近日，国际表征学习会议（ICLR）因审稿系统漏洞引发的“开盒事件”持续发酵，官方宣布将所有论文的领域主席（AC）重新分配，并将所有审稿意见与评分重置回讨论前状态。这一决定在国内外AI社区引发轩然大波，不仅暴露了学术评审流程的技术脆弱性，更引发了关于AI顶会评审机制公平性、效率与可持续性的深层讨论。
从技术层面看，此次事件源于审稿系统漏洞被少数作者恶意利用，导致评审信息泄露。尽管平台已及时“补洞”，但后续影响远超预期。官方重置措施包括：每篇论文重新分配新AC；将所有评审意见和评分恢复到讨论阶段前状态，审稿人无法更改评分或参与后续讨论；关闭公开评论功能以防止进一步滥用。这一“强制重启”操作，在近两万篇投稿、七万余份评审的庞大基数下，无疑是一次系统性冲击。
社区反应呈现两极分化。多数作者表达了强烈不满，认为这是“连坐式惩罚”。有作者在社交平台控诉，自己已完成大规模补实验、撰写长篇rebuttal，并将审稿分数从4分提升至8分，如今一切努力被“一键清零”。
这种情绪并非孤立，许多作者指出，官方拥有完整的日志和元数据，本可通过技术手段筛查可疑行为，却选择让所有作者共同承担后果，这严重挫伤了遵守规则的学者的积极性。
另一方面，重置也引发了对评审流程可行性的质疑。新AC需在短时间内处理大量论文，且无法参考原有讨论记录，仅能依据原始评审意见和作者回应做出决定。
这导致许多作者担心，AC可能缺乏足够时间和动力进行细致裁决，最终结果可能更依赖初始评分而非rebuttal质量，使得整个答辩阶段形同虚设。Reddit等平台的讨论也显示，这种不确定性加剧了社区的焦虑情绪。
然而，也有部分作者认为重置可能带来意外公平。例如，此前遇到审稿人不回应rebuttal的作者，在讨论期中处于劣势，重置后反而与其他作者站回同一起跑线。
这种观点凸显了现有评审机制的内在矛盾：rebuttal本应作为修正评审偏差的机会，但在执行中常因审稿人参与度不均而失效。
更深层次看，此次风波暴露了AI顶会机制的长期积弊。机器学习领域近年来投稿量激增，审稿质量却难以同步提升。审稿人负担过重、评审标准不一致、rebuttal流程形式化等问题日益突出。本次漏洞事件如同一面镜子，将这些问题赤裸裸地放大：当技术漏洞与制度缺陷叠加，整个系统的韧性面临严峻考验。
从行业影响角度，ICLR作为AI领域顶级会议，其评审公信力对学术生态至关重要。此次事件若处理不当，可能加剧学者对顶会评审的信任危机，甚至推动更多人转向预印本等替代发表渠道。同时，这也为其他会议敲响警钟：在数字化评审成为主流的今天，技术安全性与流程透明度必须同步提升。
展望未来，AI顶会需从三方面进行改革：一是强化评审系统的技术防护与实时监控，防止类似漏洞重现；二是优化评审流程，如引入动态AC分配、标准化rebuttal处理机制等；三是探索多元化评价体系，减少对单一会议发表的过度依赖。只有通过系统性改进，才能重建学术社区的信任，确保AI研究的健康发展。
关注“鲸栖”小程序，掌握最新AI资讯
本文由鲸栖原创发布，未经许可，请勿转载。转载请注明出处：http://www.itsolotime.com/archives/5944