图灵奖得主未经致谢地重新发表了关键方法和思想

文章作者的公众印象

• 许多评论者说他们立刻猜到了这篇文章是谁写的，反映出他与公开优先权争议之间的强关联。
• 不少人形容他自我吹捧，是个“学术专利流氓”，或者在这个领域里成了一个活笑话；与此同时，他在历史上重要的工作和有影响力的实验室却仍然值得尊重。
• 也有人为他辩护，认为他是深度学习早期的重要贡献者，他的工作支撑着人们日常使用的系统；他们认为他的名声被社交媒体以及争议另一方的人物所扭曲。
• 还有些人表示同情：他们认为他原本没有得到应有的认可，因此变得越来越愤懑和好斗。

关于优先权与抄袭的指控

• 文章列举了多个案例，作者声称关键方法（例如对抗训练、消失梯度分析、注意力机制、元学习、蒸馏、门控 RNN、预训练）都在其团队中比后来图灵奖得主发表的高调工作早了好几年。
• 少数评论者表示他们核查了其中几项，尤其是 “B” 和 “H” 系列，未发现明显的事实错误。
• 也有人认为他更早的表述含糊、宽泛，或者只与后来的工作弱相关，而后来的工作则应因使这些具体模型真正有效并广泛适用而获得独立的功劳。

引用文化与学术诚信

• 许多人指出，老论文或不知名论文经常被忽视，尤其是在当时由于算力或工具不足而无法实际应用的情况下。重新发现是很常见的，而且有时会跨越使用不同术语的学科。
• 人们对引用政治普遍感到担忧：审稿人刻意搜罗引用、“必须引用”的权势人物，以及为了讨好别人而硬加引用，这些都在贬低参考文献列表的价值。
• 有人坚持认为，无论是否现实可行，只要原始工作一旦被确认与当前研究相关，就应该被引用；如果后来不去纠正记录，则被视为严重失范。

谁应获得功劳？思想与实现

• 一派认为，功劳主要应归于那些把想法在真实基准和真实数据上做成的人；抽象草图“多得是”。
• 另一派坚持认为，发明者和推广者应获得不同的功劳：前者归于方法的原创，后者归于规模化和证明其有效。
• 评论者对当前机器学习的规范是否真正体现了这一原则存在分歧。

个人轶事与更广泛的功劳分配问题

• 一位研究者回忆说，自己曾因据称没有引用文章作者而在公开场合遭到攻击，但他们的论文其实引用了更早、更基础的工作，而那位作者本人反而漏掉了这些工作。
• 另一则轶事（关于一家大型公司中另一项深度学习进展）描述了一个想法的提出者被排除在作者名单和致谢之外，这进一步强化了这样一种观点：该领域存在系统性的功劳分配问题，而不仅仅是某个有争议的个人问题。

讨论的语气

• 这条讨论线程两极分化：大量对文章作者的尖刻人身攻击，同时也有强调正当程序和谨慎事实核查的辩护声音。
• 一些参与者批评这场讨论本身缺乏科学性且受情绪驱动，警告不要因为控诉者不受欢迎，就将抄袭指控轻易否定。