许多学校都会有一句劝勉性质的格言，类似于“今天你以学校为荣，明天学校以你为傲”。

    对大部分人来说，这只是一句鸡汤。但有少部分的人，可以真的做到把一己之力把学校的知名度打响。

    论文也是如此，有些论文以刊登在顶级的期刊和会议为荣，而有些论文则是期刊和会议之所以成为顶级的原因。

    对科研稍有了解的人，基本都会认为发好的论文就要发SCI，发高分，一区的SCI期刊。这种观点确实绝大部分时候都没有什么问题。

    不过对计算机类，尤其是AI方向来说，其实会议比期刊要重要许多。

    会议是一种每年定时收稿，定时审稿，然后把中稿的作者全都聚在一起交流展示的形式。他的特点是审稿快，时间固定有保障。并且参会可以和作者直接面对面交流讨论。

    而期刊则是全年随时可以投稿，审稿时间不固定，也不会组织作者见面的传统形式。

    对于很多学科来说，期刊更为权威，更加正式，审核也更加严格。

    但对AI来说，期刊就显得太慢了。AI的速度太快，快到很多人没法等待。

    比如去年Ale夺冠，你13年初自己做了许多的研究，研究了四五个月，然后把稿子投了出去。如果你投的是会议，八九月份就已经宣布审稿结果了。

    十一二月你就可以舒舒服服地去会场和别人谈笑风生，然后顺利毕业。

    可如果你投的是期刊，可能半年的时间过去了还在审稿，这时候2013年的新结果一出来，审稿人一看，发现人家好像比你高了好几个点嘛。

    原本可能可以中的文章，因此被拒也非常正常。

    这时候真可以说是叫天天不应叫地地不灵了，运气好的转投差一些的会议和期刊，或许还能顺利。

    运气如果不好，文章辗转被拒绝2-3次，从此彻底过时也很有可能，半年的心血就此白费，对很多学生来说可能就是延毕一年的结局。

    由于这种独特而快速的学科节奏，AI方向重会议而轻期刊，往往是会议上取得成功，才会继续扩展文章的内容，投给期刊慢慢审稿。

    如果领域内的学者想要了解最近的动态，基本上不大会去期刊查询，都会关注最顶级的几个学术会议，并参会直接和作者们交流。

    期刊？刊出来的时候都已经是一年半前的技术了。时代变了，大人。

    不过此时此刻，即便是会议对孟繁岐来说还是太慢了。ImAGENET的结果已经初步公布，他相信关注这件事的有心人都已经将目光锁定在drea和队伍dream上。

    既然纽约时报都已经关注到了这件事情，那看来是时候发出生成式对抗网络为drea再加一把火了。

    有的文章依赖高级别会议和期刊的名声为自己加持，而有的则不需要。

    AI顶会CVPR的收稿截止日期是2013年11月1号，孟繁岐投稿之后，可以选择匿名将自己的投稿内容公开。

    这样做是不违反规定的。

    只是有些时候，这件事情根本是掩耳盗铃，脱裤子放屁罢了。

    就比如现在的情况，孟繁岐准备公布自己的预印本，《基于drea的生成式对抗网络》。

    即便他选择匿名，又有谁会不知道这篇文章的作者会是谁呢？

    drea现在的细节没有任何信息公布，除了他还能有谁做到在这个时候发布这篇基于drea的论文？

    同理，后世AI技术逐渐向大模型发展，动辄几百上千块GPU。很多时候只看用了几张卡，用了谁家的独有大数据，看看内容就能猜到是哪家公司的哪个研究组了。

    其他人想做也没那个资源，没那个能力。

    既然是多此一举，孟繁岐自然不会做这样无聊的事情。

    “此时此刻，我最怕的就是别人认不出我，又何必匿名呢？”

    如此想着，孟繁岐便将这篇论文公布在了arxiv网站上。至于CVPR会议的人会不会觉得这样的做法违背了双盲审稿原则，就不在他在意的范围之内了。

    arxiv是一个开放的学术预印本存储网站，是一种现代的分享研究成果的方式。

    起初是因为某些基础学科审稿实在太久了，尤其是数学和物理，有的论文可能几个月都找不到人来读，根本没有人看得懂。

    在这种情况下，许多人会考虑把一个比较草稿的版本，或者干脆就是最终版本直接放到arxiv这个公开平台上来。

    这样可以促进交流和学科的发展速度，也是一种证明自己研究结果是何时得到的证据。

    后来，计算机，统计，生物，经济等学科也逐渐加入，arxiv越来越包罗万象。

    和正经的会议和期刊不同，arxiv只是一个开放平台。和pixiv这个插图分享网站一样。arxiv和pixiv基本上都不对上传的内容做非常严格的审查，因此上面的内容水平有高有低。

    arxiv也不是一个正式的会议和期刊，其内容自然也不算真的发表。发布在上面的内容没有经过同行评审，有不被人承认的风险。

    民科也大可以将自己的永动机大作发表在上面，装作一副高深莫测的样子。

    别的不说，哄骗一下不知情的外行人还真有奇效。页面上论文简介，各种领域标签，还有引用方式都有模有样的，又全是英文。非科研人员乍一看到很容易上当。

    不过孟繁岐丝毫不担心这件事情。现代AI的逻辑就是这么简单粗暴。

    原理和代码就在这里，用相同的随机种子，任何人都可以复现我的结果。

    别人承认不承认，质疑不质疑，孟繁岐完全不在意。

    甚至，他隐隐有且期待，因为这种冲突会带来相当可观的关注度。

    不多时，孟繁岐提交了生成式对抗网络的latex源文件，在网站上编译出了pdf文件。只待两天后，网站统一更新这些新增的文章。

    与此同时，该论文的原作者伊恩(Ian Goodfellow)最近刚想到了这个点子的雏形，还处在思索的阶段，距离真正成型的生成-对抗框架还有着相当长的一段路程要走。

    伊恩正在前往他博士导师，AI三巨头之一的——本吉奥，办公室的路上。

    “这是一个绝妙的想法，我需要一些帮助。”伊恩如此想道，“我要在我博士的最后一年完成这个前所未有的绝佳工作。”

    他决不会想到，有一篇更加完善，实验更加详尽，对相关领域的讨论和反思也更加全面的文章已经公布。