应对论文洪流：机器人学者探讨同行评审与大模型前景

在近期一场名为“应对论文洪流”的ICRA小组讨论中，主持人Aude Billard与多位顶尖机器人学者审视了机器人论文数量的指数级增长，并探讨了领域应如何适应。讨论范围从大语言模型的实用价值，到彻底改革同行评审制度的激进提议。

Billard指出IEEE RAS旗下期刊的论文数量激增，预计2025年将出现约7万篇含有“robotics”一词的论文。她提醒，机器人学本质上是整合性学科，涵盖感知、控制、操作、学习、硬件与部署。若研究者只局限于狭窄领域，将失去跨领域连接思想的核心优势。

在一项由IEEE RAS资助的案例研究中，Kunpeng Yao的团队花了整整一年通读“从示范中学习”这一子领域。他们筛选了IEEE Xplore上2024年的相关论文，共找到347篇，但其中仅有69篇（约20%）被认为具有显著贡献。显著的论文提出新公式、与强基线进行严肃对比，或展示了可信的真实机器人验证，而仅对现有方法重新命名则未达标准。

关于利用大语言模型辅助文献综述，Nadia Figueroa承认LLM能改进搜索、检索、聚类、总结和概念图生成，大幅节约时间。然而，她描述了三种层次的幻觉：第一，伪造参考文献；第二，真实文献但内容被曲解；第三，凭空虚构看似合理的跨论文共性。她指出，当前危险并非虚假引用，而是“虚假理解”。

Greg Dudek批评了“切片式发表”行为，即把研究拆成最薄片段以提高论文数量。激励制度助长了这一现象，却加重了读者负担，使知识碎片化。他提倡发表更少但更完整的论文，同时承认没有简单解法，并比喻小修小补如同在即将到来的海啸前修补沙堡。

Renaud Detry认为论文增长部分源于更多应用系统研究，这些工作应与纯算法论文区别评价。他提出为不同贡献类型设立独立通道，包括基础科学、应用、基础设施、基准测试和技术正确性。Dongheui Lee补充说，arXiv或社交媒体上的可见度并不等同于科学价值；编辑部应推广那些评审优秀但缺乏名校背书的强论文。

Shigeki Sugano提出了最激进的构想：彻底放弃传统同行评审。他建议将稿件连同视频、代码和数据先行上传至开放存档，由实名的社群进行公开评价，再由期刊和会议对高价值成果进行认证，而非决定其能否发表。与会者列举了人气偏见、刷评和垃圾论文等风险，但该提议突显了传统把关模式在量压下难以扩展。

尽管没有明确解决方案，但若干原则浮出水面：LLM仅宜用作机械辅助，研究者仍需亲自进行认知判断；阅读应有选择性并有深度；制度应重质量而非数量；不同贡献类型应获得不同认可。最后，随着论文量持续增长，机器人社群必须思考：洪流是否会使学科更加碎片化，还是将侵蚀维系其整体性的共同基石。