卷疯了，美国AI博士生“人手10篇顶会”，遭欧洲同行质疑

明明都是人，怎么美国的博士就人手十篇AI顶会，还有五篇是一作？

最近，欧洲博士的一篇质疑，在机器学习社区火了！

他表示，自己正在欧洲大学攻读博士学位，研究方向是AI/机器学习/CV领域。

自己的博士学业为期4年。

第一年，主要就是学习怎样真正地搞研究，了解整个的学术运作机制。

第二年，自己就已经作为共同作者，在顶会CVPR上发表了首篇论文。

第三年，他已经能够管理研究项目，了解了如何申请资助，掌握了资金运作机制和其中的各种细节。

此时，他的简历中新增了两篇论文，一篇是期刊论文，一篇是会议论文，都是以一作身份发表的。

在此期间，他深度参与了产业界的事务，为和自己实验室有合作的公司写了大量跟AI、系统架构、后端、云计算、部署等相关的生产级代码。

看起来，自己应该算比较成功的博士了对不对？

然而，当他看到美国同背景的博士履历时，直接惊呆了！

他们几乎人手十篇顶会论文，全是CVPR、ICML、ICLR、NeurIPS级别的顶会，而且还有五篇是一作！

这位欧洲博士表示，自己受到相当大的冲击：

这些人究竟是怎么做到完成这么多工作，还能每年在A类期刊上发3篇论文的？他们难道不需要睡觉吗？

这位博士表示，“我并不认为这些人比我聪明”。

每当自己有了新idea，就会去查找是否已经有人研究过。

他时常发现，某个斯坦福或者DeepMind的博士生刚好在一个月前发表了类似的研究，这就证明自己的思路是很前沿的，并不落伍。

然而如果要深入理解这些论文中的概念，就需要投入的努力，再加上获取所有必要资源的过程，会耗费大量时间，绝不可能是2-3个月的项目就能搞定的。

最后，这位博士发出了心底的疑问：

我真的很困惑，这帮人是如何做到这么高效的？他们是不是有什么特殊的研究方法和资源，让他们如此迅速高产高质量研究？

面对网友们的各种反应，他也澄清道：自己并不是喜欢拿自己和别人比较的人，因为每个人所处环境不同。

但是，对于仅有3-4年研究经验的人来说，短短一年内就源源不断地产出高质量研究和创新成果，这从人类角度来看是不可能的事！自己仿佛完全被蒙在鼓里。

背后到底有什么因素，导致了人和人之间的这种巨大差别？

美国汇集世界顶尖人才，个个都是“卷王”

有人现身说法表示，这是因为，美国大学里充满了卷王！

首先，美国学术界存在一种很卷的发表和工作文化。

曾在美国顶尖CS项目之一的实验室做过本科生的层主表示，自己亲眼目睹了研究生们的工作节奏：

一周七天都在工作，每天超过10小时，全年无休。

有一次，他无意中晚上7点去实验室，发现自己的研究生同学还在那里。

因为好奇他究竟会工作到多晚，层主干脆在实验室等他，结果是——直到凌晨1点，他才回家！

当然，这并非实验室的强制要求，每个人都可以和项目负责人约定自己的工作界限。

但在美国这个人才竞争如此激烈的领域，每个人都会感受到巨大的压力，没有谁能不受影响。

第二点，美国实验室的显著优势，就是吸引了来自世界各国的顶尖人才。

这里层主特意拿清华举了例子，据悉这个顶尖项目对于清华学生的录取率仅有0.1%……

如果能吸引到中国和其他国家的顶尖人才，还让他们每天工作10小时，那你很难不产生一些疯狂的成果。

总之，全球顶尖人才，汇聚在了一个高强度的工作环境里，这就造成了美国研究生惊人的学术产出。

基于NeurIPS 2022被接收论文作者数据

的确，立马有人证实了他的说法。

他表示，在自己的实验室，每周工作六十小时简直是家常便饭。

在紧急时期，甚至可能飙到每周七十小时。

有一次几个本科生因为在晚上十一点来到实验室。当他们看到我们这些研究生还在埋头工作时，一个个满脸震惊。但说实话，对我们来说，这种情况再平常不过了。

另一位博士说，每天工作超过10小时，7天无休是很常见的，很多博士都是这样的。

不过他也指出，研究团队的规模也是造成这种情况的一个因素。

在大学里，自己花了一年时间才完成一篇论文，而第二篇论文用了6个月，作者只有自己、导师和联合导师。

但最近，当自己在谷歌兼职实习时，那里的期望是让他6个月写出三篇论文……

因为那里有一个规模不小的研究团队，所以这种要求应该是常态。

总之，简单概括就是两点原因：

1. 他们很卷，卷到不可思议。

2. 全世界最顶尖的学生都去了美国，而不是欧洲。

而且，这种情况绝不仅仅是在AI领域存在，几乎所有的STEM（科学、技术、工程和数学）领域都是如此！

有人说，自己在读物理学博士的时候，也是这种状态：生活里根本没有除了学习以外的东西。

这种影响其实很残酷，不少在读博士的心理健康状态都不太好，已经有大量文章讨论这一现象了。

既不缺GPU和资源，还有大厂/大佬背书

GPU Rich vs GPU Poor

此外，帖子中还有人一语道破：大家都没提的一个重要因素，就是资源。

可能和大多数人一样，楼主也是“GPU穷人”。而那些顶尖博士项目的资源，可是有着天壤之别！

他们拥有极其昂贵的GPU集群，因此能够快速训练或微调几乎所有的模型，甚至是超过千亿参数的大模型。

这种资源优势让他们能够大幅提升迭代速度，从而开展一些对其他人来说根本无法想象的研究。

的确，即使在美国的不同高校，手握GPU的资源也差别巨大。

之前就有全美TOP 5的机器学习博士痛心发帖自曝：实验室里H100数量是0，同实验室博士之间得靠抢。

他表示在自己读博期间，计算资源是主要瓶颈。如果能有更多高性能的GPU，计算时间会显著缩短，研究进度也会快很多。

普林斯顿、哈佛这样的“GPU豪门”，手上的H100至少以三四百块打底，但是连AI教母李飞飞的斯坦福自然语言处理（NLP）小组，也只有64块A100 GPU。

在这种巨大的差异面前，出成果的速度自然也是一个天上，一个地下。

“名人效应”

有人提到，知名机构的title，就是很有分量的隐形资产。

首先，很多知名机构和美国的大型科技公司保持着密切联系。

这种关系不仅会激发出创新项目的灵感，还能提供额外的资源支持。

另外，斯坦福大学或者谷歌等知名机构的title，也无形中起了很大作用。

当你看到标有这些机构的logo的预印本论文在截止日期前几周出现在arXiv上时，情况就复杂了。

这些论文，通常都配有专业的图表、完整的项目网站和精心策划的公关宣传。

这篇文章，就被大佬戏称为“PR工作的典范”

这种情况下，每个人都知道是谁的工作，为什么这项工作很重要。

你敢说审稿人不会受此影响吗？

这种情况下，他们很可能不敢给出过于严厉的批评。

即使他们认为论文质量很差，但这是DeepMind论文，谁敢在评审意见中直接开麦diss呢？

总之，这些顶尖机构拥有雄厚的资源，自然而然就吸引了最有抱负、最优秀的学生，可以快速推进各种项目。

而在这些机构中，也就培养出了一种跨越好几代学生和教师的机构文化——优先考虑如何在最短时间内，发表尽可能多的高影响力论文。

其实是“幸存者偏差”？

稍显安慰的是，也有人对欧洲博士表示，其实这就是幸存者偏差。

可能他关注的都是美国顶尖的机器学习项目，他们的成果自然也是世界一流的。

但如果去了解一下普通大学里博士生的情况，就会发现他们作为一作在顶会上发论文的情况并不常见。

当然也有不那么成功，或者干脆转行了的人。

有些人可能费了老劲也就发表了一篇论文，然而选择去私营企业上班，不混学术圈了。

有人对这位博士表示，你所观察到的样本，并不具有统计学意义上的随机性和代表性。

被偶然看到的美国博士生的论文或简历，几乎可以肯定地说，代表了学术成就分布中最为top的那一波。

这些高产出的学生，往往会被他们所在的知名实验室和机构更多地推广。他们的成功可能源于良好的科研环境、出色的个人能力、一定的运气成分、严格的竞争性选拔以及其他因素。

其实这就类似于社交媒体会导致人们焦虑和抑郁。

在社交平台上，人们倾向于展示自己最好的一面，这导致我们常常将自己与一个经过筛选、存在偏差且被美化过的样本进行比较。

在学术界也是如此，每个研究者都在某种程度上“推销”自己的研究成果，而那些最引人注目的成果，自然会得到更多关注。

在这种情况下，退一步、获得更广阔的研究视角，会很有帮助。他强烈推荐这位博士去读一下阅读Richard Hamming的经典演讲稿“你和你的研究”（You and Your Research）。

也有人指出，虽然楼主的描述有些夸大了，但的确存在一个临界点，超过这个点之后，单纯增加数量和投入时间并不能等同于提高质量。

参考资料：

https://www.reddit.com/r/MachineLearning/comments/1g7dzkp/d_why_do_phd_students_in_the_us_seem_like/