad Taufeeque等人用「欺騙探針」對應RLVR訓練中誠實性的湧現位置。

標題：The Obfuscation Atlas: Mapping Where Honesty Emerges in RLVR with Deception Probes

ICML:https://icml.cc/virtual/2026/oral/71065

預印本：https://arxiv.org/abs/2602.15515

簡單說就是：模型在那一層學會了說謊？

這個問題比答案本身更值錢。如果能精確定位誠實性在模型中的湧現層，未來的對齊工作就不用再大海撈針式地調整。

Xindi Wu等人在視訊生成中做運動歸因。

標題：Motion Attribution for Video Generation

ICML：https://icml.cc/virtual/2026/oral/71049

預印本：https://arxiv.org/abs/2601.08828

視訊裡一個物體動了，到底是模型「理解」了運動規律，還是純粹在做像素級的花紋複製？這個問題對Sora這類視訊生成模型的可解釋性至關重要。

John Xavier Morris等人追問「大語言模型到底能記住多少內容」，直指隱私和版權爭議的技術根源。

標題：How much can language models memorize?

ICML：https://icml.cc/virtual/2026/oral/71168

預印本：https://arxiv.org/abs/2505.24832

模型記住了你的資料，到底算學習還是算抄襲？這個問題的答案，可能比任何一場版權官司都重要。

還有Binxu Wang等人從隨機矩陣理論的角度重新審視擴散模型的一致性。

標題：A Random Matrix Perspective on the Consistency of Diffusion Models

ICML：https://icml.cc/virtual/2026/oral/71191

彙整鉅亨號中所有使用「ICML 2026」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

首爾 ICML 四天：模型吃掉一切的速度，快過所有人找身位的速度

DeepMind經典巨作再封神！ICML 2026大獎公佈