当Science杂志用数据证明AI研究正被"暗箱化"时，Anthropic用一支从未发表的模型反向证明：保密不是因为没东西可发。两条新闻在72小时内先后登上Hacker News热榜，揭示了一个正在重塑AI行业的底层趋势。
一、Science数据：AI研究正在"暗箱化"
7月27日，Science杂志发表了一篇引发整个AI圈热议的调查报道。斯坦福大学元科学家John Ioannidis团队——对，就是那位在2015年最早公开质疑Theranos造假的Ioannidis——分析了从1998年到2025年的全部317家AI独角兽公司（估值超10亿美元）。
数据比想象中更触目惊心：
- 📊 54%的AI独角兽从未发表过任何论文（以第一或最后作者身份参与）
- 📊 前5%的公司占了90%以上的引用量
- 📊 OpenAI一家独占全部引用的近40%，远超第二名旷视和第三名Hugging Face
- 📊 AI独角兽合计仅贡献了2025年所有AI论文的千分之一
- 📊 即使在产出最多的OpenAI（约4500名员工），只有8位研究员发表过5篇以上论文
"对于一个号称要重塑科学、且在科学潜力上如此先进的领域来说，没有任何科学文献记录，这看起来是一个非常奇怪的悖论，"Ioannidis说。"你怎么判断他们说的东西是真实的、经过验证的、可复现的？"
阿尔伯塔大学的AI伦理学家Mohamed Abdalla一针见血："公司的职责不是推进科学，是推进钱。"
二、"博客化研究"：从同行评审到公司Blog
Hugging Face的AI政策研究员Avijit Ghosh指出了AI行业的一个独特现象：研究的博客化（blogification of research）。
AI公司的"知识产出"越来越不走学术渠道：
- 一篇公司Blog Post宣布新模型
- 一份Technical Report（技术报告）附上性能数据
- 有时开源代码和数据集
- 模型权重越来越少见
Science的新分析没有追踪这些"博客化"产出。所以实际的"外部知识贡献"可能比54%这个数字好看一点。但问题的本质在于：Blog和技术报告不接受同行评审，没有学术标准的约束。
为什么AI公司选择这样做？阿肯色大学的AI研究员Nur Ahmed点出了经济学本质：
不同于制药行业（专利保护已发表成果），AI公司从公开发表中往往得不到什么好处。
Google 2017年发表的Transformer论文——现代大语言模型的基石——成了经典反面教材。Abdalla补充道："我不觉得有谁在为此给Google付钱。"
三、中美分野：开源是发表意愿的关键变量
研究中的一个地域差异值得关注：
中国AI公司发表的论文持续多于美国同行。
原因很直接：
| 美国前沿实验室 | 中国AI公司 | |
|---|---|---|
| 策略 | 闭源化（OpenAI、Anthropic、Google） | 开源化（Moonshot AI、DeepSeek等） |
| 发表论文 | 越来越少 | 持续发表 |
| 模型权重 | 几乎不公开 | 主动公开 |
就在Science发表调查的同一天，Moonshot AI公开了Kimi K3的模型权重——目前最强的开源模型之一。这种"公开发表+开源权重"的模式，恰好是中美AI路线之争的一个切片。
四、不发表≠没能力：Anthropic的密码学"炸弹"
Science讨论的是"不发表"，而7月29日Anthropic公布的新成果则反向证明：不发表不是因为没东西可发。
Anthropic用Claude Mythos——他们尚未对外发布的超强模型——完成了两项密码学研究成果：
成果一：HAWK签名方案被"半破解"
HAWK是一种基于格问题的后量子签名方案，正在申请NIST后量子密码标准。它主打"比同类方案更小的密钥尺寸"——这是它存在的全部商业理由。
Claude Mythos发现了一个密钥恢复攻击。虽然攻击仍然是"指数时间"复杂度（不是多项式时间破解），但把HAWK的有效安全级别砍了一半。
更关键的是：这不是纯理论分析。Claude写出了可以实际运行的攻击代码，在几小时内攻破了HAWK的弱化挑战实例。
约翰霍普金斯大学密码学家Matthew Green（知名密码学博客作者）的评价非常直接：
"对密码学领域有点尴尬的是：这个攻击没有发明任何新的数学。它只是把一堆已经存在的、众所周知的工具用得更彻底。这正是AI最擅长的事。"
HAWK的命运基本已定：要么把密钥翻倍（效率优势消失），要么退出标准化。大概率是后者。
成果二：7轮AES攻击（小幅改进）
第二个成果是对7轮AES的攻击——但Green的评价是"一个小小的常数因子改进"。离真正"破解"完整AES（10/12/14轮）还有非常远的距离。这个攻击需要2^89次计算和2^105个被加密的明文——两者在现实中都不可能实现。
Green的总结很精确：
HAWK成果有意义——那个方案本来要成为标准，现在大概率不会了。AES成果更多是方法学上的进展。但两者都说明了一件事：AI已经可以在密码学这个最严谨的领域里，产出让人类专家认真对待的结果。
五、AI密码学能力的关键判断：好消息和坏消息
Green在博文中做了几个对从业者非常重要的判断：
坏消息：公钥密码学比对称密码学更脆弱
- 对称密码（AES等）："又乱又结实"，设计理念就是让分析者很难下手。AI短期内不会产生突破性攻击。
- 公钥密码（RSA、椭圆曲线、格密码等）：基于少数几个数学"难问题"，参与分析的人类专家本就不多。这是AI可以大展身手的"沃土"。
天大的好消息：时机正好
Green提出了一个非常有趣的观点：
"如果历史上有任何一个时刻适合突然出现大规模的密码分析能力，那就是现在。"
为什么？因为我们正在经历人类密码学史上最大规模的算法迁移——从RSA/椭圆曲线密码切换到后量子密码（基于格问题、编码理论等新"难问题"）。NIST正在评估数十种候选方案，HAWK只是其中之一。
在标准化之前被AI发现漏洞，总比标准化5年后被人类发现漏洞要好。
六、Green给所有人的一盆冷水（和一剂安慰）
Green博文最后几段是理解当前AI能力边界的最佳参考。全文翻译：
给那些以为"AI就是高级自动补全"的人：
"这些模型非常聪明，能力在快速提升。过去五个月里，我在自己研究的特定类型问题上看到了可测量的、令人印象深刻的进步。如果存在上限，我目前还没看到任何证据。那些认为模型很蠢的人，大多在用Google的免费AI搜索结果，没有实际接触过高级模型——高级模型一个月20美元，不是买不起。"
给那些以为"AGI已经来了"的人：
"跟这些工具合作的感觉，像在一个水塘里游泳——地面在你脚下突然塌陷。前一分钟你还站在结实的支撑上，下一分钟突然没了底。有经验的研究者很容易找到那条线在哪。但那条线在缓慢地向外移动。你可以感觉到它在你脚下漂移。"
"不管这是好事还是坏事，取决于你是想蹚水还是游泳，以及你是否愿意在一个地面本身在移动的水塘里游泳。我唯一能说的是：我们都在同一条船上——科学家、律师、销售、甚至水管工。不管接下来发生什么，大概率会同时发生在我们所有人身上。"
七、给AI创业者的三个实际启示
1. "暗箱化"不等于"没进展"
一周内两条新闻拼出的完整画面是：AI公司正在系统性地减少公开发表，但能力仍在以不可忽视的速度提升。不要只凭论文数量判断技术进展。 真正的差距不在论文上，在那些没有发表的东西上。
2. 开源vs闭源是2026年最大的结构性变量
中国公司的"开源+持续发表"模式和美国前沿实验室的"闭源+博客化"模式正在形成两条完全不同的路径。这不只是意识形态之争——它影响你的工具选择、供应链安全、以及你的产品会不会在某一天被"上游断供"。
3. "可验证性"是评估AI能力的最佳锚点
密码学领域的特殊性在于：攻击要么有效要么无效，可以被独立验证。 Green说"HAWK攻击只需几小时就能跑出结果，验证只需把代码发过来"——这种可复现性是评估AI进展最可靠的方式。
这对AI创业者的提醒是：当你评估一个新工具或模型时，不要只相信厂商的Blog Post。看开源的代码能不能跑通，看第三方的独立测评能不能复现。
八、写在最后
2026年7月底的这个周末，AI行业展现了它的两面：
一面是"暗箱"：54%的独角兽从未发表过论文，研究的"博客化"让学术验证机制失效。
另一面是"能力"：一个未发布的模型能独立发现密码学漏洞，写出可运行的攻击代码，影响一项国际标准的走向。
两件事加在一起，指向同一个结论：AI行业的生产力正在从"看得见的研究"向"看不见的能力"迁移。 对于在赛道上的每一个人来说，这意味着：你从公开渠道能学到的东西越来越少，而你对手在暗处能做的事越来越多。
参考来源：
- Science: "AI's top startups are barely publishing their research" (July 27, 2026) — HN 537 points / 274 comments
- bioRxiv preprint: Ioannidis et al., "Scientific publication output of AI unicorns" (July 16, 2026)
- Anthropic: "Discovering Cryptographic Weaknesses" (July 29, 2026)
- Matthew Green: "Some thoughts about Anthropic's new cryptanalysis results" (July 29, 2026) — HN 174 points / 97 comments
- Stripe Atlas Q2 2026: 63% of new C-corps are solo-founded, AI-native founders 2.3x revenue