Datawhale分享 
来源：新智元，编辑：Datawhale
明明都是人，怎么美国的博士就人手 10 篇 AI 顶会，还有 5 篇是一作？

最近，欧洲博士的一篇质疑，在机器学习社区火了！

欧洲博士质疑，在机器学习社区火了


他说，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，就要需要投入的努力，再加上有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？

自曝原因：每天工作超10小时，7天无休

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。
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。

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。
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

楼主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。

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。

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/

一起“点赞”三连↓