真是令人意外。
PPO（Proximal Policy Optimization）这个后来在 RLHF 和大模型训练中被广泛使用的经典算法，当年曾被 NIPS 2017 拒之门外。
这件事最近由 PPO 作者 John Schulman 本人提起。他只用一句话概括了这段往事：PPO，曾经被 NIPS 2017 拒了。
这篇最早在 2017 年 7 月发布的论文，当时看起来只是一个更简单、更工程友好的策略优化算法。它的目标，是在保留 TRPO 稳定性的同时，降低实现复杂度，让强化学习训练更好调、更实用。
但几年之后，真正把 PPO 推向更大舞台的，反而不是 Atari、机器人控制这些传统强化学习任务，而是大语言模型。
从 RLHF 到今天的 RLVR，PPO 成了大模型后训练里绕不开的基础算法之一。按照 Schulman 的说法，PPO 在 LLM 时代迎来第二波热潮，原因甚至超出了原论文当年的预期。
这看起来并不像是 Schulman 在抱怨当年被拒稿，而更像是一种事后感慨：一项技术的真正影响力，往往会以发明者最初没有预料到的方式释放出来。
看到这里，很多人自然会好奇：PPO 当年为什么会被拒？
Schulman 后来给出的解释是，这篇论文在当时被认为创新性有限，相比已有基线方法的提升也不够明显。
有网友评论「这背后其实折射出学术评价与真实产业需求之间的一种错位。学术界往往更看重新颖性，以及在小规模、受控实验环境下相对基线的提升；而真实世界更在意的是方法能不能扩展到更大规模，能不能在复杂系统里保持稳定，能不能真正跑得起来。」
Schulman 对此也显得很平和。他表示，那已经是很久以前的事了，希望这些年过去之后，学术界已经逐渐理解并吸收了这种「简单但可规模化」的审美。
真正让他意外的是，PPO 这篇论文以及其中的目标函数，竟然能持续影响这么久。一个算法改动到底只是很快被遗忘、被替代的小修小补，还是会长期留在系统里、变成难以超越的基础组件，往往很难在一开始就判断出来。
而 PPO 的故事，恰恰说明了这一点。
其实何止 PPO。AI 史上不少后来被证明影响深远的工作，都曾在最初投稿时被顶会拒之门外。
LSTM：1996 年被 NIPS 拒稿，当时被认为过于复杂、缺乏生物学合理性。但后来成为语音识别、机器翻译等序列建模任务的核心技术。
SIFT：曾被 ICCV 1997、CVPR 1998 拒稿，原因是工程步骤繁琐、不够优雅。但它后来统治前深度学习时代的计算机视觉十多年。
Dropout：2012 年被 NIPS 拒稿，被认为像工程 hack、理论解释不够严谨。但它后来成为深度神经网络最重要的正则化方法之一，并获得 NeurIPS 时间检验奖。
有时候，时间才是最严格、也最公平的评审。
本文来自微信公众号 “机器之心”（ID：almosthuman2014），作者：关注RL的，36氪经授权发布。
