十年论文终封神GPT天才本科与二本逆袭ICLR时间检验奖研究团队故事

ICLR 2026的时间检验奖刚刚揭晓，获奖者是一位我们熟悉又低调的名字——Alec Radford。

消息一出，社区里祝贺声不断，不少人感叹“实至名归”。

这位OpenAI的元老级人物，在社交媒体上异常低调，动态几乎全是转发和推荐他人的优秀工作。然而在技术圈内，他却是与Ilya Sutskever齐名的奠基者，初代GPT系列的核心架构正是出自他手。奥特曼曾将他比作爱因斯坦级别的天才，而OpenAI的总裁更是给出过这样的评价：只要他想要的，我们都给。

如今，这份迟来的荣誉终于落在他十年前以第一作者身份发表的DCGAN论文上。这篇论文引用量超过两万，不仅是机器学习领域最具影响力的文献之一，更是公认的将GAN成功推向工程应用的开山之作。

有趣的是，这篇里程碑论文的背后，站着三位当时都不是博士生的年轻人。这本身，就为这个故事增添了一抹传奇色彩。

时间检验奖首次颁给本科生

本届ICLR的时间检验奖罕见地开出了“双黄蛋”，两篇获奖论文分别是DCGAN和来自谷歌DeepMind的DDPG。前者为GPT系列模型奠定了核心逻辑，后者则证明了深度强化学习在连续控制任务上的可行性。ICLR连续三年以此奖项表彰经得起时间考验的成果，足见这两篇工作的经典程度。

评审委员会对DCGAN的评价极高：

这篇俗称DCGAN的论文，首次成功验证了基于学习的生成模型能够生成多样化、真实且结构复杂的图像。该研究成果正式开创了图像生成子领域，如今图像生成已是机器学习领域最热门的研究方向之一，同时在工业领域落地了大量成熟且成效显著的应用。尽管相关技术不断迭代升级（从生成对抗网络逐步发展至扩散模型），但DCGAN依旧历久弥新，是奠定这一重要研究领域的关键里程碑。

论文的三位作者，当时的身份是两位本科生和一位硕士生。

第一作者Alec Radford本科毕业于富兰克林·欧林工程学院。这所学院规模虽小，却以极高的师生比和强调项目实践的工程教育闻名，学术实力不容小觑。在校期间，他就与同学共同创立了公司Indico，并由此踏入了OpenAI的大门，一待就是八年。

他是早期GPT系列论文的核心贡献者，几乎参与了OpenAI所有重大突破，也是多模态模型CLIP的主导者。他所推动的Transformer架构与生成式预训练的结合，直接为后来的ChatGPT乃至整个大模型时代铺平了道路，同时在GPT-1到GPT-3、Whisper、DALL-E等关键项目中扮演了重要角色。截至目前，Alec Radford的论文总被引数已超过35万。

2024年底，他宣布离开OpenAI，转向独立研究。去年三月，他以顾问身份加入了前OpenAI首席技术官Mira Murati创立的Thinking Machines Lab。

第二位作者Luke Metz，与Alec同校，毕业后加入了Alec创立的Indico，并成为OpenAI的初始成员之一。随后他加入谷歌担任长期研究员，研究方向从生成模型转向优化算法与元学习，并于2022年短暂回归OpenAI，最终在2024年底同样加入了Thinking Machines Lab。

第三位作者Soumith Chintala的故事则更为人熟知。他不仅是DCGAN的作者之一，更是PyTorch的核心创作者和Meta的前副总裁。他的求学之路颇具戏剧性：本科就读于印度的韦洛尔理工学院，在申请硕士时曾连续被12所高校拒绝，最终凭借坚持拿到了纽约大学的offer，并幸运地师从Yann LeCun，由此踏入深度学习研究领域。

硕士毕业后，他的求职之路同样坎坷，几乎全部申请都被拒绝，最终进入一家小型创业公司。转机发生在2014年，经LeCun引荐，他加入Meta，并带领团队主导开发了PyTorch——这个如今全球最主流的开源机器学习框架之一。在Meta工作的十一年间，他从L4工程师一路晋升至副总裁。2025年底，他离开Meta，出任Thinking Machines Lab的首席技术官。

至此，DCGAN的三位作者在各自经历了辉煌的职业旅程后，于Thinking Machines Lab再度聚首。

其余获奖情况

除了时间检验奖，本届ICLR还评选出了两篇优秀论文奖：

• 《Transformers are Inherently Succinct》：该研究率先提出“简洁性”是衡量Transformer表达能力的一个新维度，并证明Transformer在描述某些复杂概念时，相比RNN等模型具有指数级甚至双指数级的优势。
• 《LLMs Get Lost In Multi-Turn Conversation》：设计了一种可扩展的方法来评估大语言模型的多轮对话能力，同时发现当交互轮次增多且指令不够明确时，大语言模型的适应性和可靠性会出现显著下降。

以及一篇优秀论文提名：

该研究运用逼近理论，为主流的Muon优化器设计了一套极分解最优多项式逼近方案，获得了业界的广泛认可。