第1点就是如果发论文的话就非常的麻烦，而且过程也很复杂，第2点就是硕士学位的人基本上就是很有文化修养，也不必发论文，第3点就是论文其实只是一个代表性，没有什么特殊的实质性。
sci论文的发表可以看作是作者学术能力水平的最有力证明，sci论文发表是对作者科研成果、写作水平的高度认可，也正是因此，发表sci论文是国内很多科研工作者的目标，但sci的发表是有很高难度的，sci发表有什么条件要求?从作者自身角度来说，最重要的也是最需要具备的条件就是专业知识水平以及英语写作能力水平，具备较高水平的专业知识才能写作sci论文。
发表SCI论文跟学历没有绝对的关系，跟能力的关系比较大。想要成功发表SCI论文，优秀的英文表达水平必不可少，很多作者写论文的时候还是中式英语的思维方式，有的对于专业名词的使用也很不准确不严谨，甚至对于时态的使用也是一堆错误。这样就会使得以英语为母语的审稿人看得很是头痛。发表成功率自然就大大降低了。
SCI论文的署名顺序肯定是以贡献多少来确定的。也就是说贡献最大的作者排名为第一作者，其次为第二作者和第三作者。一篇SCI论文里面受益最大的是第一作者和通讯作者，有的时候当贡献比较一致无法平衡的时候，也会出现共同一作这样的分配。要求论文使用英文来进行表达。如果是原作者的英文水平有限，就需要更高水平的英文编辑来帮忙翻译并母语化润色了。
要求论文的有一定的创新性。论文能否成功发表在sci期刊上，它的创新性很重要。发表在sci期刊上的论文，对其专业性要求很高，专业不同论文专题当然会有差异。所以在后来的科研学者要想把自己的论文发表在sci里，就必须要留意论文的创新性。另外，具有创新性的论文专题比常规性论文专题更易被收录。
对于清华大学的学生来说一点也不严格，因为他们的学习能力比较强，然后在学术研究领域这方面的成就也比较高，写论文的过程中也可以提高自己的研究能力和学术水平，能够产生巨大的价值，之后也可以作为文献使用。
我觉得还好，在清华大学读博士，说明这个学生的学术能力很强，他们应该有这个能力，清华老师提出这个要求也是为了鞭策学生，让学生能力变得更强。
《泰晤士高等教育》公布了世界大学排名，中国众多大学的排名都获了提升，从而体现了我国教育事业的发展势头强劲，其中清华大学，北京大学，复旦大学，上海交通大学，浙江大学等高校都榜上有名。
国内大学排名。随着近几年我国教育事业的蓬勃发展和良好的发展环境。我国大学科研实力都得到了很高的提升。本次排行中以清华大学的排行最高，位居世界第十六位，紧随其后的就是北京大学。复旦大学排名第五十一，上海交通大学排名第五十二，浙江大学排名第六十七，中国科技大学排名第七十四，南京大学排名第九十五。总共有七所大学排名前一百位，这些大学也都在意料之中。
国外大学排名。全球排名前十的大学除了英国牛津大学排名第一，剑桥大学排名第二和帝国理工学院排名第十外，其它的大学全部都来自于美国。美国哈佛大学位列第二，美国斯坦福大学并列第三，随后是麻省理工学院，加州理工学院，普林斯顿大学，加州大学伯克利分校和耶鲁大学。我国的清华大学和北京大学虽然排名比较接近，但是同顶级大学之间依旧存在较大的差距。
排名提升的原因。随着我国经济的崛起，我国开始吸引全球顶尖的学者和专家来到中国交流合作，无疑对于提升我国的科研水平具有非常重要的作用。美国的高等教育和研究领域的地位受到了中国的强有力的挑战。此外中国的各所大学在世界重要期刊和杂志上发表论文的数量和质量都呈现了明显的增长势头。申请的专利权数量也显著的增加。中国科技大学，浙江大学，复旦大学和清华大学的论文发表数量已经超过十万以上，北京大学接近十万篇。
清华大学公布了2020至2021学年度第9次校务会议修订的《攻读硕士学位研究生培养工作规定》，明确提出不把发表学术论文作为申请学位论文答辩或申请学位的前置条件。《规定》破除了硕士生学位评定中的“唯论文”倾向，取消“非专业学位硕士生应至少完成一篇与学位论文内容相关且达到发表要求的论文”的要求，不把发表学术论文作为申请学位论文答辩或申请学位的前置条件。《规定》坚持，“学位论文是进行学位评定的主要依据”，要求硕士生“在指导教师指导下独立完成学位论文研究工作，相应形成的创新成果应当以学位论文的形式完整呈现”；“硕士生完成个人培养计划、达到所在学科或专业学位类别培养方案相关要求、完成学位论文工作并达到相关要求后，方可申请学位论文答辩”。
看不说研究生需要发表论文这一事情，许多的本科生基本上都需要写一篇毕业论文，很多的学生把这当作是一件非常痛苦的事情，其实有许多的学者提出，本科生写的论文真的能对我们、对社会现象起到什么作用吗？答案不言而喻，其实很多的学生为了毕业会水论文凑字数，甚至之前还有一条完整的产业链帮代写论文，这一切其实都可以看出论文是需要很多的基础知识和社会实践才能过写出的东西，而不是我们学生随便一挥手就能勾出现的东西。
其实许多的搞笑综艺把发表论文作为一个评判的标准，这样子可以快速高效的认定这个学生在大学期间或者研究生期间是否真的把自己的时间投入到学习中去，但是这样的批判标准实在是太片面，清华作为我国的高等学府，孕育出了无数科学家人才，他们要做第一个吃螃蟹的人，打破常规对学生的禁锢，这样说不定学生会更加愿意的投入到实践和创作中去。
我觉得还好，在清华大学读博士，说明这个学生的学术能力很强，他们应该有这个能力，清华老师提出这个要求也是为了鞭策学生，让学生能力变得更强。
1、第一档次中国名校：清华大学、北京大学。清华和北大连年都为抢生源交战，排名一个第1、一个第二，可谓是不分雌雄，这两所牛校是很多高材生的必争之地，清华北大各有优势，在中国可谓是如雷贯耳，无人不知无人不晓。2、第二档次中国名校：（1）复旦大学、上海交通大学。复旦、上海交大、清华、北大四所大学放在一起又可统称为中国四大名校，是名副其实不可撼动的十大名校之首。（2）浙江大学、中国科学技术大学、南京大学。
《泰晤士高等教育》公布了世界大学排名，中国众多大学的排名都获了提升，从而体现了我国教育事业的发展势头强劲，其中清华大学，北京大学，复旦大学，上海交通大学，浙江大学等高校都榜上有名。
国内大学排名。随着近几年我国教育事业的蓬勃发展和良好的发展环境。我国大学科研实力都得到了很高的提升。本次排行中以清华大学的排行最高，位居世界第十六位，紧随其后的就是北京大学。复旦大学排名第五十一，上海交通大学排名第五十二，浙江大学排名第六十七，中国科技大学排名第七十四，南京大学排名第九十五。总共有七所大学排名前一百位，这些大学也都在意料之中。
国外大学排名。全球排名前十的大学除了英国牛津大学排名第一，剑桥大学排名第二和帝国理工学院排名第十外，其它的大学全部都来自于美国。美国哈佛大学位列第二，美国斯坦福大学并列第三，随后是麻省理工学院，加州理工学院，普林斯顿大学，加州大学伯克利分校和耶鲁大学。我国的清华大学和北京大学虽然排名比较接近，但是同顶级大学之间依旧存在较大的差距。
排名提升的原因。随着我国经济的崛起，我国开始吸引全球顶尖的学者和专家来到中国交流合作，无疑对于提升我国的科研水平具有非常重要的作用。美国的高等教育和研究领域的地位受到了中国的强有力的挑战。此外中国的各所大学在世界重要期刊和杂志上发表论文的数量和质量都呈现了明显的增长势头。申请的专利权数量也显著的增加。中国科技大学，浙江大学，复旦大学和清华大学的论文发表数量已经超过十万以上，北京大学接近十万篇。
2023年世界大学排名出来，中国有北京大学，清华大学。这些大学都榜上有名。
我觉得还好，在清华大学读博士，说明这个学生的学术能力很强，他们应该有这个能力，清华老师提出这个要求也是为了鞭策学生，让学生能力变得更强。
这样子挺好，可以减少很多不必要的文字形式，一个硕士学位不单单是看论文写的好坏，更多的应该考虑一个学生的整体素质和学习能力
论文: EfficientDet: Scalable and Efficient Object Detection
目前目标检测领域，高精度的模型通常需要很大的参数量和计算量，而轻量级的网络则一般都会牺牲精度。因此，论文希望建立一个可伸缩的高精度且高性能的检测框架。论文基于one-stage的检测网络范式，进行了多种主干网络、特征融合和class/box预测的结构尝试，主要面临两个挑战:
FPN是目前最广泛的多尺度融合方法，最近也有PANet和NAS-FPN一类跨尺度特征融合方法。对于融合不同的特征，最初的方法都只是简单地直接相加，然而由于不同的特征是不同的分辨率，对融合输出特征的共享应该是不相等的。为了解决这一问题，论文提出简单但高效加权的bi-directional feature pyramid network(BiFPN)，该方法使用可学习的权重来学习不同特征的重要性，同时反复地进行top-down和bottom-up的多尺度融合
论文认为除了缩放主干网络和输入图片的分辨率，特征网络(feature network)和box/class预测网络的缩放对准确率和性能也是很重要的。作者借鉴EfficientNet，提出针对检测网络的混合缩放方法(compound scaling method)，同时对主干网络，特征网络和box/class预测网络的分辨率/深度/宽度进行缩放
最后，论文将EfficientNet作为主干，结合BiFPN和混合缩放，提出新的检测系列EfficientDet，精度高且轻量，COCO上的结果如图1，论文的贡献有以下3点：
定义多尺寸特征 ，论文的目标是找到变化函数 来高效融合不同的特征，输出新特征 。具体地，图2a展示了top-down FPN网络结构，一般FPN只有一层，这里应该为了对比写了repeat形式。FPN获取3-7层的输入 ， 代表一个分辨率为 的特征层
top-down FPN操作如上所示， 为上采用或下采样来对齐分辨率， 通常是特征处理的卷积操作
top-down FPN受限于单向的信息流，为了解决这一问题，PANet(图2b)增加了额外的bottom-up路径的融合网络，NAS_FPN(图2c)使用神经架构搜索来获取更好的跨尺度特征网络的拓扑结构，但需要大量资源进行搜索。其中准确率最高的是PANet，但是其需要太多的参数和计算量，为了提高性能，论文对跨尺寸连接做了几点改进：
大多的特征融合方法都将输入特征平等对待，而论文观察到不同分辨率的输入对融合输出的特征的贡献应该是不同的。为了解决这一问题，论文提出在融合时对输入特征添加额外的权重预测，主要有以下方法：
， 是可学习的权重，可以是标量(per-feature)，也可以是向量(per-channel)，或者是多维tensor(per-pixel)。论文发现标量形式已经足够提高准确率，且不增加计算量，但是由于标量是无限制的，容易造成训练不稳定，因此，要对其进行归一化限制
，利用softmax来归一化所有的权重，但softmax操作会导致GPU性能的下降，后面会详细说明
，Relu保证 ， 保证数值稳定。这样，归一化的权重也落在 ，由于没有softmax操作，效率更高，大约加速30%
BiFPN集合了双向跨尺寸的连接和快速归一化融合，level 6的融合操作如上， 为top-down路径的中间特征， 是bottom-up路径的输出特征，其它层的特征也是类似的构造方法。为了进一步提高效率，论文特征融合时采用depthwise spearable convolution，并在每个卷积后面添加batch normalization和activation
EfficientDet的结构如图3所示，基于one-stage检测器的范式，将ImageNet-pretrained的EfficientNet作为主干，BiFPN将主干的3-7层特征作为输入，然后重复进行top-down和bottom-up的双向特征融合，所有层共享class和box网络
之前检测算法的缩放都是针对单一维度的，从EfficientNet得到启发，论文提出检测网络的新混合缩放方法，该方法使用混合因子 来同时缩放主干网络的宽度和深度、BiFPN网络、class/box网络和分辨率。由于缩放的维度过多，EfficientNet使用的网格搜索效率太慢，论文改用heuristic-based的缩放方法来同时缩放网络的所有维度
EfficientDet重复使用EfficientNet的宽度和深度因子，EfficinetNet-B0至EfficientNet-B6
论文以指数形式来缩放BiFPN宽度 (#channels)，而以线性形式增加深度 (#layers)，因为深度需要限制在较小的数字
box/class预测网络的宽度固定与BiFPN的宽度一致，而用公式2线性增加深度(#layers)
因为BiFPN使用3-7层的特征，因此输入图片的分辨率必需能被 整除，所以使用公式3线性增加分辨率
结合公式1-3和不同的 ，论文提出EfficientDet-D0到EfficientDet-D6，具体参数如Table 1，EfficientDet-D7没有使用 ，而是在D6的基础上增大输入分辨率
模型训练使用momentum=0.9和weight decay=4e-5的SGD优化器，在初始的5%warm up阶段，学习率线性从0增加到0.008，之后使用余弦衰减规律(cosine decay rule)下降，每个卷积后面都添加Batch normalization，batch norm decay=0.997，epsilon=1e-4，梯度使用指数滑动平均，decay=0.9998，采用 和 的focal loss，bbox的长宽比为 ，32块GPU，batch size=128，D0-D4采用RetinaNet的预处理方法，D5-D7采用NAS-FPN的增强方法
Table 2展示了EfficientDet与其它算法的对比结果，EfficientDet准确率更高且性能更好。在低准确率区域，Efficient-D0跟YOLOv3的相同准确率但是只用了1/28的计算量。而与RetianaNet和Mask-RCNN对比，相同的准确率只使用了1/8参数和1/25的计算量。在高准确率区域，EfficientDet-D7达到了51.0mAP，比NAS-FPN少使用4x参数量和9.3x计算量，而anchor也仅使用3x3，非9x9
论文在实际的机器上对模型的推理速度进行了对比，结果如图4所示，EfficientDet在GPU和CPU上分别有3.2x和8.1x加速
论文对主干网络和BiFPN的具体贡献进行了实验对比，结果表明主干网络和BiFPN都是很重要的。这里要注意的是，第一个模型应该是RetinaNet-R50(640)，第二和第三个模型应该是896输入，所以准确率的提升有一部分是这个原因。另外使用BiFPN后模型精简了很多，主要得益于channel的降低，FPN的channel都是256和512的，而BiFPN只使用160维，这里应该没有repeat
Table 4展示了Figure 2中同一网络使用不同跨尺寸连接的准确率和复杂度，BiFPN在准确率和复杂度上都是相当不错的
Table 5展示了不同model size下两种加权方法的对比，在精度损失不大的情况下，论文提出的fast normalized fusion能提升26%-31%的速度
figure 5展示了两种方法在训练时的权重变化过程，fast normalizaed fusion的变化过程与softmax方法十分相似。另外，可以看到权重的变化十分快速，这证明不同的特征的确贡献是不同的，
论文对比了混合缩放方法与其它方法，尽管开始的时候相差不多，但是随着模型的增大，混合精度的作用越来越明显
论文提出BiFPN这一轻量级的跨尺寸FPN以及定制的检测版混合缩放方法，基于这些优化，推出了EfficientDet系列算法，既保持高精度也保持了高性能，EfficientDet-D7达到了SOTA。整体而言，论文的idea基于之前的EfficientNet，创新点可能没有之前那么惊艳，但是从实验来看，论文推出的新检测框架十分实用，期待作者的开源
本篇文章来自CVPR2020，名字是Bringing Old Photos Back to Life，主要做对老照片的恢复工作。
老照片中往往包含多种瑕疵，且不同年代的照片由于摄影技术的不同，其畸变类型有着显著的差异。这使得在合成数据集上训练得到的模型难以适应于实际老照片的修复。与常见图片修复依赖配对监督信号不同，作者将老照片修复问题定义为在 三个图片域之间的转换问题 ：实际待修复的老照片X、合成图像R以及无瑕疵高质量目标域图片Y分别视为三个图片域，我们希望学习得到X-Z的映射，如下图1，中合成图片与目标域图片形成配对关系。
采用如图2所示的网络结构实现三元域图像转换。 具体来说，作者提出用两个变分自编码器（VAE）来分别得到两个隐空间 Z_X（≈Z_R）和Z_Y。第一个自编码器（VAE1）学习重建真实老图片与合成图片，并在中间用一个对抗学习的判别网络将两种输入的隐空间对齐到同一空间。 这里我们采用变分编码器而不是普通的自编码器，这是因为变分编码器假设隐空间满足高斯先验（Gaussian prior），因而图片的隐空间编码更为紧凑，两种输入域的分布更容易被拉近。
类似的，我们用第二个自编码器 VAE2 得到高质量目标图片的隐空间编码。之后，我们固定两个 VAE 的编解码器，利用合成图片与目标图片的显式配对关系（标识为红色框），学习一个额外的隐空间映射（蓝色虚线），以实现对图片的修复。
此外，我们注意到老照片的瑕疵可以归类为 局部损伤以及广泛性损伤 。局部损伤有照片破损、污渍、划痕、褶皱等等，往往照片含有内容上的损坏，需要网络利用全局语义信息来实现修复；广泛性损伤指图片模糊、胶片噪声、颜色泛黄等整张照片均匀程度受到影响，修复仅需图片局部信息。 因而，我们的隐空间修复网络采用局部-全局视野融合，其中全局支路采用 nonlocal 模块大大增强处理视野。我们对局部破损图片建立了数据集，训练网络预测破损区域，该破损区域显式的送入 nonlocal 模块，并设置模块感受野为非破损区域（论文中称为 partial nonlocal 模块 ）。
至此，网络可以像修复合成图片一样，高质量的复原实际老照片。在此方法中，我们另外抠出照片中人脸部分，在人脸数据集上训练网络进一步优化人脸的细节。
我们将该方法和先前方法在实际照片上进行了对比。如图3所示，我们的方法达到了最真实、自然、清晰的修复结果。
武汉大学和清华大学那这两个大学都是非常有名的大学，那如果你想选择这两个大学，也可以从名气上那清华大学，如果从专业上也许可能武汉大学有些专业比清华好
结论：基本不太可能据我所知诺奖会颁给两类研究成果： 一是为科学家制造研究工具或者提供理论，比如因冷冻电镜获奖的几位，能进书本。 二是做出的东西具有极大的实用价值，比如屠呦呦提取出来的青蒿素，能上货架。施一公的方向是利用诺奖级别的工具做蛋白结构解析，和医院医生用核磁共振探测伤病有些类似。第一类拿诺奖的路几乎不可能，除非施一公组大角度转变研究方向。对于第二类拿诺奖的可能，若施一公组能用冷冻电镜解析出具有极大现实意义的蛋白，比如能广谱抗癌，靶向杀艾滋等，而且这些解析出来的蛋白被合成，并在临床应用上有巨大的优势，甚至能让人类与艾滋和癌症永别，那么这个诺奖我相信就比较稳了。 施一公教授在natureE的系列成果发表本身是一种非常高级的技术员工作，是结构生物学里面顶级的technician工作，而不是scientist的工作。基于冷冻电镜基础上的结构解定工作并不是诺贝尔奖要表彰的工作方向。本身冷冻电镜的技术革新也与他无关，施教授的工作只做结构并没有在此基础上去做机理和调控，这个工作性质决定了不论发多少nature都有可能，但不是诺奖成果。（节选自某乎@Lydia Yang的回答，侵删） 施一公的工作是不停地对不同的蛋白做结构解析，对于一个被认为比较重要的蛋白，只要得到它的结构就几乎肯定可以发一篇CNS，文章是发了不少。其工作大概流程是这样：①蛋白表达纯化；②准备电镜Sample; ③做电镜；④处理数据；⑤发文章。 蛋白解析只是研究工作的第一步，后面的工作还很漫长很具挑战性，专注于一个蛋白或者同一个家族的蛋白，搞清楚这些蛋白发挥功能的机理…这些工作将耗费一个科学家毕生的精力。施一公显然是没往后后再走的。（节选自某乎匿名回答，侵删） 所以，施一公教授多少有点借冷冻电镜科研投机的意思，非诺奖水准。 2017年诺奖化学奖颁发给了冷冻电镜的研发者。这其实说明诺奖的特点，第一是虽然近年来有给屠呦呦等医药研发颁奖的案例，但绝大多数仍然是在最基础的科研领域。第二是获奖研究应该是对整个科学发展或者具有方向性指引、或者在起到指导的同时，还能提供强大的方法支持。小RNA干扰技术这种成果获奖就是这方面最好的说明，如今冷冻电镜获奖也是诺奖这一特点的注脚。 但这个逻辑仍然是有待澄清的。上面说了，获奖研究应该是对整个科学发展或者具有方向性指引、或者起到颠覆性的支持作用。从这个角度讲，发表多篇CNS(Cell、Nature、Science)论文的施一公的研究，并不必然被诺奖“淘汰出局“，因为科学的进步是环环相嵌的。冷冻电镜促进了蛋白质结构的解析研究，但突破性的、经典的蛋白质结构的解析研究，有可能为我们认识生命世界的其他研究提供重要的指南，为新的研究方向开启大门。所以以冷冻电镜拿奖来否定施一公蛋白质结构解析研究获得诺奖的可能性，这本身是不成立的。 当然，这么说并不是说蛋白质结构的解析研究、甚至是施一公本人及其团队的研究就一定有可能拿诺奖。如上所述，是否能拿奖，还要看这些研究是否为人类正在进行的和未来的科学 探索 提供了方向性指引。有一点可以肯定，CNS发表本身，并不是拿诺奖的保证，甚至不一定是必要条件。 我认为中国能拿诺奖的解析结构的是清华大学的杨茂君教授，施一公和颜宁做的都是什么火做什么，打一枪换一个地方的科研，工作没有系统性，而杨茂君的工作系统的把电子传递链整个全部解析明白了而且推翻了存在了几十年生化课本上的理论，并且根据他解析出的结构可以设计各种靶向药物，毕竟电子传递链太重要了 其实这个问题要从很多个角度来分析，因为冷冻电镜刚刚获得诺贝尔的奖项，所以，在一定的时间范围之内，如果没有特别突出的科学贡献，应该不大可能在同一个领域，进行进一步的延伸。大家也都知道，目前科学研究百花齐放，每一个领域其实都有非常大的突破，所以在某种程度上，诺贝尔奖项其实有很多候选人，他们都有实力问鼎。每一次的诺贝尔奖，也其实是在众多有着杰出贡献的人当中进行一个选择，而更多的是对整个领域的一个嘉奖，不单单是针对个人，而且是有很好几个人一起将这个领域发扬光大，所以以整个领域作为奖励，也更符合诺贝尔奖的性质。 所以回到问题本身，毫无疑问施一公具有非常大的贡献，尤其是他在顶尖杂志上发表了很多有影响力的文章，为中国的科研走向世界，并且在国际上获得声誉，立下了汗马功劳。不过诺贝尔奖的得奖性质其实更偏向于基础研究，当然也有一些例外，那么必须是实用性非常强的领域，而在基础科研领域，这一次给的是冷冻电镜，而施一公利用冷冻电镜，进行了很多著名的结构解析，他是一个利用者，而并非发明者，只有当利用取得了非常大的成就，产生了极其重大的突破，比如在疾病的治愈方面，有着显著的疗效，那么得奖的可能性会大大提升。 仅就目前而言，或者在近一段时期，显然不大会有比较明显的突破，那么我们会保留这个意见，觉得可能性不太高，但是经过一段时期，如果产生了更重大的成果，那么获得诺贝尔还是比较具有可能的。 我自己也是从事生物科研的。诺奖是颁发给那些开创性的研究的。也就是说你做出来的东西在若干年以後成为了千万人的饭碗和工具，开创了一个先河。比如说 PCR 技术，现在哪个实验室都用。但当初第一个想到的人就是了不起。施一公的团队由於不是发明电镜，所以不会由於电镜本身获奖。但如果是通过这个工具获得了对生物学前所未有的重要发现，则也有可能。 有个毛的可能，给你组一台冷冻电镜，再给钱帮你挖点人才，你组做的也不会比他差多少。他那就是个平台之上的民工水平，跟大部分博士博士后的创新能力比都差一大截。经常上电视的，拿成果，拿奖的，不见得就是真牛逼，那是外行不动，容易被媒体鼓吹而已。真牛逼的往往大家都见不到，踏踏实实搞大业务。 施一公的工作没有诺奖级别的吧？ 水水nature,science还行，诺奖应该还有很大的距离 完全不可能拿，现在结构热随便解些重要蛋白的结构都是cns，这些工作是很重要，但不是突破性的进展，之前测基因组热，烧钱进去就行现在测基因组的也越来越低了，很久以前蛋白质组很热。。。。。。都是一阵风潮，其实也没多大贡献，冷冻电镜，晶体衍射这些是贡献，后面的工作其实经费到位，并且有意愿谁都可以做 施一公终生获得不了诺贝尔奖，为什么呢？就像咱们上学的时候，用显微镜看片子！发明显微镜才能得诺贝奖，看片子的几乎不可能！
世界三大顶级科学杂志，中国大学发表论文数目排名 ＜细胞＞、＜自然＞、＜科学＞(以下简称CNS)是举世公认的三大顶级科学杂志．全球科学家无不梦寐以求能在其中一个杂志上发表论文，因为代表了世界科学研究成果的最高水准。因此，CNS论文数目也成为国际大学科研实力排名的最重要因素。 据统计，中国大陆至今以老板身份发过两篇以上CNS论文的,总共才二十六人，这二十六人无疑是中国大陆科技界最顶尖的精英人物。其中在CNS三大顶级杂志都以老板身份发过论文的有十人,全部滞留在美国；在CNS中两个杂志以老板身份发过论文的共有十六人,五人在国内。可叹的是，号称代表中国最高学术水平的中国两院院士只有神经研究所的郭爱克院士一人进入这前二十六人名单（中国的两院院士竟没有一个有三篇的,其他院士绝大多数是一篇都没有,少数有一篇,远赶不上这26奇人）, 发表论文篇数国内排名最高的是并非两院院士的著名生物学家西北大学舒德干教授。 中国大陆至2006年在CNS发表论文数目最多的大学和科研机构分别是：1、西北大学（5篇）；2、中国科学院基因组研究所（3篇）；3、中国科学院生物物理所（2篇）、复旦大学（2篇）；4、清华大学（1篇）、北京大学（1篇）、中国科学院生化细胞所（1篇）、中国科学院神经所（1篇）和南方基因研究中心（1篇）。这样的结果也大大出人意料——西北大学作为地处内陆西安的地方重点大学，科研实力竟然远远超过复旦、清华、北大这样的沿海发达地区部属大学，确实令人刮目相看。