Китай занял половину мест на ведущей конференции по искусственному интеллекту в этом году, причем один только университет Цинхуа бросил вызов Стэнфорду и Массачусетскому технологическому институту вместе взятым.

Ведущая мировая конференция по искусственному интеллекту быстро превращается в витрину для лучших китайских разработчиков.

Каждый год, когда ведущие конференции по искусственному интеллекту публикуют списки принятых работ, различные организации ненавязчиво объявляют о своих успехах, соревнуясь за то, чья работа будет принята к публикации больше всего раз. Но в этом году, после объявления результатов ICLR (Международной конференции по обучению представлениям), исследователь по имени Дмитрий Лопушанский совершил нечто невероятно сложное.

Вместо использования официальных статистических таблиц он написал 250 регулярных выражений и по одному скачал PDF-файлы всех 5356 принятых статей с конференции ICLR 2026.

Затем он кропотливо извлек все названия учреждений из пробелов на первой странице каждой работы и, используя сотни правил кодирования, очистил и нормализовал их, автоматически объединяя различные варианты написания одного и того же учреждения, такие как "MIT CSAIL" и "MIT CSAIL".

Почему используется этот примитивнейший метод ручной классификации?

Этот парень обнаружил, что академические статистические платформы, на которые мы обычно ссылаемся, отслеживают данные по «человеку». Например, студент, который четыре года учится в аспирантуре в Университете Цинхуа, публикует очень ценную статью, а затем становится профессором в Стэнфорде. И знаете что? Система обновляется, и эта статья, которая изначально была опубликована в Удокоу, автоматически становится академической работой Стэнфорда.

Эта предвзятость долгое время искусственно занижала реальный вклад китайских институтов, завышая при этом показатели для Соединенных Штатов. Только когда Дмитрий, с 96% вероятностью успешно обработав данные, создал тепловую карту истинных данных после фильтрации ложных срабатываний, мы смогли увидеть полную картину реальных данных.

Научная тепловая карта раскрывает истинную картину развития ИИ в Китае и США.

Если отбросить все остальное, то этот набор данных действительно очень важен.

Масштабы китайских учреждений, представленных на этой диаграмме, превосходят ожидания многих. На долю учреждений материкового Китая пришлось 43,7% принятых к публикации работ. А на долю США — 31,9%.

Если включить Гонконг (7,7%), то более половины докладов на ICLR в этом году написаны представителями китайских учреждений. А что насчет признанных европейских держав? На весь европейский континент в совокупности приходится всего 5,3%, что меньше, чем показатели одной страны, например, Сингапура (5,5%).

Ещё интереснее рейтинги отдельных учебных заведений.

В этом году Университет Цинхуа возглавил список всех отдельных учреждений мира, опубликовавших 332 научные работы. Для сравнения, у Стэнфордского университета их 177, а у Массачусетского технологического института — 167. Объем публикаций только Университета Цинхуа почти эквивалентен суммарному объему публикаций двух ведущих университетов США. Шанхайский университет Цзяотун, Пекинский университет и Чжэцзянский университет, следующие за ним по списку, также прочно удерживают свои позиции в глобальном рейтинге.

Выдающиеся результаты в области исследований продемонстрировали не только университеты, но и отечественные промышленные предприятия.

Alibaba, Shanghai AI Labs, Huawei, ByteDance и Tencent — эти пять китайских технологических компаний/исследовательских институтов в совокупности опубликовали 582 статьи. Некоторые СМИ раньше критиковали китайские интернет-компании за то, что они сосредотачиваются только на незначительных инновациях в бизнес-моделях и пренебрегают фундаментальными исследованиями. Однако данные ICLR 2026 разрушили этот стереотип.

Говоря прямо, китайский искусственный интеллект больше не основан на проблесках вдохновения одного-двух гениев, а превратился в сложный, масштабный и высокосистематизированный механизм исследований и разработок.

Однако за этими обнадеживающими цифрами нельзя игнорировать объективно существующие показатели.

Например, хотя мы превзошли их по общему количеству, в категории «Устные доклады» (устные презентации, которые обычно представляют наиболее оригинальное и вдохновляющее направление), на которую приходится всего 4% от общего числа принятых докладов, на американские учреждения по-прежнему приходится около 40%, а на нас — 30%.

Мы обладаем абсолютным преимуществом в масштабах развития инженерных разработок, в то время как Соединенные Штаты по-прежнему сохраняют относительное лидерство в определении новых направлений. Это относительно реалистичная картина развития ИИ в Китае и США.

Научно-ориентированный искусственный общий интеллект Кремниевой долины и крайний прагматизм китайских лабораторий

Если тепловая карта — это макроскопический отчет о состоянии здоровья, то Натан Ламберт, известный исследователь из Института искусственного интеллекта имени Аллена (AI2), в мае этого года провел 36-часовое исследование в Пекине, Ханчжоу и других местах, которое представляло собой углубленное микроскопическое наблюдение.

После посещения таких компаний, занимающихся искусственным интеллектом, как Zhipu AI, Lunar Dark Side, Qianwen, Meituan, Xiaomi и Zero One Things, он вернулся в Китай и написал статью о своих наблюдениях в китайских лабораториях ИИ, которая вызвала бурную дискуссию в Силиконовой долине. Он увидел логику, лежащую в основе того, как крупномасштабные китайские модели ИИ могут конкурировать наравне с американскими — крайне низкие организационные барьеры и чрезвычайно прагматичная молодежь.

По мнению Ламберта, у ведущих американских лабораторий часто есть фатальная слабость: у них слишком сильное эго.

Обучение больших моделей — чрезвычайно сложный проект системной инженерии, требующий компромиссов на каждом этапе, от очистки данных и оптимизации распределенной связи до согласования в рамках обучения с подкреплением. Однако в Силиконовой долине у звездных исследователей часто бывают сильные личные предубеждения.

Ходят слухи, что в команде Llama в Meta царил хаос из-за разногласий по поводу направления развития, когда ключевые фигуры действовали независимо друг от друга, и каждый хотел продвинуть модель в своем собственном направлении. В отличие от них, Ламберт обнаружил необычный прагматизм в китайской лаборатории.

Исследователям было все равно, чей метод звучит более продвинуто; все были едины в одной цели: улучшить определенный показатель модели, и все были готовы выполнять утомительную, грязную и изнурительную работу. Такой прагматизм сводил к минимуму трения внутри команды.

Ламберт также обобщил конкретные преимущества, обусловленные этой культурной тенденцией: большая готовность выполнять незаметную базовую работу по улучшению конечной модели; новички не пережили предыдущие циклы ажиотажа вокруг ИИ и могут быстрее адаптироваться к новейшим технологическим направлениям; у них небольшое самомнение, и организационная структура может расширяться относительно плавно; и существует большой кадровый резерв, способный решать ключевые проблемы на основе существующих решений.

Ламберта еще больше удивило то, что в Соединенных Штатах стажеры в ведущих лабораториях часто работают только над второстепенными проектами. Но в Китае студенты магистратуры и докторантуры глубоко вовлечены в разработку основных крупномасштабных моделей. Ламберт проницательно указал на главное преимущество такого подхода: отсутствие исторического багажа.

Технические подходы к созданию крупномасштабных моделей меняются чрезвычайно быстро. У опытных ученых часто наблюдается «зависимость от пройденного пути», когда они считают, что старые методы, которые они исследовали в течение десяти лет, являются единственно верными. Но молодые студенты в Китае другие; как только данные доказывают эффективность нового подхода, они могут немедленно отказаться от старого метода и быстро сменить направление.

Стоит отметить, что Ламберт обнаружил, что атмосфера внутри китайского сообщества разработчиков ИИ гораздо более гармонична, чем представляют себе посторонние. В частном обмене информацией между лабораториями царит взаимное уважение, и все китайские лаборатории с восхищением относятся к ByteDance и её широко популярной модели Doubao, поскольку ByteDance — единственная лаборатория в Китае, действительно находящаяся на передовой, при этом придерживающаяся подхода с закрытым исходным кодом. В то же время почти все лаборатории также высоко ценят DeepSeek, считая её командой с лучшим исследовательским чутьём и вкусом в реализации проектов.

Один аспект этого исследования заслуживает особого внимания. В Силиконовой долине ведущие исследователи в области ИИ — это не только инженеры, но и часто выступающие в роли своего рода «философов». Они с удовольствием обсуждают в подкастах вопрос о том, «уничтожит ли искусственный общий интеллект (AGI) человечество к 2030 году», и часто спорят о границах безопасности и этики ИИ.

Затем Ламберт осторожно обратился к своим китайским коллегам с просьбой высказать свое мнение об экономическом воздействии и долгосрочных социальных рисках искусственного интеллекта, но в ответ получил не продолжительные дискуссии, а всеобщее недоумение. Масштабные темы уничтожения человечества на тот момент выходили за рамки их текущей работы.

Эта невосприимчивость к громким нарративам, как ни парадоксально, стала конкурентным преимуществом. Она снижает внутренние философские разногласия в команде, позволяя всем интеллектуальным ресурсам сосредоточиться на реализации проекта и достижении ключевых показателей эффективности.
В китайских лабораториях между научными руководителями, аспирантами и корпоративными инженерами формируется очень короткий цикл обратной связи.

Эта модель устраняет барьеры между академической средой и промышленностью. Как заметил Натан Ламберт, такая организационная форма с минимальными препятствиями позволяет китайскому ИИ демонстрировать скорость развития, сравнимую со скоростью развития инфраструктурной державы — как только направление становится ясным, оно может быстро сократить технологический разрыв благодаря огромной концентрации интеллектуальных ресурсов.

Конечно, такой подход эффективен в рамках определенного временного окна, но по мере того, как преимущества экономии за счет масштаба постепенно достигают своего пика, основным препятствием на следующем этапе в конечном итоге снова станет конкуренция за «оригинальные инновационные возможности».

В то время, во второй половине развития ИИ, высокоэффективная сеть сотрудничества талантливых специалистов и человек, осмеливающийся выходить за рамки существующих представлений, будут дополнять друг друга, и без них не обойтись.

#Добро пожаловать на официальный аккаунт iFanr в WeChat: iFanr (идентификатор WeChat: ifanr), где вы сможете в кратчайшие сроки увидеть еще больше интересного контента.