横扫10大AI顶会“最佳论文”的学术巨擘：他们是谁？

发布时间：2026/7/15 13:31:14

「定义十年AI方向」

01 Top 1: 贾登 (Jia Deng) —— 计算机视觉的架构师

代表性获奖论文

02 Top 2: Percy Liang —— 基础模型时代的思想家

代表性获奖论文

03 Top 3: Roland Siegwart —— 具身智能与飞行机器人的先驱

代表性获奖论文

04 从视觉感知到具身交互的时代缩影

在人工智能与具身智能飞速发展的今天，顶级学术会议的“最佳论文（Best Paper Award）”不仅是学者个人荣誉的巅峰，更是整个领域技术演进的“风向标”。

从CVPR、ICCV、ECCV到NeurIPS、ICML、ICLR，再到机器人领域的ICRA、IROS、RSS、CoRL，这10大顶会见证了从深度学习爆发到大模型涌现，再到具身智能落地的全过程。

在梳理了过去十余年这10大顶会的主奖（Best Paper Award / Best Conference Paper Award）名单后，我们发现，有几位学术巨擘的名字频繁出现。他们不仅在各自的细分领域做出了开创性的贡献，更是带领实验室屡创佳绩，成为了名副其实的“大奖收割机”。

本文将带您走近这三位斩获3次顶会主奖的顶尖PI，并回顾他们那些改变了行业轨迹的代表性工作。

本次盘点只统计每个会议的最高奖项（如Best Paper Award、Outstanding Paper Award、Marr Prize等），不包含Best Student Paper、Best System Paper等其他子奖项。为了体现实验室的持续科研实力，我们以论文的通讯作者或主要PI为单位进行统计计数。

01 Top 1: 贾登 (Jia Deng) —— 计算机视觉的架构师

贾登教授（现任普林斯顿大学计算机科学系副教授）是计算机视觉领域的领军人物。他不仅是著名ImageNet数据集的核心贡献者之一，更在目标分类、光流估计等底层视觉任务上做出了颠覆性的创新。他曾三次斩获计算机视觉三大顶会（ICCV/ECCV）的最佳论文主奖。

图1 | 贾登（右）与Zachary Teed（左）获得ECCV 2020最佳论文奖官方公告

代表性获奖论文

1. ICCV 2013 Best Paper: "From Large Scale Image Categorization to Entry-Level Categories"

核心贡献：在ImageNet大放异彩的初期，分类模型往往输出WordNet最底层的生僻词汇（如“Sarcophaga carnaria”）。贾登团队首次提出了一种将大规模图像分类结果映射到人类日常使用的“入门级类别（Entry-Level Categories，如“fly”苍蝇）”的框架。
获奖理由：该工作打通了机器视觉分类与人类自然语言认知之间的鸿沟，为后续的图像描述（Image Captioning）和多模态理解奠定了基础。

图2 | ICCV 2013论文中基于词频和视觉特征的Entry-level Categories映射框架

2. ECCV 2014 Best Paper: "Large-Scale Object Classification using Label Relation Graphs"

核心贡献：传统的Softmax分类器假设类别之间是互斥的（Mutually Exclusive），但这在现实世界中并不成立（例如“哈士奇”也是“狗”）。该论文引入了HEX（Hierarchy and Exclusion）图模型，首次在深度神经网络中灵活编码了标签之间的包含、重叠和互斥关系。
获奖理由：提供了一种优雅且数学上严谨的图模型方法，显著提升了大规模、多标签图像分类的准确性和逻辑一致性。

图3 | ECCV 2014论文中提出的HEX图模型（右）与传统Softmax（左）的对比架构

3. ECCV 2020 Best Paper: "RAFT: Recurrent All-Pairs Field Transforms for Optical Flow"

核心贡献：提出了RAFT架构，通过提取全像素对相关性特征卷（All-Pairs Correlation Volumes），并使用循环神经网络（GRU）进行迭代更新，彻底刷新了光流估计的精度上限。
获奖理由：RAFT不仅在多个光流数据集上取得了SOTA，其出色的泛化能力和简洁的架构使其迅速成为光流估计和运动跟踪领域的全新Baseline。

图4 | RAFT论文提出的全像素对相关性特征卷与循环更新架构图

02 Top 2: Percy Liang —— 基础模型时代的思想家

Percy Liang（斯坦福大学计算机科学副教授、CRFM基础模型研究中心主任）是机器学习和自然语言处理领域的权威。他的研究不仅推动了模型可解释性的发展，更是对当前“大模型热潮”进行了冷峻而深刻的学术审视。他同样斩获了3次机器学习顶会（ICML/NeurIPS）的最佳论文主奖。

图5 | Percy Liang在NVIDIA GTC现场发表演讲探讨基础模型的未来

代表性获奖论文

1. ICML 2017 Best Paper: "Understanding Black-box Predictions via Influence Functions"

核心贡献：将稳健统计学中的“影响函数（Influence Functions）”引入深度学习，提出了一种无需重新训练模型即可追踪预测结果来源（即找出对当前预测影响最大的训练样本）的方法。
获奖理由：在深度学习“黑盒”问题最受诟病的时期，提供了一种具有坚实数学基础的白盒化解释工具，对AI安全和数据归因产生了深远影响。

图6 | ICML 2017论文中Influence Functions追踪有害训练样本的原理图

2. NeurIPS 2021 Best Paper: "On the Opportunities and Risks of Foundation Models"

核心贡献：这篇长达200多页的巨著首次正式定义了“基础模型（Foundation Models）”这一概念，全面梳理了以大语言模型为代表的基础模型在能力涌现、社会偏见、法律风险和生态系统构建等方面的机遇与挑战。
获奖理由：这是AI发展史上的里程碑文献，为整个学术界和工业界指明了后深度学习时代的研究范式和伦理边界。

图7 | NeurIPS 2021论文提出的Foundation Models生态系统演进路线图

3. NeurIPS 2023 Best Paper: "Are Emergent Abilities of Large Language Models a Mirage?"

核心贡献：针对业界普遍认为大模型在参数规模跨过阈值时会产生“涌现能力（Emergent Abilities）”的观点，该论文通过严谨的实验证明，所谓的“涌现”很可能是由于研究者选择了非线性或不连续的评估指标（如Exact Match）造成的“海市蜃楼”。
获奖理由：在狂热的大模型浪潮中保持了难得的学术清醒，从根本上纠正了人们对LLM能力增长曲线的误解，重塑了大模型评估的科学标准。

图8 | NeurIPS 2023论文揭示不同评估指标导致“涌现”假象的对比曲线图