ICLR 2027仍在发拒稿信，学术圈苦AI水文久矣

一场没有硝烟的「清扫行动」

Reddit上一条简短帖子引发了学术圈的共鸣："ICLR 2027 is still handing out desk rejects"，发帖人附言"感谢你们保护社区免受AI垃圾的侵害"。寥寥数语，却把当下机器学习顶会面临的共同困境摆上了台面——投稿量激增，低质量AI生成论文泛滥，程序委员会不得不动用desk reject（编辑直接拒稿）这一非常手段。

ICLR作为深度学习领域最具影响力的会议之一，其审稿压力本就逐年攀升。当生成式工具能在几小时内炮制出一篇格式规整、术语堆砌的"论文"时，会议的组织防线被迫前移：不等进入外审，直接在编辑台就把明显不合格的稿件筛掉。这不是对某一篇论文的否定，而是对整个投稿生态的紧急干预。

Desk reject为何成了常规武器

Desk reject并非ICLR首创，但它在AI顶会上的常态化值得玩味。传统上，这一机制用于处理格式不符、超页数、违反双盲等硬性违规。而现在的拒稿理由更多指向内容本身：缺乏真实实验、逻辑空洞、引用拼凑、甚至通篇由模型生成而未加实质修改。

审稿人资源是有限的。据社区讨论，一次会议的审稿人池往往需要覆盖数千篇投稿，而每篇论文的合格评审需要领域内专家投入数小时。当"AI slop"以数量级增长涌入，若不加过滤地进入外审，受损的不只是审稿人的时间，更是真正有价值工作被淹没的风险。Desk reject在这里扮演的是守门人的角色，用最低成本阻断最明显的噪音。

有意思的是，发帖人用了"still"一词——说明这种做法已持续多个周期，且社区对此并不意外，反而是带着一种"感谢你们还在坚持"的语气。这透露出一种微妙共识：在技术手段尚无法完美鉴别AI生成内容的当下，人工与规则结合的初筛仍是必要之恶。

Desk reject（编辑直接拒稿）是学术出版中的一种前置筛选机制：稿件在进入同行评审之前，由编辑或程序委员会根据硬性标准直接退回，不送外审。在机器学习会议中，常见的触发条件包括超出页数限制、格式不符合模板、违反双盲审稿规定、重复投稿或明显偏离会议主题。与正式拒稿不同，desk reject 通常不提供详细的审稿意见，处理周期短、成本低。近年来，随着投稿量激增，一些会议将这一机制扩展用于拦截缺乏基本学术要素的稿件，例如没有真实实验、数据造假或通篇由语言模型生成的内容。这引发了关于程序委员会裁量权边界的讨论：一方面，前置过滤能保护有限的审稿资源；另一方面，过于宽泛的 desk reject 标准可能误伤边缘性但仍有价值的工作。

AI水文背后的激励扭曲

把板子全打在工具身上并不公平。真正的驱动力在于学术评价体系对论文数量的偏好。毕业要求、考核指标、基金申请，都让"多发一篇"具有现实收益。生成式AI恰好降低了"凑一篇"的门槛，于是供给端迅速膨胀。

这种扭曲带来的后果是双向的。对作者而言，把精力投入低质量产出，长期看损害的是自身研究品味；对会议而言，投稿量虚高会稀释评审资源，拉低整体审稿质量；对读者而言，检索文献时被水文干扰，筛选成本上升。ICLR的desk reject只是这条链条末端的一次拦截，治标不治本。

有社区成员提出，会议可以考虑要求作者声明AI工具的使用范围，或引入更严格的结构化投稿模板。但也有人担心，过度限制会误伤合理使用AI辅助写作的研究者。平衡点在哪里，目前仍无定论。

学术评价体系中的“发表或灭亡”（publish or perish）文化是理解 AI 水文泛滥的关键背景。在多数高校和科研机构中，毕业条件、职称晋升、基金评审和绩效考核都与论文数量及发表 venue 的档次直接挂钩。这种量化导向使得“多发一篇”具有可计算的现实收益，而论文质量难以在短期内被精确度量。生成式 AI 的出现显著降低了论文生产的边际成本：文献综述可以拼凑，实验描述可以套用模板，甚至连审稿回复都能自动生成。供给端的膨胀并非单纯由技术驱动，而是技术叠加了扭曲的激励机制。已有研究指出，论文数量与个人长期学术影响力之间的相关性远弱于人们直觉上的判断，但在制度层面，数量指标仍然是最易操作的管理工具。因此，任何试图遏制 AI 水文的努力，若不同时触及评价体系本身，都难以从根本上解决问题。

会议与社区的攻防正在升级

从更宏观的视角看，这是一场持续演化的攻防。会议端在加强初筛规则、引入自动化检测、扩充领域主席的裁量权；投稿端则在试探边界，寻找更"像样"的生成方式。Reddit这条帖子的价值，在于它记录了一线研究者的真实情绪：对清扫行动的支持，以及对长期效果的审慎怀疑。

对普通研究者来说，务实的启示是清晰的——把AI当写作助手而非论文工厂，确保实验真实、论证扎实、引用准确，这些基本功才是通过任何初筛的硬通货。Desk reject拦下的是投机，拦不下认真。

会议端用于应对低质量投稿的技术手段正在快速迭代，包括基于困惑度的 AI 生成文本检测器、引用网络异常分析、作者历史投稿行为建模，以及要求提交可复现的实验日志或代码仓库链接。然而，这些方法各有局限：检测器对经过人工润色或对抗性改写的文本准确率会显著下降，引用分析可能误伤新兴交叉领域，而更严格的结构化模板则可能增加合法作者的负担。与此同时，投稿端也在演化，部分作者会刻意调整生成文本的统计特征以规避检测。这种攻防类似于垃圾邮件过滤与垃圾邮件发送者之间的长期博弈，没有一劳永逸的解决方案。社区中已有呼声建议会议公开 desk reject 的统计数据和典型理由，以提高透明度并形成威慑，但也有观点认为过度公开可能被投机者利用来反向优化“合格”的 AI 水文。

结语

ICLR 2027的拒稿信还在发，说明问题还在。这既是对学术诚信底线的维护，也是对评价体系改革的一次催促。当"保护社区免受AI垃圾侵害"成为一句被感谢的话，它背后是整个研究共同体对质量的集体焦虑，也是对未来审稿机制如何进化的公开提问。