卷，卷，卷。在当下整个 AI 领域，一切价值衡量标准仿佛都在经历一场恶性的通货膨胀……

让我们想象这样一个角色：

一个来自普通家庭的学生刻苦努力的完成了自己的学业。他在领域内的顶级会议中发表了多篇论文，并且其论文的创新性也得到了同行们的认可；他在业界做出了不小的成绩，为多个知名的开源项目做出了贡献，其所提出的方法也被广泛应用于生产实践……

我们该怎么评价这样一个角色？一所大学的知名教授？一名出色的研究学者？还是一位杰出的工程师？然而，如果把这个角色放置于 AI 领域中呢？

这可能是一位AI博士申请者。

在最近，在 Reddit 论坛中，这样一则帖子收获了诸多关注。

帖主是一位AI领域的博士申请者，在很好的完成了自己的大学学业的同时，也在 NLP 和 AI 领域内的诸如 EMNLP、NeurIPS、ACM、ACL 等多个顶级会议中发表过论文，收获了上百的引用。他也在业界积极工作，曾经是所在公司的『最佳 NLP 研究员』，并且为如 Pytorch 和 HuggingFace 等多个开源项目做出过贡献，收获了许多 Star。

然而，在这样一份光鲜的履历之外，当帖主拿着这样一份成绩单去申请 CMU、申请 Standford，申请许多其他的名校时，却在不断的遭遇滑铁卢。

3.5研究测试：hujiaoai.cn4研究测试：askmanyai.cn Claude-3研究测试：hiclaude3.com

尽管在评论区中，许多热心的网友都仔细帮忙分析了帖主的情况，譬如一二三：

申请的都是最顶级的院校本身难度就非常高

帖主的个人陈述与动机信有可能没有写作好

个性原因导致无法与教授有效沟通等等

从这个个例的问题出发，许多网友却都纷纷发现：“AI 领域的博士申请正在变的越来越卷……”

在另一则帖子里，一位来自斯坦福计算机科学博士生，作为圈内人发言：“很多人都不了解现在顶尖博士项目的招生竞争有多激烈......”

“事实上我并不感到惊讶。顶级项目不仅仅关注出版物。来自著名/受人尊敬的教授的令人难以置信的强烈 LOR 以及与您想要合作的教师的个人关系更为重要。根据他们所说的（他们如何自己完成论文并且没有良好的推荐），他们没有这两个最重要的东西......”

在一个个“六边形战士”的背后，在完美的标准化考试成绩之外，这些博士申请者们又被迫过于“早熟”的打造自己的学术简历，刷高自己的 h-index，参与一个个会议，又不断的社交试图建立 Connection……却只是为了竞争获得一个博士学位的入学资格。

这位斯坦福博士生还提到, 行业大佬的推荐信，和想合作老师的关系也极其重要，另外本科和硕士的学校背景也必不可少。

“博士招生的竞争非常激烈，尤其是在顶尖学校。如今，大多数顶尖 ML 博士项目的录取者都拥有多篇出版物、大量引用、来自受人尊敬的研究人员/教师的令人难以置信的强大 LoR、与他们想要合作的教师的个人关系、其他研究相关的活动和成就/奖项，除了良好的 GPA 之外，通常本科生/硕士来自顶尖学校。

入行需要三思而后行，当然也不是所有专业的竞争都激烈，“NLP 和视觉等领域的竞争非常激烈，但机器学习理论的竞争相对较少。”

不想吓到/劝阻您，只是完全诚实和透明。情况每年都变得更糟（竞争呈指数级增长），我通常鼓励那些刚刚进入机器学习研究（希望/目标是攻读博士学位）、没有现有经验和出版物的人三思而后行或考虑一下其他选项TBH。

评论区还有人发出了这样的提问，

这位亲历者表示：申请人与实验室/教授的研究契合程度对最终的录取起决定性作用。

对于那些询问质量而不是数量的人，我想说数量可以帮助你通过早期的录取阶段（因为申请者太多，所以他们必须使用“简单/可量化的指标”来过滤类似数量的论文 - 除非你有诸如来自知名研究人员的联系或强有力的信件之类的东西），但后来主要是质量和研究契合度，因为个别教师会审查学生的个人资料（甚至深入阅读他们的一些论文）并进行一对一的交流-1 次采访。因此，数量是帮助你进入后期阶段的一件事，但质量（不仅仅是你的论文，还有推荐信和你的实际经验/潜力）对于最终的录取决定更为重要。

总之，对于博士生的选拔和录用已经是一件难以言说又过度复杂的事情。

对于顶级ML博士招生来说最重要的事情是：

与教授的联系和研究契合 >= 推荐信（最好来自顶尖研究人员或目标教师熟悉的人）> 出版物（质量）>出版物（数量）>=你的整体研究经验和成就 > SOP（只要整体研究契合度、推荐信和个人简介都很强，在我看来，只要写得不差，这就不那么重要了）>>> GPA（只要是体面的并且可以正常完成学业）慷慨的截止值，你会没事的）>> GRE /无论什么考试成绩（通常也是基于截止值，我认为自从Covid以来，大多数博士课程不再需要它们）

对此，你是怎么认为的呢？

借着 Sora 作者被大家发现读博期间仅仅发表两篇论文，我们就已经讨论过一个所谓『科研价值观』的问题（Sora 作者被曝读博期间仅发表两篇论文，我们是否需要重塑科研价值观?）。而这样一个博士申请的问题，似乎又构成了另一个姊妹问题——

我们到底期待着什么样的博士教育？

从最朴素的意义上来讲，博士教育在很多语境下几乎被约等于科研训练。而如果我们将科研训练等同于“如何又快又好的制造一篇论文”，并把教授或是大学的职责定位为『教育者』，那么显然当下“手握多篇顶会一作却申博失败”的现象就是荒诞的。

虽然许多教授与大学具有『教育者』的身份，但是“如何评估教育的质量”是一个非常难以回答的问题，因此他们不得不被许多其他的目标所左右。比如教授需要发表论文来评职称争项目，比如大学需要论文发表来进行学科建设并维持排名，在这些目标下，博士教育事实上又并不等同于简单的科研训练。

伴随着这种卷，卷，卷。在当下整个 AI 领域，一切价值衡量标准彷佛都在经历一场恶性的通货膨胀……

1975 年，经济学家古德哈特针对英国货币政策提出了著名的『古德哈特定律』：一旦出于控制目的对其施加压力，任何观察到的统计规律都将趋于崩溃。这一定律后来被描述为当一个政策变成目标，那么它将不再是一个好的政策

博士培养体系首先需要从无效的内卷空转与恶意的收割利用中解放，而第一步所需要的，就是必要真正正确的科研价值观的指导。

引用“Slow Science”的概念，我们提到“科学需要时间来思考，科学需要时间阅读、需要时间失败”。

回到最开始的话题，无论博士申请是被接受还是被拒绝，这都无法成为定义申请人优秀与否的判书。最后引用帖子里评论区的一段话：“**It’s neither necessary nor sufficient for any of those things.**”

参考资料

[1]https://www.reddit.com/r/MachineLearning/comments/1c2x5mx/d_folks_here_have_no_idea_how_competitive_top_phd/[2]https://www.reddit.com/r/MachineLearning/comments/1c2pnam/d_multiple_firstauthor_papers_in_top_ml/?share_id=SCIfRyrtexeka80r8Fmhp&utm_content=1&utm_medium=ios_app&utm_name=ioscss&utm_source=share&utm_term=1