0博士組合拿下ICLR時間檢驗獎，十年論文終封神

• 鷺羽 發自 凹非寺
  量子位 | 公眾號 QbitAI

ICLR 2026時間檢驗獎新鮮出爐，獲獎者——

GPT天才本科生Alec Radford

網友們紛紛送來祝賀：“實至名歸！”

Alec為人相當低調，其社媒清一水的都是轉發推薦他人優秀成果。

但實則他在OpenAI里是和Ilya齊名的技術大神，也是初代GPT系列奠基者

奧特曼曾稱他為愛因斯坦級別的天才，OpenAI總裁更是直言：

• 只要他想要的，我們都給。

如今，這篇他在十年前一作發表的DCGAN論文，終于正式封神！

引用量超2w，是機器學習領域最具影響力的論文之一，也是公認的GAN工程應用開山之作。

而這篇論文之所以引人注目，還有另一層原因：

三位作者，沒有一個是博士生

u1s1，這真的很酷！

時間檢驗獎首次頒給本科生

出乎意料的是，本屆ICLR一口氣開出個雙黃蛋，兩個時間檢驗獎分別是DCGANDDPG

前者直接影響了GPT系列模型的核心邏輯，后者則來自谷歌DeepMind，證明了深度強化學習可以應用于連續控制。

這也是ICLR連續三年都在以時間檢驗獎的形式認可機器學習成果，也足見這兩篇論文的經典程度不分伯仲。

組委會是這樣評價DCGAN這篇論文的：

• 這篇俗稱DCGAN的論文，首次成功驗證了基于學習的生成模型能夠生成多樣化、真實且結構復雜的圖像。
• 該研究成果正式開創了圖像生成子領域，如今圖像生成已是機器學習領域最熱門的研究方向之一，同時在工業領域落地了大量成熟且成效顯著的應用。
• 盡管相關技術不斷迭代升級（從生成對抗網絡逐步發展至擴散模型），但DCGAN依舊歷久彌新，是奠定這一重要研究領域的關鍵里程碑。

本論文共有三位作者，2個本科1個碩士

其中，Alec Radford本科畢業于富蘭克林·歐林工程學院（Franklin W. Olin College of Engineering）

據網友介紹，這是一所規模不大但實力不容小覷的工程院校。

通常只有400名學生，知名度雖不及哈佛、MIT等同類科技學校，但它們的學生在項目方向上個人自由度高，學校學術能力媲美常春藤名校。

在那里，他和同學們一起創立了公司Indico，并隨后加入OpenAI，一干就是八年。

他是最早期GPT系列論文的核心貢獻者，幾乎參與了OpenAI所有的重大突破，也是多模態模型CLIP的主導者。

他所提出的Transformer架構加生成式預訓練的方法，直接奠定了后續ChatGPT和其它大模型的基礎，同時也在GPT-1到GPT-3、Whisper、DALL-E的研發中擔任關鍵角色。

截止目前，Alec Radford的論文總被引數已超35萬

但在2024年底，Alec正式宣布告別老東家，轉而追求獨立研究。在去年3月，他以顧問的方式加入了前OpenAI CTO Mira Murati創立的Thinking Machines Lab

和他同期進新公司的，還有前OpenAI首席研究員Bob McGrew。

另一位本科生作者Luke Metz，和Alec都出自歐林工程學院，并在畢業后加入了Alec創立的Indico公司。

他也是OpenAI的初始成員之一，隨后他進入谷歌擔任長期研究員，研究重心從生成模型逐漸轉向優化算法和元學習，并在2022年短暫回歸OpenAI，24年底轉投Thinking Machines Lab。

最后一位作者Soumith Chintala，他廣為人知的身份除了是DCGAN論文作者之一，還是PyTorch的核心作者、Meta前副總裁。

他本科就讀于韋洛爾理工學院（VIT），這是一所當地的二流工程院校，這也讓他在申請碩士時屢屢碰壁，被12所高校連續拒絕。

直到最后，他終于堅持不懈收到了紐約大學發來的offer，并成功收獲LeCun青睞，得以師從LeCun。在那里，LeCun影響了Soumith的研究方向，他開始從事早期深度學習研究。

但在完成碩士學位后，Soumith再次碰壁，幾乎申請的全部工作都被拒絕，只能進入一家名為MusiAmi的小型創業公司，從事移動深度學習工作。

直到2014，在Lecun的引薦下，他進入Meta工作，并帶領團隊成員主導設計了PyTorch。而PyTorch已經成為目前全世界使用最廣泛的開源機器學習平臺之一。

在Meta工作11年后，Soumith一路從L4工程師晉升至副總裁，成為Meta核心人物。在2025年底，他離開了Meta，并加入Thinking Machines Lab擔任CTO。

自此，DCGAN三位作者兜兜轉轉，最終再次齊聚Thinking Machines Lab

其余獲獎情況

除此之外，ICLR還頒布了兩篇優秀論文獎：

• 《Transformers are Inherently Succinct》：率先提出簡潔性是衡量Transformer表達能力的新維度，同時證明Transformer在描述某些復雜概念時，相比RNN等模型存在指數級甚至雙指數級優勢。
• 《LLMs Get Lost In Multi-Turn Conversation》：設計了一種可擴展的方法來評估LLM的多輪對話能力，同時發現當交互涉及多輪對話和指令不明確時，LLM的適應性和可靠性會大幅度下降。

和一篇優秀論文提名：

其中，研究者運用逼近理論，為主流Muon優化器設計了一套極分解設計最優多項式逼近方案，收獲了業界一致的認可。

[1]https://blog.iclr.cc/2026/04/22/announcing-the-test-of-time-awards-from-iclr-2016/
[2]https://scholar.google.com/citations?user=dOad5HoAAAAJ&hl=en
[3]https://www.bostonglobe.com/2023/06/10/business/how-couple-olin-college-students-helped-spark-ai-chatbot-revolution/
[4]https://techcrunch.com/2025/04/08/mira-muratis-ai-startup-gains-prominent-ex-openai-advisers/
[5]https://timesofindia.indiatimes.com/etimes/trending/meet-soumith-chintala-indian-origin-techie-rejected-by-12-us-universities-now-cto-of-thinking-machines-lab/articleshow/126552880.cms