【导语：PPO算法作为后来在RLHF和大模型训练中被广泛使用的经典算法，曾被NIPS 2017拒之门外。而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稿，时间才是最严格、也最公平的评审。】
PPO（Proximal Policy Optimization）这个经典算法，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。但当年却被NIPS 2017拒之门外，最近由PPO作者John Schulman本人提起此事。
几年之后，真正把PPO推向更大舞台的，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。
Schulman后来给出PPO被拒的解释是，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。
其实不止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。比如LSTM在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在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。
编辑观点：PPO等算法的经历表明，学术评价与产业需求存在差异，时间会证明技术的真正价值，不应仅以学术评审的一时结果来评判技术的潜力。
