| |
|
|
| 首页 淘股吧 股票涨跌实时统计 涨停板选股 股票入门 股票书籍 股票问答 分时图选股 跌停板选股 K线图选股 成交量选股 [平安银行] |
| 股市论谈 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 商业财经 科技知识 汽车百科 工程技术 自然科学 家居生活 设计艺术 财经视频 游戏-- |
| 天天财汇 -> 科技知识 -> 如何评价Sora负责人及理论作者，23年直博毕业【3年半】仅2篇论文见刊，论文Solid 更重要吗？ -> 正文阅读 |
|
|
[科技知识]如何评价Sora负责人及理论作者，23年直博毕业【3年半】仅2篇论文见刊，论文Solid 更重要吗？ |
| [收藏本文] 【下载本文】 |
|
Open AI科学家，Sora项目联合负责人William Peebles，于2023年UC伯克利博士毕业时，导师为Prof. Alexei Efro… |
|
Open AI Sora项目关键人物 |
|
|
|
|
|
William Peebles Open AI Sora项目关键技术论文第 1 作者以及Sora项目联合负责人，MIT本科毕业生，后于2023年UC伯克利博士毕业，导师为Prof.Alexei Efros。 |
|
|
-博士论文- 他的3年9个月博士生涯有2篇第一作者论文见刊： 1. The Hessian Penalty: A Weak Prior for Unsupervised Disentanglement 2. GAN-Supervised Dense Visual Alignment 此外：毕业时还有2篇论文投稿 3. LEARNING TO LEARN WITH GENERATIVE MODELS OF NEURAL NETWORK CHECKPOINTS 4. Scalable Diffusion Models with Transformers （已中稿，Sora关键理论） 按照我们的定义优秀博士研究生的标准，他身上的标签稍微不同：博士时间较短（直博时间3年半）、论文数量不够突出。 但是他本人在2023年年初博士毕业之后进入了Open Ai，以自己的理论基础做出了Sora项目，并且委以重任为Sora项目负责人。 至少可以反映一定的问题： - 名校博士工作Solid的重要性比 博士时长和博士论文数量高。 补充：另外的Sora模型的核心人物 |
|
|
|
|
|
Tim Brooks Sora项目联合负责人是Tim Brooks，也是UC Berkeley的Prof.Alexei Efros的学生，也是2023年刚博士毕业（3年零5个月博士生涯有5篇一作论文） |
|
AI这个领域审稿机制日益崩坏是有目共睹的，不再多说。 这里我还是要说一句，真正的好工作尤其是极具前瞻性的工作，往往最出现的时候很难被评估。尤其是涉及到工程放落地的研究，更是很难扯清楚。这里不应该对学界苛责，一篇顶会顶刊，加上编辑也就不过5人左右的审核流程，不要说发掘一个工作的全部价值，能够完全理解并且在一个很全面的维度上评估已经实属不易。 另外就是，AI领域博士毕业水漫金山顶会发表数量本身也是学术体系出现漏洞的一个侧面。正是因为缺乏有效的后验以及相对较低的实验门槛，才导致这个领域的顶会顶刊在计算机整体来看显得非常浮夸。对比计算机网络和通信，曾经2000+高速发展的时候，那会儿的学生也没有到这个份上。如果抛开AI不谈，只说CS PhD其实并不夸张，许多体系结构的优秀学生毕业的时候甚至没有2篇工作，相对好发的3-5篇也足以令人满意了。 |
|
因为他导师知道他真的在干活儿 |
|
当然是质量更重要！ 大量灌水文章只会把行业搞臭，而一篇开创性研究可以开启一个新的领域，养活无数学术民工。 刚刚查了以下Dr. William Peebles的Google Scholar，可以看到成果非常亮眼。 Dr. William Peebles 目前一共发表了3篇一作文章，还有一篇一作挂在arxiv上。 目前已发表的三篇文章最低的引用都有53次，而2023年发表的“Scalable diffusion models with transformers”已经被引用了191次了，质量都是相当高。 Dr. William Peebles本科就是MIT的，一路名校背景，现在又提出Sora模型，妥妥的学术新星。 |
|
|
|
|
|
|
|
就这水平，国内普通一本的教职都拿不到 |
|
美国顶尖名校优秀PhD毕业仅两篇顶会，中国普通985硕士无数人三篇顶会，遥遥领先 |
|
Alyosha必定是要求文章质量的。Alyosha作为行业绝对大佬一年下来20来篇paper已经非常克制了。 做fancy的工作，花费的时间和精力以及试错的成本要多很多。有可能包括：采数据，标注，找合理的baseline（这个最耗时间，因为大部分这种工作没有直接可比的baseline，需要在相关工作中找最合理的并自行优化到最佳），找application 把paper sell出去。这还是方向没问题的情况下。如果topic没把握好，花的时间更久。 作为PhD，若是能做成2-3个这样的项目，相信解决问题的能力一定不会弱。 |
|
国内很多学者，尤其是学生，在评价学者水平的时候都会出现一些错误的认识，比如说：“一个学者的学术水平取决于它发了多少顶刊顶会”、“一篇文章质量坏取决于它发在什么期刊会议+多少引用”。 而实际上，评价一个学者学术水平的是取决于ta的工作能够改变什么，这跟一个学者的研究范式呈高度相关，也就是ta采取何种方式去分析问题解决问题。 之所以会有这些错误的认识，是因为大家给这些认识加了很多默认的前提，从而推导出了这些错误的结论。 比如说上面关于发文章的认识，大家其实是默认了一个前提，即（同期刊会议）中审稿人的标准都是统一的、而且他们的标准代表了解决问题。而实际上，一篇期刊或会议文章，从开始审稿到接受，算上编辑，整个过程可能也就那么3-5个人看过了你这篇文章，为什么这几个人觉得好就是好？更何况大家有没有想过，这些审稿人评价研究好坏的标准又是什么？为什么他们的标准就是普适性的标准？要是审稿人的标准本身就是跟现实脱节的怎么办？ 同样的，大家觉得引用就代表了研究的质量，这是因为大家默认了一个前提，即人们引用一篇文章一定是因为它很好。而实际上，一篇文章的引用是可以收到很多事情影响的，比如说方向、人为操作、主题类似相近，或者更多地只是无评价的提及而已，甚至就是为了反对这篇文章的观点。也就是说，人们引用一篇文章，可能恰恰不是因为觉得这个研究做得好。 当然还有很多其他跟学术有关的认识，其实都是跟现实有冲突的，具体大家可以看看我之前录的系列视频。 林治阳：聊聊学术有关的一些认识0 赞同 · 0 评论文章 |
|
问题1: 是否对于名校来讲，2篇1作论文数量过少？ 确实，计算机视觉这种超级热门方向而言，申请UC Berkeley的博士，2篇1作也并不一定算突出。本科3篇顶会一作从2018年左右开始，在中国大陆高校就已经层出不穷。 问题2: 是否说明“论文质量”的重要性”远高于“数量”？ 因为深度学习方向论文指数级增长，其中包括顶级会议的投稿和接受数量，所以代表作制度也许会成为主流。但是论文质量是很难评价的，引用数量、大佬赏识这些常用指标都有一定偏差。发表论文能否得到认可仍然是个玄学事件。例如Diffusion model在2015年左右被提出的时候默默无闻，2023年开始突然暴红，沉寂了8年之久。据说是8年前计算力的限制导致Diffusion的应用没有那么普遍。更深里说，30年前深度学习就是受到了计算资源限制没能崭露头角。 因此，科研，也许是实力和运气的共同作用。首先你要有实力写出（上帝视角下）高质量的论文，其次时代要给你机会展示自己，让论文获得高影响力。 |
|
当然。 国内科研小将的日常言论一般可以看作人类科学发展的新下限。张口子刊闭口杰青，真的是毒瘤。 |
|
现在双非院校教职的最低要求是3篇一区或者6篇二区 这位老哥只有2篇一区（cvpr和iccv）一篇2区（eccv），最低要求都达不到。 |
|
老博认为，Sora的成功只是个例，对于广大硕博研究生来说，其成功路径的参考意义并不大。学术圈讲究的是，先生存，后发展。 一、“工作solid”重要还是“论文数量”重要？ “工作solid”当然很重要，但是没有“论文数量”的话，真的很难在学术圈立足发展，因为压根就不给你起步的机会。 计算机，尤其是软件领域，其实是一门很特殊的学科，特殊在哪？特殊在所见即所得，特殊在无产业化过程，只要软件算法实现了，马上就可以量产和应用。而其他传统学科，即使一项研究取得了突破性进展，那也只存在于实验室，距离产业化应用和成果落地，还有很长的路要走，甚至需要几十年的时间。如果某项成果是有你做出来的，工作确实很solid，但是相关论文产出很少，甚至勉强够你毕业，那么，别说几十年之后，就是三五年之后，你还尚在学术圈吗？ 详细大家都有体会，更残酷的事实是，绝大部分研究生的成果的现实意义很弱，根本做不出Sora这样的成果，其研究意义只存在于美丽的学术故事中，另一个意义就是帮你毕业。所以说，对于大部分研究生，压根就不需要纠结研究工作的solid重要还是数量重要，肯定是数量更重要一些，但是别太水。 二、想走学术道路，如何把握论文的“质”与“量”？1、先尽量发论文，但不能太水 对于青年科研工作者，包括本科生、研究生、博士生，青椒，论文的数量是非常重要的一个评价指标，在升学、评奖评优、毕业、就业、评职称等方面，都会发挥巨大作用。但是，以论文灌水的玩法注定长久不了，以这种态度搞科研，功利心太重，科研水平肯定是上不去的。但是，这种方式却是硕士、博士和青椒们最实惠、最快的变现路径。 目前来讲，虽然科研领域在强调破四维：唯论文、唯职称、唯学历、唯奖项。但是，对于青年科研工作者，尤其是对于研究生，没有论文没有成果，你连科研圈入场券都拿不到！更别提想在科研上有什么发展了。 科研就是这样，它是一个循序渐进的滚雪球过程，是从无到有，从有到好的过程。你连中文核心都没发过，直接去搞Science、Nature？这也是不切实际的。我在一定程度上鼓励大家去灌水，把文章先堆起来，没有文章你连像样的工作都找不到啊！还谈什么后续的科研。凭借质量还行、数量很多的论文，找到一个好的科研平台问题不大。借助于平台力量，向新的科研目标努力，发表更高水平的论文。 2、再谋求更大发展 实事求是的讲，“搞科研灌水，狂发论文”，以这种态度搞科研，功利心太重，科研水平肯定是上不去的。但是，这种方式却是硕士、博士和青椒们最实惠、最快的变现路径。等他成长为副教授之后，这套打法的缺点将会暴露无遗，在国内、国际学术圈子里不仅无影响力，而且名声也不好，难出高水平代表性成果。现在学术圈在推“代表作”制度，不需要你把所有的成果都堆给评委，提供五篇代表作就行了。在这种制度下，灌水的论文肯定是没有价值的，这种打法的人也难以脱颖而出。但目前来看，“代表作”制度尚存在于学术高端局中，如985高校晋升教授、海外优青等title的评选中。低端局中很多时候还是“数数量”与“看质量”并重的考核模式。 所以说，只为发paper的科研是无法持久的，是无法进入学术高端局的；但是，鉴于当下科研严重内卷，不发论文的科研必然是活不下去的，学术圈的门都没摸到就得说再见了，根本无所谓什么高端局、低端局。 我是一名新鲜博士，关注于读研、读博和论文相关话题，持续分享高质量科研干货，绝对值得您关注、点赞、收藏！请多多支持！ 聚集一群顶尖名校博士们，创立论文科研一对一辅导团队，有论文等科研困难的伙伴们请看 @大师兄科研 主页或私信联系~ |
|
深度学习本来就是一个玄学，Open AI的科学家当初自己都不知道 加大数据训练量能产生chatGPT |
|
其实学术成就和贡献的评价很大程度上依赖于研究的质量、影响力以及研究者对所在领域的贡献程度。有时，一篇开创性的论文所带来的影响可能远超过多篇小范围研究的总和。此外，研究领域的差异也会导致发表论文数量的差异，有些领域的研究周期更长，或者发表高质量研究的门槛更高。所以我们常说如果要搞科研的话，选个好文章的方向才能卷的动。。。 单纯从数量来看无疑是陷入了“数量大于质量”的逻辑之中，我们大概看看他这两篇论文，PS：我不是做这个方向的，秉着不随便对他人领域做评价的原则，所谈甚少，说错之处恳请指正： |
|
|
|
|
|
我们首先注意到他这两篇论文，截止24.2.19，20年发表的被引118次，22年发表的是49次。我觉得这个被引量已经很足够了，特别是一个博士生一作的文章，而且非综述。 The Hessian Penalty: A Weak Prior for Unsupervised Disentanglement是在ECCV 2020上发表的，标记为Spotlight。ECCV（European Conference on Computer Vision）是计算机视觉领域的顶级会议之一。 而另一篇文章GAN-Supervised Dense Visual Alignment根据搜索结果，这篇论文是在CVPR 2022上发表的，被标记为口头报告，并且是最佳论文的候选??。CVPR（计算机视觉和模式识别会议）也是计算机视觉领域最重要和最有影响力的会议之一。 |
|
|
这两篇论文所在的研究领域（无监督学习、GANs、计算机视觉）是人工智能和机器学习中极其活跃的领域，且具有高度的技术挑战性。特别是GAN-Supervised Dense Visual Alignment在CVPR这样顶级会议上的表现，强烈表明了该研究的重要性和创新性，以及作者的研究质量。 因此，虽然论文数量不多，但这些论文的质量、发表的会议级别和学术界的认可度显然是评价这位研究者及其工作的关键因素。 |
|
首先三篇一作都是顶会（eccv20, cvpr22, iccv23），这放在任何高校水平都不算低了吧，更别说iccv23这篇还是大爆款。 |
|
好文章一片足矣。当然论文的质量要远胜于数量。 其实很多时候大家水论文并不是因为大家喜欢水论文，而是实在是想不出什么聪明的点子，只能去水。。。 |
|
是的，一篇resnet顶几万篇水会…… |
|
别人是有成果了发论文，我们是只要能发论文就行（中国学术造假世界闻名） |
|
这下面的回答真是让人大吃一惊，你说你夸这两位作者就夸呗，为啥非要捧一踩一，反过来喷一喷国内各种垃圾？ 论文评价体系是欧美主导的哇，你要喷，不得先喷欧美？ 欧洲不不知道不好说，美国这里灌水论文的少？你一抓一大把，比之国内有过之而无不及。 |
|
还有一个大家可能要注意：学术研究和产品工程开发有一定的差异。学术创新可能是很小的一点都想法可能仅仅是一个很好的拼图，但是产品工程开发需要掌握和统筹全局，需要对各种拼图进行选择优化。一个好的学者可以在很多小的节点提出很多创新性想法（很多论文），但是不一定能统筹全局，反之一个人在思考一个产品的全局的时候可能没有时间做非常多的创新（论文少）。 |
|
很难说，我个人观点：所有东西都是运气，你的idea靠努力工作+灵光一现，你的solid work全靠实验结果灵光一现，无论你前置条件是什么，非常依赖最后的“灵光一现”。 你的idea能不能work，做实验前谁也不知道，也就是说so不solid，在被实验证实solid前，你自己不知道，你导师不知道，所有人都不知道。 灵光一现的时机有好有坏，只不过全是概率，然后根据大数定理总有一个人能在早期灵光一现，一步快步步快。 你会发现四大和其他学校里面都存在一种前四年只有一篇或者一篇都没有的phd，最后只好光速水两三篇凑齐毕业标准，然后进入工业界。 这种通常就是实验中的灵光一现迟迟没有现身/或者前置条件没做到位。 但前置条件做到位的人太多了。 |
|
看看标题感觉也挺novel的 |
|
唔 堪堪毕业 甚至毕业都很悬。 手动狗头 手动狗头 |
|
|
| [收藏本文] 【下载本文】 |
| 上一篇文章 下一篇文章 查看所有文章 |
|
|
|
| 股票涨跌实时统计 涨停板选股 分时图选股 跌停板选股 K线图选股 成交量选股 均线选股 趋势线选股 筹码理论 波浪理论 缠论 MACD指标 KDJ指标 BOLL指标 RSI指标 炒股基础知识 炒股故事 |
| 网站联系: qq:121756557 email:121756557@qq.com 天天财汇 |