如何评价Sergey Levine大神每年中十几篇ICLR+十几篇NeurIPS？

营养师

等等还有不知道的中稿。这个趋势会怎样？

原文地址：https://www.zhihu.com/question/440111069

检验医师

室友是RAIL组里的，去年中了一篇icra
以起码他第一手跟我说在rail的感受就是rail做科研都是先写文章再做实验写代码。通俗点讲就是开始implement和做实验之前就assume一定能work，如果最后发现不work就各种小动作各种trick，导师也经常暗示可以搞不干净的work，整个产出paper过程像流水线
起码这种过程跟我所在的组有很大的区别，这种流程也不可避免会产生很多不能work的水文，仁者见仁智者见智了

清风寡欲

有幸在大牛还没有成为大牛之前访问我们的时候聊过一次，曾经多次审稿大牛的文章，其中包括一篇现在影响力比较大的文章。
大牛的connections太多，后期申大牛的文章的时候很大程度上是不想得罪人，西海岸的RL帮派现在势力正盛，已经在文章数量上超过了东岸的old school机器人学习帮会。现在讨论brooks当年的各种框架问题，西海岸的晚辈们大多嗤之以鼻。
拉文同学现在正是paper machine的高产期，多录用一篇也不会对领域有啥大的伤害，况且人家实验做得好，即便是文章总体质量不好，问题也大多出在没啥原创性贡献，这个只能怪帮会新成员的vision太差，而不是实验不充分之类的弱鸡问题，所以录了也不会出什么大错误。反正东岸想正刚拉文已经不现实了，倒不如快点申完文章好有时间搞自己的文章。

感恩由您

终于发现有人问这个问题了（哭笑）
上过Levine的DRL的（cs294）网课，讲的确实非常好，就是公式有点多（有的ppt里一页都是公式）。Levine算是Andrew Ng那一系的弟子。Levine的老师是Pieter Abbeel ，而Abbeel又是Ng的学生。Abbeel是DRL研究的大牛。从一次采访中可以看出Ng是很为Abbeel这个学生自豪的。（Ng的博士论文就是强化学习，可是后来他自己不弄了，让学生赶上了这波DRL的大热潮）

怎么看待的话？那只有佩服了。目前DRL领域的研究基本可以看作是赢者通吃，基本聚集在几个头部玩家那里（例如DeepMind，OpenAI，以及伯克利）。牛津的Whiteson组也很厉害，也是一中中八九篇的。他们组是研究MARL的，也算是赶上了这波大热潮。
你问我怎么看待？我只能说，个人的努力很重要，也要看时代的进程……（下面请网友自行想象）。Levine又占据了地利这个优势（身处伯克利，自己的老师，师爷，师祖都是牛人）。自身又很努力，自然能有这个成果了。这波叫做天时，地利，人和。

继续前进

本科的实验室在sergey的rail旁边，每天抬头不见低头见，而且有紧密合作，说一下我眼中的sergey
sergey是典型的workaholic，有时间就去实验室，晚上八九点走很正常，比abbeel在实验室呆的时间要多很多lol，听说他一年都不怎么休息，情人节圣诞节都不过。他们lab一个人跟我说他前几年就一天休息因为老婆生孩子。。。
sergey在我眼中就是一个机器人，每次问他technical问题他都能把这个topic的最新最火和经典的papers以及他们的主要思想讲出来，这可能是智商极好的表现lol
为什么那么多人说sergey水论文？我认为原因是他的appointments太多了，他是伯克利教授，同时brain的researcher，还和斯坦福有紧密联系。从他icml发的论文来看，他一是以伯克利老师身份带rail发，二是以伯克利老师身份带bair其他labs的人发，三是以brain研究院身份跟google发，四是以brain研究员身份带他的student researcher发，五是挂名斯坦福finn组的文章。但是从我们合作的experience看来，sergey在每个paper的engagement和involvement程度都是很大的。他会真正的给你提idea，跟bair的Stuart Russell就是一个对比lol
rail本来就四十多个人，你算算每个conference能发多少？而且sergey的资源巨好，各种各样的机构都会给他datasets供使用。他们实验室还有好几个sawyers，abbeel在疫情的时候还把blue借给他们lab的人带回家run实验。这种情况下，产出多很正常。
tldr，他论文这么多是正常的，智商高，资源好，职位多。不要酸葡萄心理觉得他水lol

长长的路

------- 几年过后的更新：
现在好了，搞大模型呗，几千张H100你看给不给吧。
-------- 2020年的回答。
对SL论文爆炸的情况我的心情是复杂的。可以写很多东西，但想了想，结合自己过往两年自己带学生的经历，还是只写一句吧：
作为一个带领团队的leader，能指明有肉的方向，让自己的学生和合作者都能吃上肉以及制霸一个方向，并且对给予到的资源能合理分配和保证持续顶会论文的输出（注意我这里并没有用“高质量”，论文本身质量仁者见仁），是非常了不起的一件事。
这个AI大爆炸的时代，给你100个人力和1000块GPU，如何做出匹配这些资源的学术输出是极其困难的一件事。这种困难，明白的人自然知道我在说啥。