中国运载火箭技术研究院学院博士首页

北京航天三院在云岗路和飞航路路口西，你可以上google地图上去查一下，找不到306所，只能找到航天三院。收起

航天一院战术武器事业部:基本情况:中国航天科技集团公司第一研究院战术武器事业部（京）内承担起促进我国容相关航天装备发展的新责任与新使命。作为航天一院总体单位之一，事业部充分发挥总体能力的辐射作用，不断拓展新领域、提高市场竞争力，推...收起

2010年3月16日，中国航天科技集团公司一院战术武器事业部揭幕成立，这标志着集团公司战术武器研制工作迈上了一个新台阶。 中国的此类单位加班是少不了的。待遇还行吧。收起

有招聘吗？给个链接啊，谢谢！收起

航天一院战术武器事业部: 基本情况: 中国航天科技集团公司第一研究院战术武器事业部版（京）承权担起促进我国相关航天装备发展的新责任与新使命。作为航天一院总体单位之一，事业部充分发挥总体能力的辐射作用，不断拓展新领域、提高市场竞争力，推...收起

一院最好的应该是15所，LZ所说的几个也属于一院最好的单位了，都不错的。一部以前是最好的，现在比不上15所、10所了。战术武器事业部也很不错的收起

战术武器事业部属于院直属，应该最好。院直属是个啥意思？就是院的机关么？一部之类的算院直属么？追答院直属就是院里的一个部门，没有独立的法人资格。一部是一个独立的法人单位来自：求助得到的回答收起

航天一院战术武器事业部: 基本情况:中国航天科技集团公司第一研究院回战术武器事业部（京）承担起答促进我国相关航天装备发展的新责任与新使命。作为航天一院总体单位之一，事业部充分发挥总体能力的辐射作用，不断拓展新领域、提高市场竞争力，推动相关航天产品升级和系列化发展。完善专业体系配置，打造一流人才队伍，形成了以总体研制为核心的专业团队，拥有国家、国防科工委、航天科技集团等各级专家近30人。设计师队伍平均年龄31岁，硕士及以上学历者拥有者所占比例高达98%以上。 企业性质:国企/科研类单位可为应届毕业生提供正式编制、单身宿舍、职工食堂、广阔的职业发展平台、具有行业竞争力的薪酬和福利待遇等。收起

北京航天三院在云岗路和飞航路路口西，你可以上google地图上去查一下，找不到306所，只能找到航天三院。收起

航天一院战术武器事业部:基本情况:中国航天科技集团公司第一研究院战版术武器事业部（京）承担权起促进我国相关航天装备发展的新责任与新使命。作为航天一院总体单位之一，事业部充分发挥总体能力的辐射作用，不断拓展新领域、提高市场竞争力，推...收起

作为半导体界实为罕见的女性 CEO ，苏姿丰博士是如何带领 9000 多名全球员工，完成从低谷到复兴的转身？这些探索是重新定义 AMD 的开端。AMD掌舵人苏姿丰博士的办公桌上，有个插满笔杆的马克杯。访客目光扫过狭长的工作台时，杯子丝毫不起眼。但只要视线稍作停留，你一定会被杯身文字所吸引：Failure is not an option（绝不许失败）。这句出自美国纪实影片《阿波罗13号》的台词，曾经激励过众多身处困境的人们。剧中登月飞船氧气舱爆炸，三名宇航员生机渺茫。但当时的飞行指挥官告诉他们，只许成功。最终三人克服重重险境，重返地球，并由此创造了航天史上的一大奇迹。苏姿丰博士接任AMD总裁兼CEO时，这家美国芯片厂商同样亟需一场绝地求生。作为英特尔与英伟达的挑战者，AMD芯片拥有深厚的群众基础。虽然CPU英特尔第一、AMD第二，GPU（图形处理器）英伟达第一、AMD第二的格局几乎从未改变，但在AMD缺乏新品之时，属于AMD的蛋糕却越来越小：CPU市场大部分被英特尔收于麾下；在服务器市场，AMD不足1%。在GPU领域，英伟达拥有绝对主导地位。商业世界信奉竞争激发创新，人类又天然喜欢弱者挑战强者的故事。但彼时的AMD，怎么看都无力续写挑战者的传奇——低迷的走势，迫使AMD董事会在2008年到2014年期间，为公司换了四任CEO，频繁的人事变动更加凸显了公司在业务方向上的迷失。直到2014年10月，时任CEO罗瑞德（Rory Read）卸任，原COO苏姿丰博士（Dr. Lisa Su）接任CEO。苏姿丰本人看到的却是另外一个AMD ：虽然经营状况不佳，却拥有高性能计算技术与核心知识产权，拥有定义下一代CPU和GPU的筹码。这正是工程师出身的苏姿丰梦寐以求的大舞台。三年后，AMD果然不负众望，携重新打造的PC、服务器芯片和GPU产品杀回市场，由此搅动芯片行业的一池春水。今年4月，美国CNBC知名主持人Jim Cramer在采访Lisa时认为，Lisa从“垃圾堆”里拯救了AMD。作为半导体界实为罕见的女性CEO，苏姿丰博士如何带领9000多名全球员工，完成从低谷到复兴的转身？这些探索是重新定义AMD的开端。虎口夺食AMD正变得高调起来。“我们会重新定义这个行业”，洪亮的嗓音从台上漫灌下来，迅疾地填满会场每一个角落。这气势让人恍惚，以为误入了战前动员演说的现场。这是2018年6月6日AMD台北发布会现场，恰逢台北国际电脑展（Computex）。AMD有意选在IT界一年一度的行业盛会上，发布新品及未来产品路线图。面向台下观众，CEO苏姿丰举起手中的7nm RadeonVega GPU 与7nm第二代 EPYC （霄龙）芯片 。她看上去充满能量，仿佛手握的不是芯片，而是开启下一个产业时代的密匙。不出意外，这两枚芯片成为手机与相机镜头追踪的聚焦点。现场快门声此起彼伏。为了更近距离见证这一时刻，数十名记者提前半小时在场外排队，入场晚的只能站在后排听会。人们都在好奇，AMD会拿出何种武器，对抗遥遥领先的竞争对手。而答案此刻就在苏姿丰的指间。不同于互联网公司的商业模式创新，芯片厂商能够仰仗的只有过硬的底层技术和令人兴奋的硬件产品。各厂商间的接力创新，最终推动半导体产业的螺旋式上升。2017年，AMD在沉寂许久后，发布了新一代微处理器Ryzen（锐龙）、高性能显卡Radeon RX Vega、服务器处理器EPYC（霄龙），市场反映热烈，今年相关产品将继续迭代升级。“从去年Computex开始，我们经历了绝对精彩的一年。”包括苏姿丰博士在内的整个团队，显得都很兴奋。过去一年，AMD发布了从移动、桌面到高端桌面的近20款产品，包括HP、联想和戴尔在内的OEM，都将Ryzen搭载进他们的产品中。相关数据显示，2017年3月发布至今，Ryzen已拥有超过500万用户，其中不少是DIY用户。去年8月发布的高性能显卡Vega，也受到游戏爱好者的欢迎。销售数据显示，Vega用户数量是前一代产品的10倍。EPYC的问世则改变了服务器市场。这块与数据中心、云计算紧密相关的市场，此前只有英特尔一家厂商独大。EPYC（霄龙）的杀入策略是在每个价格点上都拥有更好的性能，在某些情况下，性能优势能达到40%~50%。也因此，AMD拿下了百度、思科、腾讯云等大客户。苏姿丰给出一个数字，采用EPYC后，腾讯云的虚拟机成本被压缩了30%。《财经天下》记者观察，上述发布会的PPT上，AMD直接把对手的产品、参数拿来做对比，进攻意味颇浓。在现场，工作人员用ThreadRipper演示了一段CinebenchR19渲染能力测试Demo，并与英特尔的i97980XE做对比。历史上，AMD长期处于英特尔阴影之下。遥想当年两家创始人同出自仙童半导体公司，就像国产手机vivo与OPPO创始人都出自步步高。不同的是，传奇人物戈登·摩尔与其他合伙人是技术出身，他们创办英特尔时，5分钟筹集资金500万美元，而AMD创始人桑德斯销售出身，他曾自嘲“500万分钟募集5万美元”。两家公司创办时间相差仅一年，但2017年两者市值差距在10倍以上。当初一起挑战英特尔的Zilog、国家半导体、Motorola各自零落，有的甚至彻底退出游戏市场，但只有AMD一直不屈不挠地活到现在。与之前不愿主动触及直面竞争不同，苏姿丰博士选择正面交锋。她试图带领AMD成为高性能计算的领导者， 提出“打造伟大产品，深化合作伙伴关系，简化业务运营”三大战略。伴随重新定义的“伟大”产品登场，苏姿丰博士的战略初见成效：至2017年第三季度，AMD在连续5年亏损后终于扭亏为盈；至2018年一季度，营收16.5亿美元，较去年同期增长40%，净利润为8100万美元。AMD的股价也从最低谷的不到2美元，一路高过17美元。当下成长最快速的AI、机器学习、自动驾驶领域，AMD并未缺席。苏姿丰会后接受采访时介绍，AMD的独特优势在于同时拥有CPU和GPU，因为人工智能市场这二者缺一不可。在自动驾驶领域，AMD会有选择的同汽车厂商直接合作，他们正在积极评估AMD的CPU和GPU。AI方面，AMD最具战略性的投资就在AI和机器学习上，会上介绍的第一个7nm显卡，就是用于机器学习的产品。2018年第四季度，AMD计划将推出7纳米Vega 20GPU产品。下一代7纳米霄龙处理器将于2019年推出，对标友商10nm产品，这是数年来AMD首次在工艺上领先友商，给了外界甚至投资人更多的想象空间。服务器市场将会成为另一个正面战场。公开报道显示，AMD与英特尔均将数据中心业务视为2018年的重中之重。这个战场上，目前，由英特尔控制着99%的阵地，AMD仅占1%。“今年我们会取得很多突破。”AMD大中华区总裁潘晓明看起来胸有成竹。英特尔似乎已经感受到AMD进攻的猛烈炮火。根据英特尔2017年财报显示，数据中心部门营收为190.64亿美元。刚刚辞任英特尔CEO的科再奇不久前对野村旗下研究机构分析师坦言，今年下半年，AMD将在服务器CPU市场从英特尔手中直接挖走份额。 “我们的红线是不让AMD拿到15%到20%的市场。”临危受命联想到AMD历史上曾不屈不挠地向市场第一名发起多次挑战，这次或许会有最精彩的剧情上演。苏姿丰本人一贯喜欢挑战。 “我来到AMD，就是要做一些对行业真正重要的事情。”在2014年接受美国媒体访谈时，她提到，接任CEO是自己一生中千载难逢的机会。因为AMD是少有的具备定义下一代CPU、GPU能力的科技公司。这名麻省理工毕业的学霸，兼具技术情怀与管理抱负。苏姿丰在大学时爱上半导体，惊诧于一枚25美分大小的芯片，功能竟然能够如此强大。她主修电气工程专业，据称因为这个专业当时最难。在2012年加入AMD前，她的履历一路光鲜：中国台湾出生，2岁时随父母移民美国纽约。她的父母是典型的亚洲家长，望子成龙，对孩子从小要求严格，要求有进取心。读完麻省理工本硕博，苏姿丰先后在德州仪器、IBM、飞思卡尔任职。先是工程师岗位，后来在IBM担任CEO郭士纳特别技术助理的经历，让她对经营管理产生兴趣， “我更喜欢带领团队突破难关”。她曾对媒体坦言，职业梦想是成为一家半导体公司的决策人。2017年6月，苏姿丰的母校麻省理工学院邀请她在当年博士授位仪式上发表演讲。演讲中，苏姿丰表现出她竞争进取的一面：“答应我，你们会努力工作，保证以后会有很多读哈佛MBA的人为麻省的博士们打工。” 有媒体记录下她演讲时那种要强的姿态。作为AMD公司近50年历史中唯一的女性CEO，苏姿丰博士确实气场很强。她有一张东方面孔，脸部线条明朗，兼具东西方文化底蕴，有种不怒自威的力量。苏姿丰能得到董事会赏识，与她此前担任AMD高级副总裁兼全球业务部门总经理期间的业绩有关。这期间，她敏锐而务实地开展半定制芯片业务，将AMD芯片植入到更多产品中。苏姿丰家里就有很多游戏机，与朋友聚会时大家会玩一种韵律游戏《舞力全开》。台湾媒体赞誉苏姿丰为“游戏机之后”，大陆粉丝则喜欢在贴吧里称她为“苏妈”。2014年苏姿丰临危受命时，AMD的状态有多糟糕？就像陷入沼泽的巨人，这家企业似乎怎样挣扎都是徒然。其在PC、服务器市场占有率连年下滑，员工士气低落……苏姿丰一针见血地指出问题的症结：“我们有很好的技术，可是同时又发展了太多的产品，没有一个清楚的目标和焦点。”彼时，AMD在业务上铺了一个大摊子。一名在AMD工作长达20年的老员工说，新任CEO很果断地做出取舍，特别是对一些业务的放弃，让业务更聚焦。这是重新定义AMD的一个过程，如同当年郭士纳对IBM业务的重新定义一样。但什么才是对公司最好的决定？内部意见并不一致。有人认为，AMD应该进入移动领域，当时智能手机大热，而PC市场持续萎缩，业内各种唱衰声音迭起。在AMD大中华区总裁潘晓明看来，苏姿丰有敏锐的市场直觉和坚定的判断力。苏姿丰向《财经天下》记者解释了她的取舍逻辑：“我们扩大了在高性能计算的投资，因为我当时判断，不管当下还是未来五年，不管是在云计算、机器学习、人工智能亦或PC市场，高性能计算都会是CPU、GPU最重要的诉求。我们没有做智能手机跟平板电脑，因为从战略上来讲，这不会是公司要发展的未来。”AMD还放弃了基于ARM架构的服务器CPU研发，而当时多家芯片企业正兴奋地投入该领域。但苏姿丰看到，在服务器领域，ARM的生态还很不完善，而生态是决定该业务成败的关键。在将业务聚焦的同时，苏姿丰多次向员工阐述三个战略重点：打造伟大的产品，这是一家科技公司安身立命之本；深化合作伙伴关系和简化业务运营。 “我们有大型竞争对手，如果在决策上面能够简单快速的话，就能够超越他们。”大赌注聚焦并重新定义产品，苏姿丰与AMD董事会所做的决策更像是一场风险巨大的赌注。这场有关未来的赌注，根据半导体周期性，至少要3年后亮牌。“我必须要做一些关键性的决策”，苏姿丰和董事会决定发挥强项——先做好PC市场；在云计算兴起后，又迅速抓住机会， 重返服务器市场。重要的决策往往需要时间验证。在还没有结果产出的过程中，CEO的判断不免遭受内外质疑。2016年初，当芯片产品还在研发中未能亮相时，AMD股价最低跌到2美元以下，创历史新低。2017年，因人工智能大热，竞争对手英伟达股价2017一年内增幅81%，英特尔2017年全年涨幅达到81.28%。可见，来自投资人的压力不会小。苏姿丰本人对此很淡定：“我自己是工程师背景，了解重要决策的成果可能要两三年后才会显现出来，比如对ZEN架构的研发历程。”ZEN是另起炉灶研发的一套CPU新架构，或许这是AMD最后一张底牌。就连向来自信十足的苏姿丰，也承认下注后心情并不轻松。 “真正看到ZEN产品之前是最令人紧张的时刻，因为ZEN太重要了。”ZEN到底如何重要？AMD为ZEN单独立项，该项目经费不受缩减开支的影响。最终，ZEN历经四年的匠心独造，累计超过两百万小时的研发工时才得以问世。AMD总部一名管理层称，苏姿丰身上有同其他CEO非常不同的地方：她是工程师出身，精通技术，经常会跑到研发团队交流，而且工程师们非常尊重她的建议。“每一天他们都会向我报告，不管是好消息或者坏消息。而我，不管消息是好是坏，都会去实验室看他们，给出我的建议。我要让他们了解，他们在开发的这个产品对公司是多么重要。”2016年，这样的场景时常在美国AMD奥斯汀园区上演。有媒体此前报道，2016年4月，在对芯片的第一个系列产品——Ryzen启动测试的前一晚发现漏洞。当时苏姿丰正在国外出差，她的指令非常清晰，让工程师们定下心来，细心寻找解决方案。后来，团队果然成功解决问题，按时完成测试。“我同工程师一起走进实验室，他们向我展示了基于ZEN架构的第一颗芯片。”苏姿丰对《财经天下》周刊记者回忆，“看到芯片样品那一刻，我相信AMD的未来，指日可期”。CEO的技术特质，让AMD吸引了更多人才。AMD高级副总裁、计算与显卡事业部总经理吉姆·安德森（JimAnderson），AMD 高级副总裁、企业与嵌入式事业部总经理弗瑞斯特·奈瑞德（Forrest Norrod），AMD RTG研发高级副总裁王启尚（David Wang），AMD RTG高级副总裁兼总经理迈克·瑞佛得（Mike Rayfield）等高管都是苏姿丰挖来的干将。AMD全球拥有9000多名员工，老对手英特尔则拥有10万余人。苏姿丰强调，正因为规模没那么庞大，公司环境独特，工程师团队更容易实现他们的想法，钻研最新的技术。弥补AMD高端CPU短板的Ryzen Threadripper，就源自出租车上的一个疯狂决定。某高级产品经理同一群CPU狂热爱好者，在业余时间研发了介于PC处理器Ryzen与服务器处理器EPYC之间的CPU产品。2016年，台北国际电脑展期间，当他向吉姆·安德森谈起这一项目，后者在车上拍板，把Threadripper纳入AMD产品规划。2017年，Threadripper惊艳亮相，收割众多市场好评。在今年的台北发布会现场，吉姆·安德森登台时坦言，2015年站上同一舞台时，他其实并没有预料到，AMD的产品会取得如此大的进展。苏姿丰并不感到意外。2015年时，很多人对公司愿景并不太确定。但在2016年看到产品后，内部开始信心充足，而今他们的信心会比过去更强， “我们有能力实现，只是需要时间”。船长这是一个重拾信心的过程。船长上任后，苏姿丰在内部推荐过一本畅销书《这是你的船》，作者阿伯拉肖舰长讲述了自己在两年时间内，如何把全军排名垫底、人人都想逃离的“本福尔徳号”驱逐舰，带成美国海军王牌舰队。书中提到一个观点，如果组织能让每个人坚守“这是自己的船”的信念，就可以打败所有竞争对手。苏姿丰比任何人都清楚一名船长的管理职责。AMD内部正需要这种“本福尔徳号”式的蜕变。她不断塑造“我要赢”的企业文化，这正是低迷的AMD所欠缺的精气神儿。她也要把自身的进取特质带给公司。她先后提出“5%”的概念——好与最好只差最后5%，每个人要保持全力以赴；如果额外付出5%，则能从最好到优秀。 “不需要每一步都做到完美，但是我们要给自己设立一些远大的目标和期待。”苏姿丰接任后，为了达成目标，进行了一系列大刀阔斧的改革。苏姿丰要让AMD有更透明的管理，划分出更明确的责任界限。手段强硬，奖罚分明，每个任务都有端到端的责任划分。在VP、总监级别的年终奖名单上，苏姿丰也对重要贡献者的奖励逐一过目，她关心是否给了那些人足够的奖励。她珍惜和尊重每一个人才。作为“船长”，苏姿丰不是那种永远待在指挥室的人。潘晓明告诉《财经天下》，苏姿丰制定策略后，愿意走下去见客户，或者与一线经理们交流，亲自参加各种项目验收，这反过来帮助她进一步做正确的决策。“就是这间会议室，就是你现在坐的位置，Lisa发现了问题，她马上召集所有高层开会探讨。”在AMD位于融科资讯中心的办公室中，潘晓明向《财经天下》记者回顾起，一周前，苏姿丰趁到北京出差间隙，亲自参与团队业务讨论。发现问题后，她会细致地分解，怎么做才能达成目标。销售团队内部会开玩笑说，Lisa可不好蒙，她关注细节，看问题又一针见血。有高管坦言，同苏姿丰交流顺畅，但确实会有压力。据说， 销售部门老大基本上每周六都能接到CEO询问市场情况的电话。苏姿丰很看重中国市场。她来北京出差时，会亲自去见客户。潘晓明认为，苏姿丰特别务实并且亲力亲为——她拜访客户从不拘泥于身份对等，而是从业务角度出发。周末，苏姿丰还会用Google翻译来浏览电商平台上用户对AMD产品的评价，从中找到用户的需求和痛点，再返还到下一步的产品研发和策略制定中。“要跟事业部主管领导直接沟通，切实将事情落到地面上。”苏姿丰说，当下要重拾客户对AMD的信心，并从他们那里学到新的东西。“我要让客户和合作伙伴感受到我们重视他们，我们如何对待客户、是否把他们的诉求放到优先级最前面，他们是能感受到的，这也将反映到后续合作上。”她强调，所有的用户都是重要的，不止企业客户，还包括消费者。一些用户发邮件、通过社交媒体向她反映产品或服务问题，她会叮嘱团队关注这些反馈，让每个接触AMD技术的人得到满意的答复。重返第一阵营AMD的进取，在芯片市场引发化学反应。行业媒体注意到，以“挤牙膏”著称的英特尔正用接连的产品升级，回应对手挑起的“堆核大战”：去年5月中旬，AMD推出16核ThreadRipper，两周后在台北电脑展上，英特尔宣布将推18核i9处理器，跃过此前既定的12核i9。而今年Computex，英特尔刚展示28核处理器，AMD马上就展示32核下一代ThreadRipper迎战。业内公认，两家竞争带来的美妙碰撞与产业演进，是AMD对产业的贡献之一。最终的结果同样有利于消费者。OEM客户也有理由兴奋。只有竞争，性价比优势才会凸显。以服务器市场为例，曾有数据统计，2005年前后，由于AMD与英特尔间的竞争，CPU平均单价在400~500美元；后来AMD退出该领域，平均单价涨至800~1000美元。在今年中国台北的Computex期间的AMD发布会上，一众OEM合作伙伴为AMD站台。毕竟不管数据中心、云计算还是机器学习，都离不开服务器、显卡这些基础设施。在刚刚结束的2018百度合作伙伴大会上，凭借EPYC（霄龙）处理器的出色表现，AMD获得百度数据中心2018年度 “优秀合作伙伴奖”。百度此前已经部署了基于AMD技术的服务器，未来还有更进一步的合作。2018年6月5日，腾讯云宣布正式上线基于AMD EPYC（霄龙）处理器的SA1云服务器，这款云服务器的上线为腾讯云用户以更低的成本获得更高的性能。关于EPYC更多的部署还包括AMD与思科UCS服务器合作推出思科密度最高的产品，每机架核心数量增加128%，服务器数量增加50%，存储增加20% ；全新HPE ProLiant DL325 Gen10服务器将采用AMDEPYC（霄龙）7000系列处理器，为客户解锁更高效率并降低总体拥有成本。“You are doing very well.”潘晓明说现在很多客户见到苏姿丰时，会有这样的评价。因为产品确实争气，华为也成为了AMD的战略合作伙伴。自从2016年2月发布第一款笔记本MateBook，华为正式进军PC市场。今年6月6日，华为与AMD合作的笔记本正式发布。让AMD人感到骄傲的是，华为专为AMD的APU量身定制了模具设计。每个笔记本都有模具设计，只是此前惯例是AMD沿用OEM为英特尔做好的开模和设计，只把AMD的处理器放入即可。量身定制说明客户极为认可AMD的产品。据悉，AMD计算与图形事业部CTO Joe Macri看到华为笔记本后也非常兴奋，还亲自录视频协助帮其宣传。这款锐龙移动处理器最早应用在联想笔记本上。“AMD从没有做过这么薄的笔记本。”潘晓明拿起办公桌上的一台联想720S超轻薄笔记本，向记者介绍到。锐龙移动处理器是令苏姿丰“非常得意的产品”，它第一次将高性能CPU和GPU做到一颗芯片上，这让超轻薄笔记本市场实现了创新。今年，除华为、联想之外，宏碁、华硕、戴尔、惠普等厂商均推出了基于AMD粵、锐龙移动处理器的笔记本电脑。据了解，AMD进军轻薄笔记本市场，上海研发中心发挥了非常重要的作用。受到苏姿丰的感召，GPU技术大牛、AMD RTG研发高级副总裁王启尚去年12月回归。他曾去到新思国际，负责系统硅片工程，带领团队实现翻两番的增长。问及本次回归初衷时，他向《财经天下》记者总结了三点。一是出于对GPU的热爱，GPU除了大家熟知的能玩游戏以外，其实在AI人工智能、深度学习、大数据运算、机器学习上还有很大的发展前景；二是在ATI/AMD两家公司前前后后的工作时间差不多有14年，可以说基本上整个绘图团队都是他一手建立起来，而且很多老朋友、旧同事还在AMD，觉得这次回归可以贡献自己的知识、能力，帮助团队更好地完成任务；三是佩服AMD CEO Lisa Su和她的执行团队，能够在短短几年里将AMD颓势扭转。很多人问过潘晓明，如何看AMD？他自信地说: “AMD又回到了第一阵营。”生态圈但眼下AMD并没有停下来庆祝。在公司经营状况好转后，包括苏姿丰本人在内，团队承受的压力反而更大了。历史上，AMD不是没有过凭借成功产品打赢翻身仗的经历，如2000年推出世界第一款1GHz主频处理器Athlon（速龙），成为真正能抗衡英特尔的公司。2003年AMD在业界率先推出64位计算技术，在全球掀起了一场从32位向高性能64位计算过渡的技术革命。伴随着64位皓龙的诞生，AMD又快人一步，推出首款x86双核处理器，开启了产业的“多核时代”。凭借Operon（皓龙）曾拿下27%的服务器市场，但对这家时刻处于巨头阴影下的公司而言，最大的挑战是可持续性。芯片产业遵循着摩尔定律的创新节奏，每隔一段时间，新版本芯片就要推出，不能有丝毫的懈怠。这也是苏姿丰的压力来源。她相信，未来5年，AMD仍然可以继续成长， “我们要在所有的机会面前，都展现出最好的一面，去赢得这些机会”。一位美国总部资深员工告诉《财经天下》周刊，他个人感觉，在苏姿丰的带领下，好像没有什么事情是做不了或者不能够的。似乎所有既定计划都能达成。“做半导体产业，光推出CPU还不够的，还得把生态圈做好。”潘晓明透露。像数据中心服务器生态，AMD也要迅速与合作伙伴打通相关软硬件，特别是做好软件生态系统。而当务之急的，是自从去年8月推出服务器芯片后，在服务器市场已失声一段日子的AMD要重建客户关系和生态。AMD已与客户一起做应用配置、方案选择和优化，也与软件企业和开源社区一同形成解决方案。伴随客户关系的重建和生态的丰富，后面的规模上量已经可期。公司层面，正在重新定义自己和行业的AMD有了新的原则：思考一个产品时，要构建未来5年的蓝图。苏姿丰进一步解释，“如果看今天的AMD跟5年前或者10年前有什么不同，那就是，我们现在更注重思考未来”。收起

机器之心原创作者：杜雪2013 年，DeepMind 在 NIPS 大会上发表的一篇深度强化学习的文章，一举惊艳了学术界。2016 年 1 月，AlphaGo 在一场围棋大赛中击败李世乭吸引全世界的目光，其背后的强大武器正是深度强化学习技术。同年年底，2016NIPS 最佳论文奖也颁给了解决深度强化学习泛化能力较弱问题的论文。随着深度学习的突破性进展，也促使强化学习的研究前景，重新获得了产业各界的关注。2016 年 8 月，在 ACM（国际计算机学会）会刊一篇名为《强化学习的复兴》的文章中提到，「DeepMind 的成功已经吸引了学术界与商业界对 DeepMind 的方法背后的人工智能领域的兴趣。」而相对于 DeepMind 和学术界看重强化学习的前沿研究，阿里巴巴这类公司则开始将焦点放在推动「强化学习」技术输出及商业应用。在双 11 推荐场景中，阿里巴巴使用了深度强化学习与自适应在线学习，通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝，提高人和商品的配对效率。比如，利用强化学习将手机用户点击率提升了 10-20%。阿里巴巴的这一技术是如何成型的，强化学习在其中扮演了什么角色？阿里巴巴的强化学习又有哪些独到之处？带着这些问题，机器之心专访了阿里巴巴研究员徐盈辉。徐盈辉，阿里巴巴研究员，阿里巴巴搜索事业部搜索排序和基础算法的负责人，日本丰桥技术科学大学计算机科学博士。他规划和设计了搜索新一代的排序框架体系，建立了集 offline-nearline-online 三位一体的电商平台个性化搜索体系，推动和完成了搜索实时在线计算体系的规模化和平台化，在技术的先进性和业务的推动上都取得了突破性成果。机器之心：可否介绍一下，阿里在强化学习技术方向的团队、研究重点及技术特点？徐盈辉：强化学习作为一种有效的基于用户与系统交互过程建模和最大化过程累积收益的学习方法，已经在很多技术驱动的业务团队中获得了深入研究和探索，并且在一些具体的业务场景中得以大规模应用。在阿里巴巴搜索事业部，搜索和推荐算法团队的研究重点是，电商平台下的智能化流量投放系统，消费者权益智能化分发系统。其技术特点是运用多种机器学习技术，通过用户、query、商品以及对商家的理解，来提升搜索/推荐平台的流量投放效率。阿里巴巴 iDST（Institute of Data Science and Technologies）团队的研究重点是 multi-media 技术平台，针对平台端的多媒体内容、语音、图像、视频等，运用深度学习、强化学习等技术来提供语音识别、智能客服、图片标注分类、实拍搜索、视频分析等服务。阿里云大数据孵化团队，研究重点是数据中心的智能化运维和调度算法，针对传统行业以及政府基于大数据技术，降低生产成本和提升服务效率。技术特点是依托阿里云的 ET 智能算法平台，快速实现智能化解决方案。菜鸟网络的算法技术团队则是围绕物流链路的各个节点，供应链、仓配、末端网络等，通过机器学习和运筹优化等技术手段来降低商家物流成本和提升消费者物流服务体验。机器之心：强化学习技术主要应用在哪些业务方向？在阿里零售网络包括物流、用户行为分析等方面扮演着怎样的角色？徐盈辉：这个问题我回答的不一定全面，就我个人理解和判断，强化学习技术在阿里平台上能够施展手脚的业务方向还是有不少的。互联网环境下，尤其是在移动互联网中，人机交互的便捷，碎片化使用的普遍性，页面切换的串行化，用户轨迹的可跟踪性等都要求我们的系统能够对变换莫测的用户行为以及瞬息万变的外部环境进行完整地建模。平台作为信息的载体，需要在与消费者的互动过程中，根据对消费者（环境）的理解，及时调整提供信息（商品、客服机器人的回答、路径选择等）的策略，从而最大化过程累积收益（消费者在平台上的使用体验）。而基于监督学习时代的信息提供手段，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的信息单元（商品、店铺或问题答案）。但是真正的智能化搜索和推荐，比如客服机器人，作为投放引擎的 agent，需要有决策能力。这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，把消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益上，来达到一个系统与用户的动态平衡。机器之心：能否介绍一下阿里是如何通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝、帮助商家带来适合买家？徐盈辉：搜索技术体系演进至今天，基本形成了 offline-nearline-online 三层体系，分工协作保证电商平台既能适应日常平稳流量中实现稳定有效的个性化搜索以及推荐，也能够去满足电商平台对促销活动的技术支持，实现在短时高并发流量下的平台收益最大化。搜索的智能化元素注入到新一代电商搜索引擎的各个环节，通过批量日志下的 offline 建模，到 nearline 下增量数据的 retraining 和 fine tuning 的无缝融合，解决了 NP 环境下的 data shift machine learning 能力问题，基本实现了搜索体系从单纯依靠机器学习模型的高效预测进行流量投放，到从不确定性交互环境中，探索目标的在线学习，预测和决策能力进化。2014 年双 11 通过排序特征实时，引入商品实时转化率，实时售罄率模型进入搜索 match 和 rank，让售罄商品额无效曝光大幅减少，并实现了成交转化的大幅提升；2015 年双 11 推出双链路实时计算体系，在特征实时的基础上，引入排序因子的在线学习，预测，以及基于多臂机学习的排序策略决策模型，在预热期和双 11 大幅提升了搜索流量的成交转化效率；2016 年实时学习和决策能力进一步升级，实现了排序因子的在线深度学习，和基于强化学习的排序策略决策模型，从而使得淘宝搜索的智能化进化至新的高度，并在今年的双 11，分桶测试效果表明，成交金额取得了近 20% 的大幅提升。机器之心：技术输出方面，双十一也是一个典型案例，能否简单介绍一下背后这套搜索系统的技术路径是怎样的？强化学习和深度学习在搜索中的应用（算法和模型）带来了哪些提升？都有哪些突破性成果？徐盈辉：运用机器学习技术来提升搜索/推荐平台的流量投放效率是目前各大互联网公司的主流技术路线，并仍在随着计算力和数据的规模增长，持续的优化和深入。针对阿里巴巴搜索体系的实时化演进，是什么驱动我们推动搜索的智能化体系从离线建模、在线预测向在线学习和决策方向演进呢？主要有以下三点：1. 众所周知，淘宝搜索的具有很强的动态性，宝贝的循环搁置，新卖家加入，卖家新商品的推出，价格的调整，标题的更新，旧商品的下架，换季商品的促销，上下架，降价，宝贝图片的更新，销量的变化，卖家等级的提升，商品竞争程度的提升等，都需要淘宝的商品搜索引擎在第一时间捕捉到变化，并及时反映到索引结构中的相应信息单元，而在最终的排序环节，这些变化也需要及时融入匹配和排序，带来排序的动态调整。2. 从 2013 年起，淘宝搜索就进入千人千面的个性化时代，搜索框背后的查询逻辑，已经从基于原始 Query 演变为【Query+user 上下文+location+time】，搜索不仅仅是一个简单根据输入而返回内容的不聪明的「机器」，而是一个能够自动理解，甚至提前猜测用户意图，并能将这种意图准确地体现在返回结果的聪明系统。这个系统在面对不同的用户输入相同的搜索语句时，能够根据用户的差异，展现用户最希望看到的结果。正如同人的记忆是有时效性的，我们有理由相信：越近的数据能够越准确地预测下一时刻，如用户的兴趣偏离，商品质量动态变化。在我们的环境下，用户的数据和商品的数据会产生一个联动，既对用户的兴趣进行实时刻画，而用户对商品的偏好累计会造成商品表现的变化，这些变化通过对商品的实时计算，又会反馈给更多的用户。变化是时刻发生的，商品在变化，用户个体在变化，群体、环境在变化，个体和群体的隶属关系也在动态变化。在搜索的个性化体系中合理的捕捉变化，正是实时个性化要去解决的课题。基于监督学习时代的搜索和推荐，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的商品或店铺；这类问题。真正的智能化搜索和推荐，需要作为投放引擎的 agent（笔者注：智能体）有决策能力，这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益，来达到一个系统与用户的动态平衡。3. 在 2016 年双 11，搜索技术和算法团队通力合作，首次大规模实现在线深度学习和强化学习等前沿技术，经过不断的尝试与改进，找到适合在搜索场景下可有效大规模应用的方案，对搜索排序在策略选择上做出了重大的升级，并取得了非常显著的成果。在搜索排序的 gmv 分桶总共提升高到 20+%。机器之心：能否详细讲解一下，在 Reward 函数中加入先验知识势函数的原因和作用，以及和不加入势函数的比较结果？徐盈辉：首先需要理解奖赏函数 R 的本质是什么？奖赏函数的本质是一个状态和动作之间的数值关系。奖赏塑性函数的引入，其本质是在原有的奖赏函数中引入一些先验知识，加速强化学习算法的收敛，势函数相当于定义了学习任务的 subgoal（笔者注：子目标），引导学习算法完成 subgoal，进而完成整个学习任务的 goal。加入先验知识主要是为了加速学习过程。比方说，如果用强化学习求解迷宫问题，可以将每个状态所在位置与出口位置的 Manhattan Distance（笔者注：曼哈顿距离，几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和）作为该状态上的势函数，引导 agent 往更靠近出口的方向走。机器之心：训练 DQN 的一个问题是收敛较慢甚至不收敛，在训练强化学习模型时，阿里是如何克服这个难点的？徐盈辉：如何把深度强化学习在业务场景中调通并达到要求，在某种程度上讲是个手艺活。相比于监督学习，需要分析的变量相对复杂，要考虑状态变量、策略空间、奖赏函数等多个环节。强化学习是一个机器学习领域的重要分支，随着 DeepMind 的 AlphaGo 的一炮打响，业界兴起了强化学习研究热潮，任何问题都希望用强化学习这把个利刃砍一刀，不管问题是不是适用，自己实现的强化学习逻辑是不是正确，强化学习在整个算法逻辑层中的作用是不是显著，学习到的策略是不是到最优，有没有收敛，对于这一系列核心的问题鲜有关注。只关注最终的一个效果，实际上是有违严谨的科学精神的。在 2016 年 NIPS 大会上，John Schulman 给出一系列技巧，首先通过问题简化来验证强化学习实现逻辑的正确性，将训练过程中的关键变量可视化出来加以观察，包括状态的分布、状态转移分布、值函数变化。另外强化学习训练过程中超参数的设置也是至关重要的，比方说 Actor-Critic 方法，如何设置合理 actor 网络和 critic 网络的学习率，一般原则是 actor 网络学习率相比于 critic 网络的学习率来的小。奖赏函数的初始化对最后的收敛速度也会有不小的影响。状态空间的归约、Reward 函数的 scale 化、策略迭代过程中，也需要有效控制策略漂移问题等等。另外就是，合理的利用基于 Replay Buffer 的 Sampling 策略和迭代训练的方式。Sampling 策略的主要目的是打破由于样本的关联性导致的策略寻优方向陷入 Local Minima（笔者注：局部极小）。另外通过几个改进的 DQN 算法，比方说，DDQN 方法通过引入两个 Q-network，一个用于选择动作，一个用于评估动作，交替执行，解决 upward-bias（笔者注：向上偏误）问题，这样犯错的概率就能大幅下降。机器之心：用户的哪些行为与数据会被用于模型的训练？这些行为是如何被抽象成训练集的？徐盈辉：用户在整个进入淘宝平台后的主动行为，输入、Query、点击、收藏、加购、购买、评论等都会作为基本的 feedback signal（笔者注：反馈信号），通过分析这些不同类型的 feedback 与平台长期优化目标的关系来刻画 Reward 函数（笔者注：奖励函数），而行为对象的 attributes（用户最近点击的商品所携带的特征（品牌、店铺、类目、价格等）和用户长期的偏好特征）作为状态会成为表征强化学习中状态的元特征，通过深度学习实现状态空间的参数化表示，对于智能体策略空间则通过日志埋点系统回流至实时数据分析和训练引擎，训练数据组织则按照马尔科夫决策过程的数据结构来组织，对于 off policy（笔者注：离策略）的强化学习模式，算法模块通过将数据组织成【s,a,r,s】】（当前状态，策略，奖赏信号，下一个状态）四元组形式，即可作为强化学习的训练数据，输入给训练模块；对于 on policy（笔者注：在策略），比方说 SASAR 的学习模式，算法模块将数据组织成【s,a,r,s】,a】】（当前状态，策略，奖赏信号，下一个状态，下一个策略）五元组形式，输入 DQN 训练模块。机器之心：阿里用于训练强化学习系统的硬件资源、训练时间等情况是怎么样的？徐盈辉：实战型强化学习系统必然要求拥有一个能够快速收集的 feedback，在线学习能力的实时计算引擎，从而能有效评估策略改进效果。阿里从 2013 年就开始着力研发基于 streaming 计算引擎的在线学习平台，发展至今天，已经初步形成了规模化的基于 Flink 计算引擎的流式智能化算法引擎，能够在秒级别完成数据采集、分析和训练，在线部署预测。这个端到端的大规模在线深度强化学习任务在 2016 年双 11 上，共处理日志量近 200 亿，处理消息量超三千亿，流式计算平台处理峰值超千万 QPS（笔者注：每秒查询率），实现 24 小时不间断无延迟运转，在线策略改进频次高达几百万次。机器之心：能否谈谈目前阿里训练好的强化学习系统应用到新任务的泛化能力？徐盈辉：搜索事业部的基础算法团队依托于 Flink 社区，自主研发了 Blink 流式计算引擎，并在此之上开发了称之为「Porsche」的大规模分布式在线学习算法框架，并基于此算法框架，自主研发了算法组件库 ai4b。目前主流的深度学习模块，DNN、CNN、RNN（笔者注：分别为深度神经网络、卷积神经网络、循环神经网络）以及强化学习模块的基本功能组件都开发完毕并投入应用，所开发的 DDPG 和 TRPO 算法适用于大规模连续状态空间，连续 action 空间下的强化学习任务，而 A3C 和 DQN 算法适用于大规模连续状态空间和离散策略空间下的强化学习任务。机器之心：强化学习需要强大的深度学习网络的支持，目前阿里的深度网络达到了多少层？徐盈辉：首先我想指出用深度网络去支撑强化学习只是一种技术手段而已，其核心目的是为了加强对于强化学习本体的输入状态和策略空间的更有效表达，而层数与参数空间和样本规模是有关系的。对于大规模连续状态，连续 action（笔者注：行动）空间下的 Q-learning，通常是通过 embedding（笔者注：嵌入）方式进行映射，而低维空间下线性组合方式会导致优化过程陷入 Local Minima，因此会考虑通过高阶非线性映射来实现状态表达和策略表达的交叉映射效果，从而有效解决局部最优解的问题。机器之心：最近 GAN（生成对抗网络）与强化学习结合起来做序列形成是一个热点，您怎么看这个算法的发展前景？阿里在 GAN 这个算法方面有相关研究与进展吗？徐盈辉：GAN 最吸引我的是它的系统性学习思想，未来的机器学习领域应该是需要更多的系统化思考的专业人士，我把它称之为 Systematic Machine Learning（笔者注：系统性机器学习），为什么这么说呢，机器学习的三大研究领域，非监督学习、监督学习、强化学习，就像 Yann LeCun 在 2016 年 NIPS 大会上提出的「蛋糕」比喻，把我们需要的预测信息类比成蛋糕，认为强化学习是上层的樱桃，每个 sample（笔者注：样本）只包含很少的信息，而监督学习则是蛋糕外层的糖衣，每个 sample 要包含更多的信息，无监督学习则是剩下来的蛋糕主体，每个 sample 包含的信息非常多（数百万 bit）。同理，GAN 的精妙之处是能很好把这三个大领域的技术体系完美的结合起来。非监督学习长期受困于无法形成基于有效目标的评估体系和迭代优化方案，而监督学习受困于标注样本的匮乏和 bias（笔者注：偏置），而 GAN 的思想可以将强化学习作为将非监督学习和监督学习之间桥接的技术手段，非监督学习得到的 Representation Model（笔者注：表征模型）运用到监督学习网络中去评估并将结果通过 Policy Gradient（笔者注：策略梯度算法）方式回传非监督学习的迭代优化过程中；不妨用 Actor-Critic 体系来阐述 GAN 的训练思想，Actor-model 在某种意义上，我们看成是一个从 state（笔者注：状态）生成 action（笔者注：行动）的 Generative Model（笔者注：生成模型），而将 Critic-model 看成是基于状态-策略输入下的 Q 值回归网络的判别式过程，整个数据理解和建模过程就通过这样的系统新运作方式来使得生成式模型更好地去发现「未知」世界中的类 True Positive 样本，而判别式模型也能更好地从逐步完成一个个困难样本的判别来提升模型鲁棒性。阿里巴巴搜索事业部基础算法团队也在积极尝试利用 GAN 思想来解决我们的业务问题，并在传统的 Learning to Rank 算法和推荐算法，以及 OCR 识别领域重取得了不错的实验性结果。机器之心：基于深度学习和强化学习的搜索和推荐算法，在实际的推荐和客服场景中还有哪些创新型应用？徐盈辉：「强化学习」技术的应用场景广泛，市场空间巨大，从游戏 AI、围棋博弈、自动驾驶汽车、机器人控制，到电商推荐、工业智能制造、新能源发电、调度管理，都可以找到应用的场景，去实现能够让机器算法像人一样学习、思考、决策。机器之心：您最近重点关注的技术点有哪些？阿里在强化学习方向上还有哪些着重解决的问题？应用方向上会有重要突破点吗？徐盈辉：仍然会持续关注强化学习方向的新进展和突破，基于逆强化学习、迁移学习来更合理地刻画奖赏函数、多智能强化学习，目前我们的研究还是停留在单智能体的强化学习，而对于电商平台，如果把我们商家，消费者都应该看成智能体，这样就形成了一个非完全信息下的 multi-agent learning（笔者注：多智能体学习）问题，如何设计有效算法体系来实现平台智能体，用户智能体之间的 coordination 也是一个值得考虑和研究的方向。目前阿里在强化学习上着重解决的问题是基于新一代硬件体系和网络环境下的大规模分布式在线机器学习框架的研发。应用方向上的会着力尝试结合商业不完全信息环境下的多智能体强化学习，基于 GAN 算法框架下的生成式模型在搜索推荐场景下的应用。收起

作为半导体界实为罕见的女性 CEO ，苏姿丰博士是如何带领 9000 多名全球员工，完成从低谷到复兴的转身？这些探索是重新定义 AMD 的开端。AMD掌舵人苏姿丰博士的办公桌上，有个插满笔杆的马克杯。访客目光扫过狭长的工作台时，杯子丝毫不起眼。但只要视线稍作停留，你一定会被杯身文字所吸引：Failure is not an option（绝不许失败）。这句出自美国纪实影片《阿波罗13号》的台词，曾经激励过众多身处困境的人们。剧中登月飞船氧气舱爆炸，三名宇航员生机渺茫。但当时的飞行指挥官告诉他们，只许成功。最终三人克服重重险境，重返地球，并由此创造了航天史上的一大奇迹。苏姿丰博士接任AMD总裁兼CEO时，这家美国芯片厂商同样亟需一场绝地求生。作为英特尔与英伟达的挑战者，AMD芯片拥有深厚的群众基础。虽然CPU英特尔第一、AMD第二，GPU（图形处理器）英伟达第一、AMD第二的格局几乎从未改变，但在AMD缺乏新品之时，属于AMD的蛋糕却越来越小：CPU市场大部分被英特尔收于麾下；在服务器市场，AMD不足1%。在GPU领域，英伟达拥有绝对主导地位。商业世界信奉竞争激发创新，人类又天然喜欢弱者挑战强者的故事。但彼时的AMD，怎么看都无力续写挑战者的传奇——低迷的走势，迫使AMD董事会在2008年到2014年期间，为公司换了四任CEO，频繁的人事变动更加凸显了公司在业务方向上的迷失。直到2014年10月，时任CEO罗瑞德（Rory Read）卸任，原COO苏姿丰博士（Dr. Lisa Su）接任CEO。苏姿丰本人看到的却是另外一个AMD ：虽然经营状况不佳，却拥有高性能计算技术与核心知识产权，拥有定义下一代CPU和GPU的筹码。这正是工程师出身的苏姿丰梦寐以求的大舞台。三年后，AMD果然不负众望，携重新打造的PC、服务器芯片和GPU产品杀回市场，由此搅动芯片行业的一池春水。今年4月，美国CNBC知名主持人Jim Cramer在采访Lisa时认为，Lisa从“垃圾堆”里拯救了AMD。作为半导体界实为罕见的女性CEO，苏姿丰博士如何带领9000多名全球员工，完成从低谷到复兴的转身？这些探索是重新定义AMD的开端。虎口夺食AMD正变得高调起来。“我们会重新定义这个行业”，洪亮的嗓音从台上漫灌下来，迅疾地填满会场每一个角落。这气势让人恍惚，以为误入了战前动员演说的现场。这是2018年6月6日AMD台北发布会现场，恰逢台北国际电脑展（Computex）。AMD有意选在IT界一年一度的行业盛会上，发布新品及未来产品路线图。面向台下观众，CEO苏姿丰举起手中的7nm RadeonVega GPU 与7nm第二代 EPYC （霄龙）芯片 。她看上去充满能量，仿佛手握的不是芯片，而是开启下一个产业时代的密匙。不出意外，这两枚芯片成为手机与相机镜头追踪的聚焦点。现场快门声此起彼伏。为了更近距离见证这一时刻，数十名记者提前半小时在场外排队，入场晚的只能站在后排听会。人们都在好奇，AMD会拿出何种武器，对抗遥遥领先的竞争对手。而答案此刻就在苏姿丰的指间。不同于互联网公司的商业模式创新，芯片厂商能够仰仗的只有过硬的底层技术和令人兴奋的硬件产品。各厂商间的接力创新，最终推动半导体产业的螺旋式上升。2017年，AMD在沉寂许久后，发布了新一代微处理器Ryzen（锐龙）、高性能显卡Radeon RX Vega、服务器处理器EPYC（霄龙），市场反映热烈，今年相关产品将继续迭代升级。“从去年Computex开始，我们经历了绝对精彩的一年。”包括苏姿丰博士在内的整个团队，显得都很兴奋。过去一年，AMD发布了从移动、桌面到高端桌面的近20款产品，包括HP、联想和戴尔在内的OEM，都将Ryzen搭载进他们的产品中。相关数据显示，2017年3月发布至今，Ryzen已拥有超过500万用户，其中不少是DIY用户。去年8月发布的高性能显卡Vega，也受到游戏爱好者的欢迎。销售数据显示，Vega用户数量是前一代产品的10倍。EPYC的问世则改变了服务器市场。这块与数据中心、云计算紧密相关的市场，此前只有英特尔一家厂商独大。EPYC（霄龙）的杀入策略是在每个价格点上都拥有更好的性能，在某些情况下，性能优势能达到40%~50%。也因此，AMD拿下了百度、思科、腾讯云等大客户。苏姿丰给出一个数字，采用EPYC后，腾讯云的虚拟机成本被压缩了30%。《财经天下》记者观察，上述发布会的PPT上，AMD直接把对手的产品、参数拿来做对比，进攻意味颇浓。在现场，工作人员用ThreadRipper演示了一段CinebenchR19渲染能力测试Demo，并与英特尔的i97980XE做对比。历史上，AMD长期处于英特尔阴影之下。遥想当年两家创始人同出自仙童半导体公司，就像国产手机vivo与OPPO创始人都出自步步高。不同的是，传奇人物戈登·摩尔与其他合伙人是技术出身，他们创办英特尔时，5分钟筹集资金500万美元，而AMD创始人桑德斯销售出身，他曾自嘲“500万分钟募集5万美元”。两家公司创办时间相差仅一年，但2017年两者市值差距在10倍以上。当初一起挑战英特尔的Zilog、国家半导体、Motorola各自零落，有的甚至彻底退出游戏市场，但只有AMD一直不屈不挠地活到现在。与之前不愿主动触及直面竞争不同，苏姿丰博士选择正面交锋。她试图带领AMD成为高性能计算的领导者， 提出“打造伟大产品，深化合作伙伴关系，简化业务运营”三大战略。伴随重新定义的“伟大”产品登场，苏姿丰博士的战略初见成效：至2017年第三季度，AMD在连续5年亏损后终于扭亏为盈；至2018年一季度，营收16.5亿美元，较去年同期增长40%，净利润为8100万美元。AMD的股价也从最低谷的不到2美元，一路高过17美元。当下成长最快速的AI、机器学习、自动驾驶领域，AMD并未缺席。苏姿丰会后接受采访时介绍，AMD的独特优势在于同时拥有CPU和GPU，因为人工智能市场这二者缺一不可。在自动驾驶领域，AMD会有选择的同汽车厂商直接合作，他们正在积极评估AMD的CPU和GPU。AI方面，AMD最具战略性的投资就在AI和机器学习上，会上介绍的第一个7nm显卡，就是用于机器学习的产品。2018年第四季度，AMD计划将推出7纳米Vega 20GPU产品。下一代7纳米霄龙处理器将于2019年推出，对标友商10nm产品，这是数年来AMD首次在工艺上领先友商，给了外界甚至投资人更多的想象空间。服务器市场将会成为另一个正面战场。公开报道显示，AMD与英特尔均将数据中心业务视为2018年的重中之重。这个战场上，目前，由英特尔控制着99%的阵地，AMD仅占1%。“今年我们会取得很多突破。”AMD大中华区总裁潘晓明看起来胸有成竹。英特尔似乎已经感受到AMD进攻的猛烈炮火。根据英特尔2017年财报显示，数据中心部门营收为190.64亿美元。刚刚辞任英特尔CEO的科再奇不久前对野村旗下研究机构分析师坦言，今年下半年，AMD将在服务器CPU市场从英特尔手中直接挖走份额。 “我们的红线是不让AMD拿到15%到20%的市场。”临危受命联想到AMD历史上曾不屈不挠地向市场第一名发起多次挑战，这次或许会有最精彩的剧情上演。苏姿丰本人一贯喜欢挑战。 “我来到AMD，就是要做一些对行业真正重要的事情。”在2014年接受美国媒体访谈时，她提到，接任CEO是自己一生中千载难逢的机会。因为AMD是少有的具备定义下一代CPU、GPU能力的科技公司。这名麻省理工毕业的学霸，兼具技术情怀与管理抱负。苏姿丰在大学时爱上半导体，惊诧于一枚25美分大小的芯片，功能竟然能够如此强大。她主修电气工程专业，据称因为这个专业当时最难。在2012年加入AMD前，她的履历一路光鲜：中国台湾出生，2岁时随父母移民美国纽约。她的父母是典型的亚洲家长，望子成龙，对孩子从小要求严格，要求有进取心。读完麻省理工本硕博，苏姿丰先后在德州仪器、IBM、飞思卡尔任职。先是工程师岗位，后来在IBM担任CEO郭士纳特别技术助理的经历，让她对经营管理产生兴趣， “我更喜欢带领团队突破难关”。她曾对媒体坦言，职业梦想是成为一家半导体公司的决策人。2017年6月，苏姿丰的母校麻省理工学院邀请她在当年博士授位仪式上发表演讲。演讲中，苏姿丰表现出她竞争进取的一面：“答应我，你们会努力工作，保证以后会有很多读哈佛MBA的人为麻省的博士们打工。” 有媒体记录下她演讲时那种要强的姿态。作为AMD公司近50年历史中唯一的女性CEO，苏姿丰博士确实气场很强。她有一张东方面孔，脸部线条明朗，兼具东西方文化底蕴，有种不怒自威的力量。苏姿丰能得到董事会赏识，与她此前担任AMD高级副总裁兼全球业务部门总经理期间的业绩有关。这期间，她敏锐而务实地开展半定制芯片业务，将AMD芯片植入到更多产品中。苏姿丰家里就有很多游戏机，与朋友聚会时大家会玩一种韵律游戏《舞力全开》。台湾媒体赞誉苏姿丰为“游戏机之后”，大陆粉丝则喜欢在贴吧里称她为“苏妈”。2014年苏姿丰临危受命时，AMD的状态有多糟糕？就像陷入沼泽的巨人，这家企业似乎怎样挣扎都是徒然。其在PC、服务器市场占有率连年下滑，员工士气低落……苏姿丰一针见血地指出问题的症结：“我们有很好的技术，可是同时又发展了太多的产品，没有一个清楚的目标和焦点。”彼时，AMD在业务上铺了一个大摊子。一名在AMD工作长达20年的老员工说，新任CEO很果断地做出取舍，特别是对一些业务的放弃，让业务更聚焦。这是重新定义AMD的一个过程，如同当年郭士纳对IBM业务的重新定义一样。但什么才是对公司最好的决定？内部意见并不一致。有人认为，AMD应该进入移动领域，当时智能手机大热，而PC市场持续萎缩，业内各种唱衰声音迭起。在AMD大中华区总裁潘晓明看来，苏姿丰有敏锐的市场直觉和坚定的判断力。苏姿丰向《财经天下》记者解释了她的取舍逻辑：“我们扩大了在高性能计算的投资，因为我当时判断，不管当下还是未来五年，不管是在云计算、机器学习、人工智能亦或PC市场，高性能计算都会是CPU、GPU最重要的诉求。我们没有做智能手机跟平板电脑，因为从战略上来讲，这不会是公司要发展的未来。”AMD还放弃了基于ARM架构的服务器CPU研发，而当时多家芯片企业正兴奋地投入该领域。但苏姿丰看到，在服务器领域，ARM的生态还很不完善，而生态是决定该业务成败的关键。在将业务聚焦的同时，苏姿丰多次向员工阐述三个战略重点：打造伟大的产品，这是一家科技公司安身立命之本；深化合作伙伴关系和简化业务运营。 “我们有大型竞争对手，如果在决策上面能够简单快速的话，就能够超越他们。”大赌注聚焦并重新定义产品，苏姿丰与AMD董事会所做的决策更像是一场风险巨大的赌注。这场有关未来的赌注，根据半导体周期性，至少要3年后亮牌。“我必须要做一些关键性的决策”，苏姿丰和董事会决定发挥强项——先做好PC市场；在云计算兴起后，又迅速抓住机会， 重返服务器市场。重要的决策往往需要时间验证。在还没有结果产出的过程中，CEO的判断不免遭受内外质疑。2016年初，当芯片产品还在研发中未能亮相时，AMD股价最低跌到2美元以下，创历史新低。2017年，因人工智能大热，竞争对手英伟达股价2017一年内增幅81%，英特尔2017年全年涨幅达到81.28%。可见，来自投资人的压力不会小。苏姿丰本人对此很淡定：“我自己是工程师背景，了解重要决策的成果可能要两三年后才会显现出来，比如对ZEN架构的研发历程。”ZEN是另起炉灶研发的一套CPU新架构，或许这是AMD最后一张底牌。就连向来自信十足的苏姿丰，也承认下注后心情并不轻松。 “真正看到ZEN产品之前是最令人紧张的时刻，因为ZEN太重要了。”ZEN到底如何重要？AMD为ZEN单独立项，该项目经费不受缩减开支的影响。最终，ZEN历经四年的匠心独造，累计超过两百万小时的研发工时才得以问世。AMD总部一名管理层称，苏姿丰身上有同其他CEO非常不同的地方：她是工程师出身，精通技术，经常会跑到研发团队交流，而且工程师们非常尊重她的建议。“每一天他们都会向我报告，不管是好消息或者坏消息。而我，不管消息是好是坏，都会去实验室看他们，给出我的建议。我要让他们了解，他们在开发的这个产品对公司是多么重要。”2016年，这样的场景时常在美国AMD奥斯汀园区上演。有媒体此前报道，2016年4月，在对芯片的第一个系列产品——Ryzen启动测试的前一晚发现漏洞。当时苏姿丰正在国外出差，她的指令非常清晰，让工程师们定下心来，细心寻找解决方案。后来，团队果然成功解决问题，按时完成测试。“我同工程师一起走进实验室，他们向我展示了基于ZEN架构的第一颗芯片。”苏姿丰对《财经天下》周刊记者回忆，“看到芯片样品那一刻，我相信AMD的未来，指日可期”。CEO的技术特质，让AMD吸引了更多人才。AMD高级副总裁、计算与显卡事业部总经理吉姆·安德森（JimAnderson），AMD 高级副总裁、企业与嵌入式事业部总经理弗瑞斯特·奈瑞德（Forrest Norrod），AMD RTG研发高级副总裁王启尚（David Wang），AMD RTG高级副总裁兼总经理迈克·瑞佛得（Mike Rayfield）等高管都是苏姿丰挖来的干将。AMD全球拥有9000多名员工，老对手英特尔则拥有10万余人。苏姿丰强调，正因为规模没那么庞大，公司环境独特，工程师团队更容易实现他们的想法，钻研最新的技术。弥补AMD高端CPU短板的Ryzen Threadripper，就源自出租车上的一个疯狂决定。某高级产品经理同一群CPU狂热爱好者，在业余时间研发了介于PC处理器Ryzen与服务器处理器EPYC之间的CPU产品。2016年，台北国际电脑展期间，当他向吉姆·安德森谈起这一项目，后者在车上拍板，把Threadripper纳入AMD产品规划。2017年，Threadripper惊艳亮相，收割众多市场好评。在今年的台北发布会现场，吉姆·安德森登台时坦言，2015年站上同一舞台时，他其实并没有预料到，AMD的产品会取得如此大的进展。苏姿丰并不感到意外。2015年时，很多人对公司愿景并不太确定。但在2016年看到产品后，内部开始信心充足，而今他们的信心会比过去更强， “我们有能力实现，只是需要时间”。船长这是一个重拾信心的过程。船长上任后，苏姿丰在内部推荐过一本畅销书《这是你的船》，作者阿伯拉肖舰长讲述了自己在两年时间内，如何把全军排名垫底、人人都想逃离的“本福尔徳号”驱逐舰，带成美国海军王牌舰队。书中提到一个观点，如果组织能让每个人坚守“这是自己的船”的信念，就可以打败所有竞争对手。苏姿丰比任何人都清楚一名船长的管理职责。AMD内部正需要这种“本福尔徳号”式的蜕变。她不断塑造“我要赢”的企业文化，这正是低迷的AMD所欠缺的精气神儿。她也要把自身的进取特质带给公司。她先后提出“5%”的概念——好与最好只差最后5%，每个人要保持全力以赴；如果额外付出5%，则能从最好到优秀。 “不需要每一步都做到完美，但是我们要给自己设立一些远大的目标和期待。”苏姿丰接任后，为了达成目标，进行了一系列大刀阔斧的改革。苏姿丰要让AMD有更透明的管理，划分出更明确的责任界限。手段强硬，奖罚分明，每个任务都有端到端的责任划分。在VP、总监级别的年终奖名单上，苏姿丰也对重要贡献者的奖励逐一过目，她关心是否给了那些人足够的奖励。她珍惜和尊重每一个人才。作为“船长”，苏姿丰不是那种永远待在指挥室的人。潘晓明告诉《财经天下》，苏姿丰制定策略后，愿意走下去见客户，或者与一线经理们交流，亲自参加各种项目验收，这反过来帮助她进一步做正确的决策。“就是这间会议室，就是你现在坐的位置，Lisa发现了问题，她马上召集所有高层开会探讨。”在AMD位于融科资讯中心的办公室中，潘晓明向《财经天下》记者回顾起，一周前，苏姿丰趁到北京出差间隙，亲自参与团队业务讨论。发现问题后，她会细致地分解，怎么做才能达成目标。销售团队内部会开玩笑说，Lisa可不好蒙，她关注细节，看问题又一针见血。有高管坦言，同苏姿丰交流顺畅，但确实会有压力。据说， 销售部门老大基本上每周六都能接到CEO询问市场情况的电话。苏姿丰很看重中国市场。她来北京出差时，会亲自去见客户。潘晓明认为，苏姿丰特别务实并且亲力亲为——她拜访客户从不拘泥于身份对等，而是从业务角度出发。周末，苏姿丰还会用Google翻译来浏览电商平台上用户对AMD产品的评价，从中找到用户的需求和痛点，再返还到下一步的产品研发和策略制定中。“要跟事业部主管领导直接沟通，切实将事情落到地面上。”苏姿丰说，当下要重拾客户对AMD的信心，并从他们那里学到新的东西。“我要让客户和合作伙伴感受到我们重视他们，我们如何对待客户、是否把他们的诉求放到优先级最前面，他们是能感受到的，这也将反映到后续合作上。”她强调，所有的用户都是重要的，不止企业客户，还包括消费者。一些用户发邮件、通过社交媒体向她反映产品或服务问题，她会叮嘱团队关注这些反馈，让每个接触AMD技术的人得到满意的答复。重返第一阵营AMD的进取，在芯片市场引发化学反应。行业媒体注意到，以“挤牙膏”著称的英特尔正用接连的产品升级，回应对手挑起的“堆核大战”：去年5月中旬，AMD推出16核ThreadRipper，两周后在台北电脑展上，英特尔宣布将推18核i9处理器，跃过此前既定的12核i9。而今年Computex，英特尔刚展示28核处理器，AMD马上就展示32核下一代ThreadRipper迎战。业内公认，两家竞争带来的美妙碰撞与产业演进，是AMD对产业的贡献之一。最终的结果同样有利于消费者。OEM客户也有理由兴奋。只有竞争，性价比优势才会凸显。以服务器市场为例，曾有数据统计，2005年前后，由于AMD与英特尔间的竞争，CPU平均单价在400~500美元；后来AMD退出该领域，平均单价涨至800~1000美元。在今年中国台北的Computex期间的AMD发布会上，一众OEM合作伙伴为AMD站台。毕竟不管数据中心、云计算还是机器学习，都离不开服务器、显卡这些基础设施。在刚刚结束的2018百度合作伙伴大会上，凭借EPYC（霄龙）处理器的出色表现，AMD获得百度数据中心2018年度 “优秀合作伙伴奖”。百度此前已经部署了基于AMD技术的服务器，未来还有更进一步的合作。2018年6月5日，腾讯云宣布正式上线基于AMD EPYC（霄龙）处理器的SA1云服务器，这款云服务器的上线为腾讯云用户以更低的成本获得更高的性能。关于EPYC更多的部署还包括AMD与思科UCS服务器合作推出思科密度最高的产品，每机架核心数量增加128%，服务器数量增加50%，存储增加20% ；全新HPE ProLiant DL325 Gen10服务器将采用AMDEPYC（霄龙）7000系列处理器，为客户解锁更高效率并降低总体拥有成本。“You are doing very well.”潘晓明说现在很多客户见到苏姿丰时，会有这样的评价。因为产品确实争气，华为也成为了AMD的战略合作伙伴。自从2016年2月发布第一款笔记本MateBook，华为正式进军PC市场。今年6月6日，华为与AMD合作的笔记本正式发布。让AMD人感到骄傲的是，华为专为AMD的APU量身定制了模具设计。每个笔记本都有模具设计，只是此前惯例是AMD沿用OEM为英特尔做好的开模和设计，只把AMD的处理器放入即可。量身定制说明客户极为认可AMD的产品。据悉，AMD计算与图形事业部CTO Joe Macri看到华为笔记本后也非常兴奋，还亲自录视频协助帮其宣传。这款锐龙移动处理器最早应用在联想笔记本上。“AMD从没有做过这么薄的笔记本。”潘晓明拿起办公桌上的一台联想720S超轻薄笔记本，向记者介绍到。锐龙移动处理器是令苏姿丰“非常得意的产品”，它第一次将高性能CPU和GPU做到一颗芯片上，这让超轻薄笔记本市场实现了创新。今年，除华为、联想之外，宏碁、华硕、戴尔、惠普等厂商均推出了基于AMD粵、锐龙移动处理器的笔记本电脑。据了解，AMD进军轻薄笔记本市场，上海研发中心发挥了非常重要的作用。受到苏姿丰的感召，GPU技术大牛、AMD RTG研发高级副总裁王启尚去年12月回归。他曾去到新思国际，负责系统硅片工程，带领团队实现翻两番的增长。问及本次回归初衷时，他向《财经天下》记者总结了三点。一是出于对GPU的热爱，GPU除了大家熟知的能玩游戏以外，其实在AI人工智能、深度学习、大数据运算、机器学习上还有很大的发展前景；二是在ATI/AMD两家公司前前后后的工作时间差不多有14年，可以说基本上整个绘图团队都是他一手建立起来，而且很多老朋友、旧同事还在AMD，觉得这次回归可以贡献自己的知识、能力，帮助团队更好地完成任务；三是佩服AMD CEO Lisa Su和她的执行团队，能够在短短几年里将AMD颓势扭转。很多人问过潘晓明，如何看AMD？他自信地说: “AMD又回到了第一阵营。”生态圈但眼下AMD并没有停下来庆祝。在公司经营状况好转后，包括苏姿丰本人在内，团队承受的压力反而更大了。历史上，AMD不是没有过凭借成功产品打赢翻身仗的经历，如2000年推出世界第一款1GHz主频处理器Athlon（速龙），成为真正能抗衡英特尔的公司。2003年AMD在业界率先推出64位计算技术，在全球掀起了一场从32位向高性能64位计算过渡的技术革命。伴随着64位皓龙的诞生，AMD又快人一步，推出首款x86双核处理器，开启了产业的“多核时代”。凭借Operon（皓龙）曾拿下27%的服务器市场，但对这家时刻处于巨头阴影下的公司而言，最大的挑战是可持续性。芯片产业遵循着摩尔定律的创新节奏，每隔一段时间，新版本芯片就要推出，不能有丝毫的懈怠。这也是苏姿丰的压力来源。她相信，未来5年，AMD仍然可以继续成长， “我们要在所有的机会面前，都展现出最好的一面，去赢得这些机会”。一位美国总部资深员工告诉《财经天下》周刊，他个人感觉，在苏姿丰的带领下，好像没有什么事情是做不了或者不能够的。似乎所有既定计划都能达成。“做半导体产业，光推出CPU还不够的，还得把生态圈做好。”潘晓明透露。像数据中心服务器生态，AMD也要迅速与合作伙伴打通相关软硬件，特别是做好软件生态系统。而当务之急的，是自从去年8月推出服务器芯片后，在服务器市场已失声一段日子的AMD要重建客户关系和生态。AMD已与客户一起做应用配置、方案选择和优化，也与软件企业和开源社区一同形成解决方案。伴随客户关系的重建和生态的丰富，后面的规模上量已经可期。公司层面，正在重新定义自己和行业的AMD有了新的原则：思考一个产品时，要构建未来5年的蓝图。苏姿丰进一步解释，“如果看今天的AMD跟5年前或者10年前有什么不同，那就是，我们现在更注重思考未来”。收起

机器之心原创作者：杜雪2013 年，DeepMind 在 NIPS 大会上发表的一篇深度强化学习的文章，一举惊艳了学术界。2016 年 1 月，AlphaGo 在一场围棋大赛中击败李世乭吸引全世界的目光，其背后的强大武器正是深度强化学习技术。同年年底，2016NIPS 最佳论文奖也颁给了解决深度强化学习泛化能力较弱问题的论文。随着深度学习的突破性进展，也促使强化学习的研究前景，重新获得了产业各界的关注。2016 年 8 月，在 ACM（国际计算机学会）会刊一篇名为《强化学习的复兴》的文章中提到，「DeepMind 的成功已经吸引了学术界与商业界对 DeepMind 的方法背后的人工智能领域的兴趣。」而相对于 DeepMind 和学术界看重强化学习的前沿研究，阿里巴巴这类公司则开始将焦点放在推动「强化学习」技术输出及商业应用。在双 11 推荐场景中，阿里巴巴使用了深度强化学习与自适应在线学习，通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝，提高人和商品的配对效率。比如，利用强化学习将手机用户点击率提升了 10-20%。阿里巴巴的这一技术是如何成型的，强化学习在其中扮演了什么角色？阿里巴巴的强化学习又有哪些独到之处？带着这些问题，机器之心专访了阿里巴巴研究员徐盈辉。徐盈辉，阿里巴巴研究员，阿里巴巴搜索事业部搜索排序和基础算法的负责人，日本丰桥技术科学大学计算机科学博士。他规划和设计了搜索新一代的排序框架体系，建立了集 offline-nearline-online 三位一体的电商平台个性化搜索体系，推动和完成了搜索实时在线计算体系的规模化和平台化，在技术的先进性和业务的推动上都取得了突破性成果。机器之心：可否介绍一下，阿里在强化学习技术方向的团队、研究重点及技术特点？徐盈辉：强化学习作为一种有效的基于用户与系统交互过程建模和最大化过程累积收益的学习方法，已经在很多技术驱动的业务团队中获得了深入研究和探索，并且在一些具体的业务场景中得以大规模应用。在阿里巴巴搜索事业部，搜索和推荐算法团队的研究重点是，电商平台下的智能化流量投放系统，消费者权益智能化分发系统。其技术特点是运用多种机器学习技术，通过用户、query、商品以及对商家的理解，来提升搜索/推荐平台的流量投放效率。阿里巴巴 iDST（Institute of Data Science and Technologies）团队的研究重点是 multi-media 技术平台，针对平台端的多媒体内容、语音、图像、视频等，运用深度学习、强化学习等技术来提供语音识别、智能客服、图片标注分类、实拍搜索、视频分析等服务。阿里云大数据孵化团队，研究重点是数据中心的智能化运维和调度算法，针对传统行业以及政府基于大数据技术，降低生产成本和提升服务效率。技术特点是依托阿里云的 ET 智能算法平台，快速实现智能化解决方案。菜鸟网络的算法技术团队则是围绕物流链路的各个节点，供应链、仓配、末端网络等，通过机器学习和运筹优化等技术手段来降低商家物流成本和提升消费者物流服务体验。机器之心：强化学习技术主要应用在哪些业务方向？在阿里零售网络包括物流、用户行为分析等方面扮演着怎样的角色？徐盈辉：这个问题我回答的不一定全面，就我个人理解和判断，强化学习技术在阿里平台上能够施展手脚的业务方向还是有不少的。互联网环境下，尤其是在移动互联网中，人机交互的便捷，碎片化使用的普遍性，页面切换的串行化，用户轨迹的可跟踪性等都要求我们的系统能够对变换莫测的用户行为以及瞬息万变的外部环境进行完整地建模。平台作为信息的载体，需要在与消费者的互动过程中，根据对消费者（环境）的理解，及时调整提供信息（商品、客服机器人的回答、路径选择等）的策略，从而最大化过程累积收益（消费者在平台上的使用体验）。而基于监督学习时代的信息提供手段，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的信息单元（商品、店铺或问题答案）。但是真正的智能化搜索和推荐，比如客服机器人，作为投放引擎的 agent，需要有决策能力。这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，把消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益上，来达到一个系统与用户的动态平衡。机器之心：能否介绍一下阿里是如何通过持续机器学习和模型优化建立决策引擎，对海量用户行为以及百亿级商品特征进行实时分析，帮助每一个用户迅速发现宝贝、帮助商家带来适合买家？徐盈辉：搜索技术体系演进至今天，基本形成了 offline-nearline-online 三层体系，分工协作保证电商平台既能适应日常平稳流量中实现稳定有效的个性化搜索以及推荐，也能够去满足电商平台对促销活动的技术支持，实现在短时高并发流量下的平台收益最大化。搜索的智能化元素注入到新一代电商搜索引擎的各个环节，通过批量日志下的 offline 建模，到 nearline 下增量数据的 retraining 和 fine tuning 的无缝融合，解决了 NP 环境下的 data shift machine learning 能力问题，基本实现了搜索体系从单纯依靠机器学习模型的高效预测进行流量投放，到从不确定性交互环境中，探索目标的在线学习，预测和决策能力进化。2014 年双 11 通过排序特征实时，引入商品实时转化率，实时售罄率模型进入搜索 match 和 rank，让售罄商品额无效曝光大幅减少，并实现了成交转化的大幅提升；2015 年双 11 推出双链路实时计算体系，在特征实时的基础上，引入排序因子的在线学习，预测，以及基于多臂机学习的排序策略决策模型，在预热期和双 11 大幅提升了搜索流量的成交转化效率；2016 年实时学习和决策能力进一步升级，实现了排序因子的在线深度学习，和基于强化学习的排序策略决策模型，从而使得淘宝搜索的智能化进化至新的高度，并在今年的双 11，分桶测试效果表明，成交金额取得了近 20% 的大幅提升。机器之心：技术输出方面，双十一也是一个典型案例，能否简单介绍一下背后这套搜索系统的技术路径是怎样的？强化学习和深度学习在搜索中的应用（算法和模型）带来了哪些提升？都有哪些突破性成果？徐盈辉：运用机器学习技术来提升搜索/推荐平台的流量投放效率是目前各大互联网公司的主流技术路线，并仍在随着计算力和数据的规模增长，持续的优化和深入。针对阿里巴巴搜索体系的实时化演进，是什么驱动我们推动搜索的智能化体系从离线建模、在线预测向在线学习和决策方向演进呢？主要有以下三点：1. 众所周知，淘宝搜索的具有很强的动态性，宝贝的循环搁置，新卖家加入，卖家新商品的推出，价格的调整，标题的更新，旧商品的下架，换季商品的促销，上下架，降价，宝贝图片的更新，销量的变化，卖家等级的提升，商品竞争程度的提升等，都需要淘宝的商品搜索引擎在第一时间捕捉到变化，并及时反映到索引结构中的相应信息单元，而在最终的排序环节，这些变化也需要及时融入匹配和排序，带来排序的动态调整。2. 从 2013 年起，淘宝搜索就进入千人千面的个性化时代，搜索框背后的查询逻辑，已经从基于原始 Query 演变为【Query+user 上下文+location+time】，搜索不仅仅是一个简单根据输入而返回内容的不聪明的「机器」，而是一个能够自动理解，甚至提前猜测用户意图，并能将这种意图准确地体现在返回结果的聪明系统。这个系统在面对不同的用户输入相同的搜索语句时，能够根据用户的差异，展现用户最希望看到的结果。正如同人的记忆是有时效性的，我们有理由相信：越近的数据能够越准确地预测下一时刻，如用户的兴趣偏离，商品质量动态变化。在我们的环境下，用户的数据和商品的数据会产生一个联动，既对用户的兴趣进行实时刻画，而用户对商品的偏好累计会造成商品表现的变化，这些变化通过对商品的实时计算，又会反馈给更多的用户。变化是时刻发生的，商品在变化，用户个体在变化，群体、环境在变化，个体和群体的隶属关系也在动态变化。在搜索的个性化体系中合理的捕捉变化，正是实时个性化要去解决的课题。基于监督学习时代的搜索和推荐，缺少有效的探索能力，系统倾向于给消费者推送曾经发生过行为的商品或店铺；这类问题。真正的智能化搜索和推荐，需要作为投放引擎的 agent（笔者注：智能体）有决策能力，这个决策不是基于单一节点的直接收益来确定，而是当作一个人机交互的过程，消费者与平台的互动看成是一个马尔可夫决策过程，运用强化学习框架，建立一个消费者与系统互动的回路系统，而系统的决策是建立在最大化过程收益，来达到一个系统与用户的动态平衡。3. 在 2016 年双 11，搜索技术和算法团队通力合作，首次大规模实现在线深度学习和强化学习等前沿技术，经过不断的尝试与改进，找到适合在搜索场景下可有效大规模应用的方案，对搜索排序在策略选择上做出了重大的升级，并取得了非常显著的成果。在搜索排序的 gmv 分桶总共提升高到 20+%。机器之心：能否详细讲解一下，在 Reward 函数中加入先验知识势函数的原因和作用，以及和不加入势函数的比较结果？徐盈辉：首先需要理解奖赏函数 R 的本质是什么？奖赏函数的本质是一个状态和动作之间的数值关系。奖赏塑性函数的引入，其本质是在原有的奖赏函数中引入一些先验知识，加速强化学习算法的收敛，势函数相当于定义了学习任务的 subgoal（笔者注：子目标），引导学习算法完成 subgoal，进而完成整个学习任务的 goal。加入先验知识主要是为了加速学习过程。比方说，如果用强化学习求解迷宫问题，可以将每个状态所在位置与出口位置的 Manhattan Distance（笔者注：曼哈顿距离，几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和）作为该状态上的势函数，引导 agent 往更靠近出口的方向走。机器之心：训练 DQN 的一个问题是收敛较慢甚至不收敛，在训练强化学习模型时，阿里是如何克服这个难点的？徐盈辉：如何把深度强化学习在业务场景中调通并达到要求，在某种程度上讲是个手艺活。相比于监督学习，需要分析的变量相对复杂，要考虑状态变量、策略空间、奖赏函数等多个环节。强化学习是一个机器学习领域的重要分支，随着 DeepMind 的 AlphaGo 的一炮打响，业界兴起了强化学习研究热潮，任何问题都希望用强化学习这把个利刃砍一刀，不管问题是不是适用，自己实现的强化学习逻辑是不是正确，强化学习在整个算法逻辑层中的作用是不是显著，学习到的策略是不是到最优，有没有收敛，对于这一系列核心的问题鲜有关注。只关注最终的一个效果，实际上是有违严谨的科学精神的。在 2016 年 NIPS 大会上，John Schulman 给出一系列技巧，首先通过问题简化来验证强化学习实现逻辑的正确性，将训练过程中的关键变量可视化出来加以观察，包括状态的分布、状态转移分布、值函数变化。另外强化学习训练过程中超参数的设置也是至关重要的，比方说 Actor-Critic 方法，如何设置合理 actor 网络和 critic 网络的学习率，一般原则是 actor 网络学习率相比于 critic 网络的学习率来的小。奖赏函数的初始化对最后的收敛速度也会有不小的影响。状态空间的归约、Reward 函数的 scale 化、策略迭代过程中，也需要有效控制策略漂移问题等等。另外就是，合理的利用基于 Replay Buffer 的 Sampling 策略和迭代训练的方式。Sampling 策略的主要目的是打破由于样本的关联性导致的策略寻优方向陷入 Local Minima（笔者注：局部极小）。另外通过几个改进的 DQN 算法，比方说，DDQN 方法通过引入两个 Q-network，一个用于选择动作，一个用于评估动作，交替执行，解决 upward-bias（笔者注：向上偏误）问题，这样犯错的概率就能大幅下降。机器之心：用户的哪些行为与数据会被用于模型的训练？这些行为是如何被抽象成训练集的？徐盈辉：用户在整个进入淘宝平台后的主动行为，输入、Query、点击、收藏、加购、购买、评论等都会作为基本的 feedback signal（笔者注：反馈信号），通过分析这些不同类型的 feedback 与平台长期优化目标的关系来刻画 Reward 函数（笔者注：奖励函数），而行为对象的 attributes（用户最近点击的商品所携带的特征（品牌、店铺、类目、价格等）和用户长期的偏好特征）作为状态会成为表征强化学习中状态的元特征，通过深度学习实现状态空间的参数化表示，对于智能体策略空间则通过日志埋点系统回流至实时数据分析和训练引擎，训练数据组织则按照马尔科夫决策过程的数据结构来组织，对于 off policy（笔者注：离策略）的强化学习模式，算法模块通过将数据组织成【s,a,r,s】】（当前状态，策略，奖赏信号，下一个状态）四元组形式，即可作为强化学习的训练数据，输入给训练模块；对于 on policy（笔者注：在策略），比方说 SASAR 的学习模式，算法模块将数据组织成【s,a,r,s】,a】】（当前状态，策略，奖赏信号，下一个状态，下一个策略）五元组形式，输入 DQN 训练模块。机器之心：阿里用于训练强化学习系统的硬件资源、训练时间等情况是怎么样的？徐盈辉：实战型强化学习系统必然要求拥有一个能够快速收集的 feedback，在线学习能力的实时计算引擎，从而能有效评估策略改进效果。阿里从 2013 年就开始着力研发基于 streaming 计算引擎的在线学习平台，发展至今天，已经初步形成了规模化的基于 Flink 计算引擎的流式智能化算法引擎，能够在秒级别完成数据采集、分析和训练，在线部署预测。这个端到端的大规模在线深度强化学习任务在 2016 年双 11 上，共处理日志量近 200 亿，处理消息量超三千亿，流式计算平台处理峰值超千万 QPS（笔者注：每秒查询率），实现 24 小时不间断无延迟运转，在线策略改进频次高达几百万次。机器之心：能否谈谈目前阿里训练好的强化学习系统应用到新任务的泛化能力？徐盈辉：搜索事业部的基础算法团队依托于 Flink 社区，自主研发了 Blink 流式计算引擎，并在此之上开发了称之为「Porsche」的大规模分布式在线学习算法框架，并基于此算法框架，自主研发了算法组件库 ai4b。目前主流的深度学习模块，DNN、CNN、RNN（笔者注：分别为深度神经网络、卷积神经网络、循环神经网络）以及强化学习模块的基本功能组件都开发完毕并投入应用，所开发的 DDPG 和 TRPO 算法适用于大规模连续状态空间，连续 action 空间下的强化学习任务，而 A3C 和 DQN 算法适用于大规模连续状态空间和离散策略空间下的强化学习任务。机器之心：强化学习需要强大的深度学习网络的支持，目前阿里的深度网络达到了多少层？徐盈辉：首先我想指出用深度网络去支撑强化学习只是一种技术手段而已，其核心目的是为了加强对于强化学习本体的输入状态和策略空间的更有效表达，而层数与参数空间和样本规模是有关系的。对于大规模连续状态，连续 action（笔者注：行动）空间下的 Q-learning，通常是通过 embedding（笔者注：嵌入）方式进行映射，而低维空间下线性组合方式会导致优化过程陷入 Local Minima，因此会考虑通过高阶非线性映射来实现状态表达和策略表达的交叉映射效果，从而有效解决局部最优解的问题。机器之心：最近 GAN（生成对抗网络）与强化学习结合起来做序列形成是一个热点，您怎么看这个算法的发展前景？阿里在 GAN 这个算法方面有相关研究与进展吗？徐盈辉：GAN 最吸引我的是它的系统性学习思想，未来的机器学习领域应该是需要更多的系统化思考的专业人士，我把它称之为 Systematic Machine Learning（笔者注：系统性机器学习），为什么这么说呢，机器学习的三大研究领域，非监督学习、监督学习、强化学习，就像 Yann LeCun 在 2016 年 NIPS 大会上提出的「蛋糕」比喻，把我们需要的预测信息类比成蛋糕，认为强化学习是上层的樱桃，每个 sample（笔者注：样本）只包含很少的信息，而监督学习则是蛋糕外层的糖衣，每个 sample 要包含更多的信息，无监督学习则是剩下来的蛋糕主体，每个 sample 包含的信息非常多（数百万 bit）。同理，GAN 的精妙之处是能很好把这三个大领域的技术体系完美的结合起来。非监督学习长期受困于无法形成基于有效目标的评估体系和迭代优化方案，而监督学习受困于标注样本的匮乏和 bias（笔者注：偏置），而 GAN 的思想可以将强化学习作为将非监督学习和监督学习之间桥接的技术手段，非监督学习得到的 Representation Model（笔者注：表征模型）运用到监督学习网络中去评估并将结果通过 Policy Gradient（笔者注：策略梯度算法）方式回传非监督学习的迭代优化过程中；不妨用 Actor-Critic 体系来阐述 GAN 的训练思想，Actor-model 在某种意义上，我们看成是一个从 state（笔者注：状态）生成 action（笔者注：行动）的 Generative Model（笔者注：生成模型），而将 Critic-model 看成是基于状态-策略输入下的 Q 值回归网络的判别式过程，整个数据理解和建模过程就通过这样的系统新运作方式来使得生成式模型更好地去发现「未知」世界中的类 True Positive 样本，而判别式模型也能更好地从逐步完成一个个困难样本的判别来提升模型鲁棒性。阿里巴巴搜索事业部基础算法团队也在积极尝试利用 GAN 思想来解决我们的业务问题，并在传统的 Learning to Rank 算法和推荐算法，以及 OCR 识别领域重取得了不错的实验性结果。机器之心：基于深度学习和强化学习的搜索和推荐算法，在实际的推荐和客服场景中还有哪些创新型应用？徐盈辉：「强化学习」技术的应用场景广泛，市场空间巨大，从游戏 AI、围棋博弈、自动驾驶汽车、机器人控制，到电商推荐、工业智能制造、新能源发电、调度管理，都可以找到应用的场景，去实现能够让机器算法像人一样学习、思考、决策。机器之心：您最近重点关注的技术点有哪些？阿里在强化学习方向上还有哪些着重解决的问题？应用方向上会有重要突破点吗？徐盈辉：仍然会持续关注强化学习方向的新进展和突破，基于逆强化学习、迁移学习来更合理地刻画奖赏函数、多智能强化学习，目前我们的研究还是停留在单智能体的强化学习，而对于电商平台，如果把我们商家，消费者都应该看成智能体，这样就形成了一个非完全信息下的 multi-agent learning（笔者注：多智能体学习）问题，如何设计有效算法体系来实现平台智能体，用户智能体之间的 coordination 也是一个值得考虑和研究的方向。目前阿里在强化学习上着重解决的问题是基于新一代硬件体系和网络环境下的大规模分布式在线机器学习框架的研发。应用方向上的会着力尝试结合商业不完全信息环境下的多智能体强化学习，基于 GAN 算法框架下的生成式模型在搜索推荐场景下的应用。收起

作者 | Showthem@知乎（已授权）「 开始写这篇总结的时候是三月，纽约成了疫情震中，看着新闻报道里的中央公园，中国城，第五大道，往事浮现，于是开始写这篇回顾。陆陆续续一直没写完，转眼年底了，加州疫情更糟。前几天看新闻说Cathedral教堂发生枪击案，震惊...这教堂就在我当时住的学校公寓旁边，每天出门都可以看到。遂又忆起每天上学的时光，于是决定把这篇总结写完，会分几个part放出来。快圣诞了，希望疫情早日控制住，一切安好 」。刚上大学时，听过不少学长学姐分享会；申请博士时，读了不少留学申请总结。都收获很大，让当时啥也不懂的我，了解了每场游戏（如何度过一个充实的本科；如何拿到心仪的PhD offer）的principles：有啥规则，有啥技巧，等等。开始读博时候，我也去找类似的读博经历分享，令我收益良多的，如熊辉老师、田渊栋和李沐大牛的总结，林达华老师的blog；但可惜只有这寥寥几篇，读博又是一个复杂的事儿，当时的我并不能清晰地看见前面的路，遇到一些事亦因缺乏经验借鉴，走了弯路。于是当时便想着，等我毕业了，也得记下我的经历，希望能帮助到刚开始读博，像我当年一样迷茫的科研新人。也借此记录和感恩一路走来，所有帮助过我的人，best of luck。因为篇幅限制，有的问题难以讲得完善全面，或跟您意见不合，全当看小说，寻个乐子罢了。作者Mike Shou是Facebook AI研究科学家，他将于2021年加入新加坡国立大学，担任助理教授。他在哥伦比亚大学工程与应用科学学院的高级执行副院长张世富的指导下获得了博士学位，研究领域为计算机视觉和深度学习，主要关注视频理解和生成。 个人主页：http://www.columbia.e/~zs2262/1万事开头难（第一学期）1.1 初到纽约2014年夏天，在北京国际机场，我安慰我妈说，“没事，明年暑假我就回来啦”，万万没想到，一直忙忙碌碌，一去就是5年……可能是初次留学的兴奋，十几个小时的飞行，感觉很快就过了，到了JFK机场，坐上纽约特色的黄色的士。去学校路上，先是皇后区的平房，后来到了曼哈顿，深砖红色的高楼，跟想象中的国际大都市并不大一样，倒很有历史厚重感，日后想想也是，纽约也不能到处都如时代广场那般呀。接着，办入住，搞卫生，小憩了一会儿，傍晚出去门口的超市买点吃的；第一次从112街，走到Broadway上，看着熙熙攘攘的外国人面孔，很傻的竟然笑了出来…那会儿自然是极开心的，就是一个毛头小子，充满了对未来生活期待的样子（哎，回不去的青春啊）；当然了，怎么也没想到，接下来的一年，会如此艰难……1.2 差距开学后一系列事情，一下子让我清清楚楚地，看到自己跟师兄们比，各个方面有着很大的差距。且不说核心业务能力了，首当其冲自然是语言环境的变化。一天路上，一小哥对着我说：How are you？我想，这不是新概念英语上的经典对话吗，难道我真要回传说中的I’m fine, thank you, and you？从那儿之后，我知道了，how are you就相当于，吃了么您呐，并不是真的问什么，而是打招呼，跟say hi差不多，一般回good good就可以了，甚至不回，直接也回对方how are you都行。然后到了第一天来lab，正好Y来面博后，老板让他给个talk，Y希腊口音的英语，再加上讲的内容涉及一些专业术语，几十分钟我几乎完全没听懂他说什么；会后跟他一对一meet，更是尴尬的很…后来18年来FB实习，巧了Y是我mentor之一，第一天带我吃的午饭，我们交流完全无障碍了，他也不记得当年还见过我……我有个朋友总结，刚来时候，跟外国人的交流，是三分靠听，七分靠猜……现如今，即使是印度口音，只要不是说的特别差的，或者我特别不熟悉的东西，都能通畅交流了。感觉这没啥技巧，首先要敢说，然后多跟不同的人聊天练习，慢慢就好了，倒不必太过担心，徒增压力。但是如果英语不好的话，难以跟外国专家合作，融入核心科研圈子，对长远的发展耽误很大，尽量在1-2年内做好这个提升。1.3 让老板知道你在干活因为我是本科毕业直博，刚读博那会儿，思维里还是默认，导师是教育培养学生的角色，指导学生做出成绩；明白但没有深刻认识到，博士生与导师还有雇佣关系。第一个学期，我主要是跟着师兄们做，跟导师大概一个月meet一次，每周有weekly report。开学时，老板把我分给一个师兄带，参与他的项目A，是个很好的学习机会，但是发不了paper。11月，CVPR投稿的季节，另一个师兄找到我帮忙做项目B，这个项目准备投CVPR，做出来的话可以co-author。于是我那段时间都扑在做B上，终于实现了其中一个核心的模块。CVPR投稿完的那周，正好导师约meet，我想B的事情做完了，下面精力就都是做原本的A了，meet对我来说，主要目的是确定下接下来的plan呗。正好搞CVPR之前，项目A的师兄让我reproce一篇NeurIPS文章的方法，用到项目A的data上，于是，我准备的slides主要介绍那篇NeurIPS和怎么用到项目A上。结果meeting结束，导师很不高兴，觉得我这几周没有progress。记得那天导师办公室没开灯，冬天下午五点的纽约，天已经黑了，周围一片黑压压的，更显压抑。我当时挺惊讶的，因为原还以为在导师印象中，是我参与了B的CVPR投稿，很impress呢。我后来仔细反思了下，虽然这几周我对B也算是呕心沥血，weekly report里也有提，但是，一来我只是coauthor，对于B工作整体而言算不上main contributor；二来导师很忙，不能assume对方完全了解并且记得你做过的一点一滴。同时，我也明白了这个meeting的目的既是讨论research ideas，但也是review progress，我首先得让导师明白，我这段时间有在好好干活。现在的我，不会只提项目A之后我想怎么做，会同时准备一页slide总结下我对B的贡献。1.4 自己的感受没那么重要我们系第一个学期末就要博士资格考试。这个考试，各个学校称呼不同，大概就是博士生通过这个考试，才证明有能力，qualify继续读博士。我们系给大家两次机会，第一学期末第一次考，没通过的第三学期末再考一次，要是还没考过，就只能卷铺盖走人了。而且这考试还真不是走过场，每次大概挂三分之一的人，所以真真切切见到周围有人因为qualify没过走人的。我本科学的CS，博士因为fellowship是EE发的，所以在EE系。这可愁坏我了，因为考的是EE的基础topics，电路，DSP，网络啥的我大都一窍不通。于是第一个学期的课，我选了门DSP，准备好好从头学。这是硬课，再加上平常主要精力还得放在lab的项目上，第一学期压力巨大。记得有一天，晚上睡觉做了噩梦，梦到不知什么怪物，惊醒，醒来想到各种tasks各种e，顿时只想继续回到梦中，相比而言，还是怪物比较可爱……这时候，只好把自己的感受搁置一边，累、苦，想这些又有什么用呢，只能更加平添烦恼。该做什么就去做，告诉自己干就完了，结束后反而发现，过程其实也就那样，有时候我们只是过度看重了自己的感受，夸大了困难的程度，其实自己的感受没那么重要，只要身体本身还撑得住。qualify考试在1月初。12中旬，忙完了期末考试，去Chinatown吃了顿好的，回家看了部电影，然后跟导师请好假，专心复习qualify。大概有三周的复习时间，除了DSP，其他的topics完全从零开始学。后来觉得，这考试的目的，不是考的知识本身，而考的是学习能力。复习的过程是很惨了，时值圣诞节假期，朋友圈各式各样在佛罗里达坐游轮的，迪士尼看烟花的，回国火锅小烧烤的；而那年的纽约还尤其的冷，家里的暖气开到最大，还是冷的不行，我只能早出晚归的去图书馆；路面冻得白花花的，公车开过扬起白沙，从家里112街到图书馆114街只有5分钟，但却那么漫长；每天几条裤子叠着穿，有天开始一度冷到零下负十几度，我刚出门一会儿就赶紧回来，在牛仔裤外面又套了件运动裤……所幸最后考试通过了，小秘告诉我竟然考了第三，震惊，真是功夫不负有心人讷……1.5 上课没那么重要第一学期，选DSP，纯为了考qualify exam修的，跟我日后的研究，基本不搭噶。我第一学期还修了机器学习，机器学习我之前没有系统学过，学完还是受益良多。但为了达到学分要求，我博士期间，被迫修了14门课，第四年还在上课……我的感觉是，CV是实践科学，上课没那么重要，很多时候甚至是浪费时间。我觉得值得选课去学的，可能就是机器学习，算法，就够了。搞CV方向的，与其上门CV，还不如自学网上教程，亲身参与几个项目，学的更快，对书上的知识有更深刻的理解。我觉得上课最大的作用，就是去了解这门学科，有哪些基本的概念和算法（所谓把unknown unknown变成known unknown），哪天你要用到他们了，需要把known unknown变成known known的时候，知道在Google里输入啥关键词去搜。当然如果有时间，上些基础型的硬课，自然没啥；但对于博士生，时间本就紧张，就得做做平衡了，选些seminar的课比较好，一般主要就是读论文，做project。我后面陆陆续续带了很多低年级的学生，很多人学期伊始，觉得要多学些知识，选的都是硬课，学期过半，发现作业做不完，科研没时间，两头耽误，都是后悔不已…2方向比努力重要2.1 PhD选题第一学期在课业，科研，qualify考试，适应国外环境，种种碾压之下，总算过去了……虽然痛苦，但只是工作量大，努力使劲就好了……第二个学期开始，2015年于我，关键词是迷茫，努力努力但怎么也使不上劲的那种……第二学期开始，重心主要集中在research上了，跟导师的meeting也从一月一次变成了每周一次，有幸得导师亲自调教各种真正做科研的能力了。导师给我定了个新的项目，深度学习下的incremental learning。这其实是个很难的问题，现在5年后来看，都没有被很好的解决；亦没有一个标准的benchmark，也就是说，其实大家还没有定义好这个问题；记得导师那会儿说，if you can formulate this problem，这个问题就已经解决70% 了。结果忙忙碌碌几个月，研究了很多文献，做了很多实验，还是没有太大的进展，就是感觉很迷茫了，不知道下一步该干嘛。幸运的是，到5月份，导师让我跟师兄一起参加一个叫THUMOS的比赛，这其实又是个新的项目了；开始我还觉得，已经忙不过来了，哪有时间再多一个项目，后来庆幸参与了这次比赛，开始了我做video这个方向的科研生涯。那会儿video领域，大家主要做classification，而且是几秒的短视频；THUMOS是长视频，而且不光有action classification task，还要一个task是action detection，检测你所感兴趣片段的开始/结束时间。参加比赛时，我跟着师兄主要搞classification，边做边学，上手了处理视频的模型和框架，收获很大。比赛完后，我发现classification大家搞的火热，而detection，同样很重要的一个课题，却没有人研究过基于深度学习的方法，于是就有了我的第一篇CVPR文章，收到了很多follow-up。我自己也算是找到了自己的研究方向，不再迷茫。我觉得这段经历，对新手很有参考价值，很多时候光努力不够，方向更重要。新手如何选博士几年的topic，有两个问题值得思考：能不能快速上手？有几个简单的评判标准：state-of-the-art的paper有没有开源的代码？目的是你能迅速复现baseline，熟悉整体pipeline（如怎样预处理，后处理），加深对实现和细节的理解有没有对这个topic有hands-on经验的师兄，或者community里面approachable的前辈？目的是，当你遇到实现上的细节问题，可以及时咨询和得到反馈这个topic有没有比赛，或者标准的benchmark？目的是，有大家已经定义好的数据，实验setup，评价标准；这样，你有可以直接比较的baseline，outperform baseline的时候也容易被人认可能不能有大的impact？这里我指的是博士期间的大方向，由一系列单项的工作或者paper构成。单篇paper通常有三种类型：（1）First work：开创了一个topic，比如RCNN于object detection（2）Last work：基本解决了一个topic，比如Faster-RCNN，YoLo于object detection（3）Improve类型，介于First和Last之间的。Last很难，Improve常见但影响力不够深远，对于新手而言，博士的早期工作，在有能力做出来和有impact之间的trade-off比较好的，估计是First了，不一定非要是第一篇，只要是某个topic里面开创性工作的那一批之一，都是不错的。这个早期工作之后，你会对这个问题哪里要改进，有很清楚的认识，因为improvement room大，也会有很多ideas。同样，早期的时候怎么选这样一个topic呢：相关的比赛是这一两年新开的吗，相关的benchmark是这一两年出来的吗，上面的结果提升空间大吗（现在是20%还是已经80%了）？2.2 单篇Paper选题前面说的PhD选题是大方向上的，具体到每一篇paper，选择的principle和重点则不太一样。来Facebook后从马爷爷那知道了一个著名的Heilmeier问题系列，是指导老师们申项目的，我觉得稍微改改，便很适用于我们考虑，某一篇paper的选题，合不合适：What are you trying to do? Articulate your objectives using absolutely no jargon.How is it done today, and what are the limits of current practice?Who cares? [Support other’s research? Shape research landscape? Power applications in instry?]What's new in your approach and why do you think it will be successful?If you're successful, what difference will it make? [e.g. Contributions in theory/modeling? Improve accuracy by 5% on dataset A, B, C…?]What are the risks and the payoffs? [Further, how would you mitigate the risks? If your proposed method does not work, what could be alternative design? These can end up as discussions such as ablation studies in your paper.]How much will it cost? [e.g. How many GPUs do your experiments require? How long is each training process? How about data storage?]How long will it take? [How many hours are you going to work on this per week? When is the submission DDL? Can you make it?]What are the midterm and final "exams" to check for success?3谈谈PresentationPresentation分为作报告，还有就是写paper3.1 谈谈做报告14年，刚来哥大那会儿，每周五是我们组会，导师让我在组会上present RCNN，这是我第一次给老板作报告，而且是在全组面前报告，自然想要好好表现。我对object detection之前完全没了解过，于是paper读了一遍又一遍，文中用到的前人技术不懂，便找到前人的文章去学怎么回事。感觉自己学到好多，自我感动，觉得花了这么大工夫，一定到时候会让导师刮目相看。结果就是啪啪打脸：导师极其严谨，当我解释了A，解释了B，问我已经有A了为啥还要B；我大脑一片空白，尝试着解释了半天，导师表示听不懂，这是可想而知的，因为其实我自己也并没有搞清楚为啥；当时自己读paper的思维模式其实只是，memorize怎么做怎么做，但没有去搞清楚要这么做背后的原理；另外当时slides准备的也不够好。总之结果是，这次报告搞砸了。还好事后，师兄们继续跟我讨论，让我对技术原理有了更深刻的认识；有的师兄更用亲身经历安慰我，说当年他刚来的时候，第一次汇报工作连slides都没做，干讲，导师自然也是没能听懂。之后几年，从导师身上学到了很多presentation的技巧：如果可能的话，事先了解你的听众背景，是跟你做同一个topic的，还是同一个大领域但不同topic的，还是完全其他专业背景的。需要根据听众背景，定制和调整：比如，需不需要多介绍些背景？需不需要更深入技术细节？等等一页slide尽可能focus在一个点上，不要信息量过大，否则听众很容易lost尽可能多用图片表达，不要大段大段的列文字，A picture is worth a thousand words上面这两点，其实principle都是尽量让要讲的内容简单明了，因为很多时候我们在听talk，这样被动接受的时候，接受新知识的能力是比主动接受时候（比如看paper）低的。当听众问问题的时候，If you don’t know the answer, just say don’t know.如果是跟mentor日常讨论的slides，因为会讨论到很细节的东西，有些图PPT画起来，很花时间，而且通常这样细节的图还挺多，所以可以就ipad上面手画一画，截个图放到PPT里就好了；如果是正式一点的presentation，写slides跟写paper的principle有点像，不要太focus在细节上，更重要的是讲清楚motivation，为什么这样设计，细枝末节的不关键的内容，放在backup slides里面。19年CVPR，Doctoral Consortium有幸mentor是斯坦福的一位大牛教授，她也提到了presentation的重要性，说她们lab有个开玩笑的说法，一份slides交给她去改，no pixel left……为了分享如何能让报告听起来有兴趣，她画了下面这张图，让听众情感（亦是兴趣高低，注意力程度）随着时间的变化，有三个高潮：首先，介绍你的问题，通常这时候大家都会引发兴趣；但听着听着大家注意力就不集中了，这时候就到了图中第一个低谷，这时候需要指出来这个问题有哪些challenge，大家的兴趣就又被激发了；等大家兴趣来了，精力集中的时候，介绍你的一部分工作work 1；等介绍完第一个工作，大家又疲劳了，这时候指出来，即使有这个work 1，问题还不能被解决，因为有remaining challenge；接着大家又被调动了兴致，可以开始介绍work 2。3.2 谈谈写paper在2.2里面讲了对某一篇paper，如何选题和做规划。那真的到了写paper的时候，我自己有几点如何让文章写的更好的体会：先给一个Talk。写paper最难的是构思storyline，而最好的完成这一步的方法就是先对你的工作做一个slides，给周围的人present一遍。这个过程中，你会梳理好自己的思路，画好文中的figure，准备好实验结果的table，周围的人还可以给你提意见，帮助你完善，等这个talk给完了，后面写paper就会顺畅自然了。其实我现在，如果准备投一个paper，当做了一段时间后，就会按照最终presentation的思路，准备slides，用在每周给老板们report时。开头先快速review一下做的task和提出的方法，remind一下context，然后重点focus在那周做的新东西上，所以每周汇报的slides可能80%都是跟上一周一样的，然后新的方法和实验结果的那几页slides是新的，有比较多的细节。用Google doc做语法检查。刚写好的paper有typo和语法错误是很难避免的，但常常会被reviewer揪着不放。大家写paper如今大都在overleaf上，但overleaf的查错还是不够好，建议可以写完paper后，贴到Google doc里面。几年前开始，估计是由于deep learning对Google NLP的改进很大，感觉Google自动改的质量已经非常高了。Rationale很重要。不光是要讲清楚你怎么做的，更要justify你问什么这么做；不光要讲你的结果比baseline好，更要解释为什么好；读者看到的不应是一个“使用手册”。有时候我们写paper，花了很多篇幅写了很多实现细节，但是更重要的是，解释“为什么”，这个背后的逻辑和insights。大部分paper都是提出一个新的方法，这类方法型paper似乎都可以套下面这个框架：Introction：可以分为以下几个部分：Problem definitionPrevious methods and their limits简单描述你是提出了什么技术来overcome上面的limits一个图，非常high-level的解释前人工作的limits和你的工作怎么解决了这些limits，最好让人30秒内完全看懂最后一段如今大都是，In summary, this paper makes three contributions:First work to解决什么limits提出了什么novel的技术outperform了state-of-the-art多少Related Work：一般三五个subsection，分别review下相关的topics，同样不光讲previous work做了啥，更要讲自己的方法跟前人工作有啥不同Method这是文章的主体，按照你觉得最容易让别人看懂的方式来讲可以第一个subsection是overview，formulate一下你的problem给出notation，配一个整体framework的图，图里面的字体不能太大或者太小看不清，要有些细节，让人光看图就能明白你的方法是怎么回事，但不要过于复杂，让人在不超过2分钟的时间看完这张图然后几个subsection具体介绍你的方法或者模型；如果testing跟training不太一样，最后一个subsection介绍inference时候的不同，通常是一些post-processing操作ExperimentDatasetsImplementation details such as pre-processing process, training recipeEvaluation metricsComparisons with state-of-the-artDetailed analysisAlternative design choice explorationAblation studiesVisualization examplesConclusion (and Future Work)Abstract：是全文的精简版，建议在paper写完第一稿差不多成型了，有定下来的成熟的storyline了，再去写abstract；大概就是用一两句话分别概括paper里面每个section，然后串起来另外paper提交时候，可以交supplementary materials，虽然reviewer并不被要求强制看这个，但其实给我们机会，去include更多文章技术细节、实验结果的好地方；在后面rebuttal阶段，通常篇幅有限制，但如果你已经在supp里面未雨绸缪，可以省很多空间，refer reviewer去看你supp里面的内容就好了。说到rebuttal，我还是比较幸运的，从导师那学到很多。导师已经是功成名就，业界泰斗那种，起初我以为他这个级别会对我们是放养；但我在哥大投自己第一篇一作paper的时候，导师可以说是手把手带我入门了。还记得16年CVPR review出来后，导师找我讨论rebuttal，我那会儿对写rebuttal并没有什么经验，也不知道可以用R1代表review 1等等。那天meeting开始已经晚上7点了，估计导师还没吃饭，我两就挨着坐在他办公室里，对着他的电脑，讨论reviewer提的一个一个问题。因为很多时候其实reviewer表达问题并不准确，他教我分析每个问题背后reviewer真正关注的点是什么。边讨论，导师边直接敲下我们讨论的notes，meeting完后，我看这notes基本上就可以算是个rebuttal的初稿了，比我meet前准备的draft强多了……收起

作者简介：甘阳，1952年生，浙江杭州人，文革中曾在北大荒下乡八年，1982年获黑龙江大学学士，1985年毕业于北京大学外国哲学研究所，获西方哲学硕士。现任中山大学逸仙讲座教授，人文高等研究院院长、博雅学院院长、通识教育总监。摘要：假如17年后，北京大学的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士所组成，而与此同时北京大学自己培养的博士则只能去中国本土的二流和三流大学任教，试问那时的北京大学是变成了世界一流大学，还是变成了中国的二流或三流大学?我以为中国的大学改革实际正在出现一种危险的倾向。这种危险就是在“创建世界一流大学”的口号下，实际却可能恰恰在把中国的大学变成注定只能成为三流、四流、甚至不入流的大学。出现这种危险倾向的原因在于，目前对所谓“世界一流大学”的理解是相当似是而非的甚至是完全错误的，因此一些改革方案的设计往往从一开始就犯了方向性的错误。且让我们现在以一种假设情况来提出问题。以中国现在的一流大学例如北京大学为例，假如17年后，北京大学的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士所组成，而与此同时北京大学自己培养的博士则只能去中国本土的二流和三流大学任教，试问那时的北京大学是变成了世界一流大学，还是变成了中国的二流或三流大学？答案自然是后者，即北京大学不但没有变成世界一流大学，反而变成了中国的二流甚至三流大学。因为这种情况实际意味着，北京大学自己培养的博士不但没有升值，反而越来越贬值，越来越不值钱。甘阳（左一）很简单地说，大学的根本使命就是培养人才，所谓世界一流大学就是它能培养出世界一流的人才。如果某大学仅仅能以高薪聘请别家大学培养出来的人才，却永远在自家大学里培养不出同等甚至更好的相应人才，那么这家大学就永远是三流大学，它的所有投资都是失败的，因为它只有投入，没有产出，或者是高投入低产出。我们现在因此不妨提出三种不同的可能情况来进一步说明这个问题。由于我们现在是讨论高等教育的问题，因此我们这里暂时只考虑大学培养的今后从事高等教育的人才。第一种可能情况是，17年后北京大学本身培养的博士越来越吃香，受到哈佛和牛津等世界一流大学的竞相聘请，亦即以“北大博士”这一学术资格就可以成为哈佛教授或牛津教授等的越来越多，那么我们大概可以说，北京大学开始进入了世界一流大学的行列；第二种可能情况是，17年后以“北京大学博士”的学术资格而直接受到哈佛和牛津等国外一流大学聘请担任教授的仍然很少或几乎没有，但以“北京大学博士”这一资格在中国本土一流大学任教的比例在国内仍然名列前茅；这种情况有可能表明北大仍未进入世界一流大学行列，但至少可以肯定，即北大仍然是中国的一流大学；第三种则就是我们前面已经提及的可能性了，即17年后“北大博士”的资格不但不足以在哈佛和牛津等国外一流大学得到聘请，甚至也已经得不到中国国内一流大学的聘请，而只有资格在中国的二流和三流大学任教，那么这就只能意味着，北大下滑成了中国的二流甚至三流大学。这就象假如哈佛的博士今后都只能去美国州立大学任教，那么哈佛也就下降到州立大学水平了。我们现在因此不能不问，北京大学现在宣称的在“十七年左右达到世界一流大学”的目标到底是什么目标？如果北大的目标是要达到上述第一种情况，即在十七年内造就越来越多的“北大博士”直接成为哈佛教授或牛津教授，那么至少有志气，唯一问题是北大通过什么制度来达到这个目标。但如果北大说，这种目标是不可能的，不要说十七年，甚至七十年都不可能，那就奇怪了，如果这是不可能的，那么北大所谓“创建世界一流大学”到底是什么目标？我们必须强调，“世界一流大学”的真正标准是这大学培养的最高学位如博士是世界一流的，其他标准都不是真正的标准。美国有很多非常好的liberalcollege，培养最好的本科生，但不会称“世界一流大学”，人家根本就不屑这种空洞名号。又如果光是以生产论文数量质量为标准，那不如大力扩充办好中国的科学院和社科院体制，专事研究和写论文，何必浪费精神办大学，反正学生再培养也不成材，因为只能去二流三流大学教书。北京大学如果不是以上述第一种情况为自己的目标，今后实在没有必要喊什么“创建世界一流大学”的口号，因为这种口号只能误导北大自己。这种误导就在于北大根本没有想过要达到上述第一种情况，却事先排除上述第二种情况，最后结果恰恰只能是沦落到上述第三种情况，即造成北大自己培养的“北大博士”越来越贬值。01 “留美近亲繁殖”有人一定会反驳说，如果北京大学今后的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士所组成，那么由这样的北大教师队伍培养的北大博士自然也应该是最好的，怎么会反而贬值呢？我们说，这只是想当然的看法。因为如果北大以及全中国的一流大学都走上了“留美近亲繁殖”道路(为行文简便，以下用“留美”泛指所有留学)，亦即如果北大等先天地认定北大教师聘任首先考虑留美博士，那么所有北大本科生自然就明白，读北大博士是绝对没有前途的，是低人一等甚至三等的。由此北大自己就贬低了自己培养的北大博士，这样北大学生自然不屑再读北大的博士，怎么也得到美国去混个博士，以免低人一等。由此就会造成一代又一代的“留美近亲繁殖”，因为北大将惯性地认为只有留美博士才有资格来北大任教，北大学生会惯性地认为只有去美国拿博士才有前途，而读了北大博士的将注定只能去中国三流大学任教。一旦形成这种状况事实上就将永远无法再改变。由此，北大当然注定永远不可能成为“世界一流大学”，它将千年万年地最多成为最好的“北京留美预备大学”。如果这就是北大改革的方向，那也未尝不可。不过这样北大要学的就不是哈佛或芝加哥大学等，而应该多学美国的liberalcollege。同时，北大不应该再办研究院，没有必要再培养那么多北大博士，甚至连硕士都没有必要培养。作个名副其实的“北京留美预备大学”，尽早把本科生送到美国去读博士，对学生、对家长、对学校、对国家和纳税人，都是更经济更负责的方式。但问题在于北大号称要成为“世界一流大学”。我们有理由认为，这次北大改革的基本指导思想其实很简单，这就是它认为“世界一流大学”的前提是大学教师必须大多数是美国博士，有这一条才能确保大多数教师都用英文写作论文到英美期刊发表。因此这次北大改革其实只有一个目标，这就是如何尽快把北大现有教师换掉，换成绝大多数都是美国博士。北大改革方案的所有设计其实都是为这一目标服务的。例如为什么要“十七年”呢，因为北大现在改革不能动已有教授，没有教授支持就无法通过改革方案。但“十七年”后现在的教授基本都退休了。因此改革的主要矛头是如何尽可能多地淘汰目前北大的讲师副教授，由此设计的升级机制毫无理路地繁复无比，总之升级越难越好，淘汰越多越好，这才可以有更多的位置给留美博士。最后，则是北大自己的博士不留校，说是防止“北大近亲繁殖”。但我们可以问，北大不留自己的博士，又尽可能淘汰自己的青年教师，难道是为了纳入国内的复旦、南大、浙大的博士？当然不会，北大毕业的人自然都知道，以北大的老大心态，它怎么会把国内其他大学放在眼里？北大眼里自然只有美国的大学比它好，空位自然将主要只聘任留美博士。因此，杜绝“北大近亲繁殖”的目的其实是要扩大“留美近亲繁殖”。但问题是，现在复旦和浙大等并没有把北大放在眼里，它们因此很可能同样不会聘任北大的博士，而是同样只要留美博士。由此，全中国一流大学都走上“留美近亲繁殖”的道路，而全中国一流大学自己培养的博士就全都只有到中国二流三流地方大学去任教。由此，最终的结果将是中国所有一流大学自己培养的博士都贬值。如果这样，中国实在应该考虑取消所有的博士培养点，把钱用在办地方中等学院和加强乡村的基础教育。北京大学02 立足“华人大学的理念”改革北大从“华人大学的理念”出发，北大的改革应该着重于提升北大自己培养的博士的水准，减少对国外博士的需求。中国大学改革的总体目标是要尽快结束中国留学运动，以中国自己培养的博士构成中国高等教育的主体，而不是要把中国的大学教师都换成美国博士。如果中国的大学走上“留美近亲繁殖”的道路，那么中国的大学就是“放弃了学术的独立自主，成为人家的附庸藩属”！北大目前的改革方案是乱北大、乱中国高教的方案。这个方案的根本问题是北大主事者基本不信任北大自己现有教师队伍，而又盲目迷信国外博士，从而试图以“留美近亲繁殖”的方式来对北大换血。如果放弃这种错误的指导思想，北大的改革完全可以有更现实的新思路。这种新思路将首先立足于对北大现有年轻教师的充分认识上。事实上，北大最近三、五年聘用的年轻教师，可能是北大历史上最优秀最有潜力的人才。他们大多是北大和国内其他一流大学自己培养的博士，在毕业时经过激烈的竞争才成为北大教师的一员。在学校中他们通常是生活待遇最低，工作条件最差，但在课堂上却往往是最受北大学生欢迎的教师。正如现在人所周知，北大年轻的讲师副教授水平超过许多教授。这些年轻教师外语好，阅读广，知识面宽，思路开阔，而且对学生有精神感召力。没有人可以有资格任意断定他们的水平低于国外博士。事实上他们中佼佼者的水平和眼光远远高于留美博士的水平。中国从改革以来的留学运动已经二十多年，现在也应该对此有一个清醒的估计了。理工科暂时不论，如果单纯从文科(为行文简便下面用“文科”包括所有人文社会科学)看，在很多方面是相当令人失望的，并不那么理想。大多数文科留美博士都挤在美国学术界一个边缘的方寸之地，就是所谓“中国研究”。中国人到西方去留学，本应研究西学的精髓，而西学的精髓乃在西方学界对西方本身思想传统和制度文化的研究，不在西方人对中国的研究上。西方学界的“中国研究”只能说是西学的皮毛之学，因为这个部门研究的问题和方法都是来自西学主流部门的。现在有多少中国大陆留美博士在美国留学是专门研究西学的呢？大多数都挤到所谓“中国研究”领域去了。很多人其实对中国一点兴趣都没有，也要挤进去，自然是因为中国人懂中文作中国研究写论文容易点，以后在美国找工作容易点，这也不是什么秘密。有些人似乎不知道在美国拿个博士只要中人之材就绰绰有余，并不需要什么特别的才华，中规中矩的学生拿个博士最容易。真正难的倒是今天很少再有人象老辈学者陈寅恪钱钟书那样去留学只问学问不求学位。北大主事人如果对北大自己的青年教师和留美博士都有一个清醒的认识，那大概就会放弃盲目认定美国的博士一定比自己培养的博士好的无根据思想。而一旦放弃了这种心态，也就有理由彻底放弃现有的以“换血”为目标的改革方案。不妨说，北大的改革目前最迫切的就是要改革主事人的思想和头脑！人们有理由要求北大的主事人树立“华人大学的理念”，这就是要明确认识到，中国大学不是要无休止地复制“留美近亲繁殖”，而是要尽快结束中国留学运动，以中国自己培养的博士为主研究中国与西方。因此北大在今后的聘任制度上，应该有三条原则：第一，主要面向国内博士；第二，在聘任留美博士时，主要聘用那些专门研究西学的人，因为中国需要大规模地研究西方；第三，一般情况不聘用那些作中国研究的留美博士，除非已经证明其人至少在西方的中国研究领域是“领头学者”。如果按这三条原则，我相信北大人文社会科学十年后必有极大起色；反之，如果按北大现在的改革方案办，则北大的人文社会科学必然变成西方学界“中国研究”的一个分部，成为“人家的附庸藩属”。北大！抬起你高傲的头，挺起你高贵的胸，不要自卑自贱地低三下四跟人走，而要自尊自信地为“华人大学的理念”走你自己的路！收起

作者：甘阳来源：社会学视野网编辑：吴伟“假如17年后，北京大学的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士组成，而与此同时北京大学自己培养的博士则只能去中国本土的二流和三流大学任教，试问那时的北京大学是变成了世界一流大学，还是变成了中国的二流或三流大学？”我以为中国的大学改革实际正在出现一种危险的倾向。这种危险就是在“创建世界一流大学”的口号下，实际却可能恰恰在把中国的大学变成注定只能成为三流、四流、甚至不入流的大学。出现这种危险倾向的原因在于，目前对所谓“世界一流大学”的理解是相当似是而非的甚至是完全错误的，因此一些改革方案的设计往往从一开始就犯了方向性的错误。且让我们现在以一种假设情况来提出问题。以中国现在的一流大学例如北京大学为例，假如17年后，北京大学的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士所组成，而与此同时北京大学自己培养的博士则只能去中国本土的二流和三流大学任教，试问那时的北京大学是变成了世界一流大学，还是变成了中国的二流或三流大学？答案自然是后者，即北京大学不但没有变成世界一流大学，反而变成了中国的二流甚至三流大学。因为这种情况实际意味着，北京大学自己培养的博士不但没有升值，反而越来越贬值，越来越不值钱。很简单地说，大学的根本使命就是培养人才，所谓世界一流大学就是它能培养出世界一流的人才。如果某大学仅仅能以高薪聘请别家大学培养出来的人才，却永远在自家大学里培养不出同等甚至更好的相应人才，那么这家大学就永远是三流大学，它的所有投资都是失败的，因为它只有投入，没有产出，或者是高投入低产出。我们现在因此不妨提出三种不同的可能情况来进一步说明这个问题。由于我们现在是讨论高等教育的问题，因此我们这里暂时只考虑大学培养的今后从事高等教育的人才。第一种可能情况是，17年后北京大学本身培养的博士越来越吃香，受到哈佛和牛津等世界一流大学的竞相聘请，亦即以“北大博士”这一学术资格就可以成为哈佛教授或牛津教授等的越来越多，那么我们大概可以说，北京大学开始进入了世界一流大学的行列；第二种可能情况是，17年后以“北京大学博士”的学术资格而直接受到哈佛和牛津等国外一流大学聘请担任教授的仍然很少或几乎没有，但以“北京大学博士”这一资格在中国本土一流大学任教的比例在国内仍然名列前茅；这种情况有可能表明北大仍未进入世界一流大学行列，但至少可以肯定，即北大仍然是中国的一流大学；第三种则就是我们前面已经提及的可能性了，即17年后“北大博士”的资格不但不足以在哈佛和牛津等国外一流大学得到聘请，甚至也已经得不到中国国内一流大学的聘请，而只有资格在中国的二流和三流大学任教，那么这就只能意味着，北大下滑成了中国的二流甚至三流大学。这就象假如哈佛的博士今后都只能去美国州立大学任教，那么哈佛也就下降到州立大学水平了。我们现在因此不能不问，北京大学现在宣称的在“十七年左右达到世界一流大学”的目标到底是什么目标？如果北大的目标是要达到上述第一种情况，即在十七年内造就越来越多的“北大博士”直接成为哈佛教授或牛津教授，那么至少有志气，唯一问题是北大通过什么制度来达到这个目标。但如果北大说，这种目标是不可能的，不要说十七年，甚至七十年都不可能，那就奇怪了，如果这是不可能的，那么北大所谓“创建世界一流大学”到底是什么目标？我们必须强调，“世界一流大学”的真正标准是这大学培养的最高学位如博士是世界一流的，其他标准都不是真正的标准。美国有很多非常好的liberalcollege，培养最好的本科生，但不会称“世界一流大学”，人家根本就不屑这种空洞名号。又如果光是以生产论文数量质量为标准，那不如大力扩充办好中国的科学院和社科院体制，专事研究和写论文，何必浪费精神办大学，反正学生再培养也不成材，因为只能去二流三流大学教书。北京大学如果不是以上述第一种情况为自己的目标，今后实在没有必要喊什么“创建世界一流大学”的口号，因为这种口号只能误导北大自己。这种误导就在于北大根本没有想过要达到上述第一种情况，却事先排除上述第二种情况，最后结果恰恰只能是沦落到上述第三种情况，即造成北大自己培养的“北大博士”越来越贬值。“留美近亲繁殖”有人一定会反驳说，如果北京大学今后的所有教授、副教授和讲师助教都是由哈佛、耶鲁、芝加哥等世界一流大学培养的博士所组成，那么由这样的北大教师队伍培养的北大博士自然也应该是最好的，怎么会反而贬值呢？我们说，这只是想当然的看法。因为如果北大以及全中国的一流大学都走上了“留美近亲繁殖”道路(为行文简便，以下用“留美”泛指所有留学)，亦即如果北大等先天地认定北大教师聘任首先考虑留美博士，那么所有北大本科生自然就明白，读北大博士是绝对没有前途的，是低人一等甚至三等的。由此北大自己就贬低了自己培养的北大博士，这样北大学生自然不屑再读北大的博士，怎么也得到美国去混个博士，以免低人一等。由此就会造成一代又一代的“留美近亲繁殖”，因为北大将惯性地认为只有留美博士才有资格来北大任教，北大学生会惯性地认为只有去美国拿博士才有前途，而读了北大博士的将注定只能去中国三流大学任教。一旦形成这种状况事实上就将永远无法再改变。由此，北大当然注定永远不可能成为“世界一流大学”，它将千年万年地最多成为最好的“北京留美预备大学”。如果这就是北大改革的方向，那也未尝不可。不过这样北大要学的就不是哈佛或芝加哥大学等，而应该多学美国的liberalcollege。同时，北大不应该再办研究院，没有必要再培养那么多北大博士，甚至连硕士都没有必要培养。作个名副其实的“北京留美预备大学”，尽早把本科生送到美国去读博士，对学生、对家长、对学校、对国家和纳税人，都是更经济更负责的方式。但问题在于北大号称要成为“世界一流大学”。我们有理由认为，这次北大改革的基本指导思想其实很简单，这就是它认为“世界一流大学”的前提是大学教师必须大多数是美国博士，有这一条才能确保大多数教师都用英文写作论文到英美期刊发表。因此这次北大改革其实只有一个目标，这就是如何尽快把北大现有教师换掉，换成绝大多数都是美国博士。北大改革方案的所有设计其实都是为这一目标服务的。例如为什么要“十七年”呢，因为北大现在改革不能动已有教授，没有教授支持就无法通过改革方案。但“十七年”后现在的教授基本都退休了。因此改革的主要矛头是如何尽可能多地淘汰目前北大的讲师副教授，由此设计的升级机制毫无理路地繁复无比，总之升级越难越好，淘汰越多越好，这才可以有更多的位置给留美博士。最后，则是北大自己的博士不留校，说是防止“北大近亲繁殖”。但我们可以问，北大不留自己的博士，又尽可能淘汰自己的青年教师，难道是为了纳入国内的复旦、南大、浙大的博士？当然不会，北大毕业的人自然都知道，以北大的老大心态，它怎么会把国内其他大学放在眼里？北大眼里自然只有美国的大学比它好，空位自然将主要只聘任留美博士。因此，杜绝“北大近亲繁殖”的目的其实是要扩大“留美近亲繁殖”。但问题是，现在复旦和浙大等并没有把北大放在眼里，它们因此很可能同样不会聘任北大的博士，而是同样只要留美博士。由此，全中国一流大学都走上“留美近亲繁殖”的道路，而全中国一流大学自己培养的博士就全都只有到中国二流三流地方大学去任教。由此，最终的结果将是中国所有一流大学自己培养的博士都贬值。如果这样，中国实在应该考虑取消所有的博士培养点，把钱用在办地方中等学院和加强乡村的基础教育。立足“华人大学的理念”改革北大从“华人大学的理念”出发，北大的改革应该着重于提升北大自己培养的博士的水准，减少对国外博士的需求。中国大学改革的总体目标是要尽快结束中国留学运动，以中国自己培养的博士构成中国高等教育的主体，而不是要把中国的大学教师都换成美国博士。如果中国的大学走上“留美近亲繁殖”的道路，那么中国的大学就是“放弃了学术的独立自主，成为人家的附庸藩属”！北大目前的改革方案是乱北大、乱中国高教的方案。这个方案的根本问题是北大主事者基本不信任北大自己现有教师队伍，而又盲目迷信国外博士，从而试图以“留美近亲繁殖”的方式来对北大换血。如果放弃这种错误的指导思想，北大的改革完全可以有更现实的新思路。这种新思路将首先立足于对北大现有年轻教师的充分认识上。事实上，北大最近三、五年聘用的年轻教师，可能是北大历史上最优秀最有潜力的人才。他们大多是北大和国内其他一流大学自己培养的博士，在毕业时经过激烈的竞争才成为北大教师的一员。在学校中他们通常是生活待遇最低，工作条件最差，但在课堂上却往往是最受北大学生欢迎的教师。正如现在人所周知，北大年轻的讲师副教授水平超过许多教授。这些年轻教师外语好，阅读广，知识面宽，思路开阔，而且对学生有精神感召力。没有人可以有资格任意断定他们的水平低于国外博士。事实上他们中佼佼者的水平和眼光远远高于留美博士的水平。中国从改革以来的留学运动已经二十多年，现在也应该对此有一个清醒的估计了。理工科暂时不论，如果单纯从文科(为行文简便下面用“文科”包括所有人文社会科学)看，在很多方面是相当令人失望的，并不那么理想。大多数文科留美博士都挤在美国学术界一个边缘的方寸之地，就是所谓“中国研究”。中国人到西方去留学，本应研究西学的精髓，而西学的精髓乃在西方学界对西方本身思想传统和制度文化的研究，不在西方人对中国的研究上。西方学界的“中国研究”只能说是西学的皮毛之学，因为这个部门研究的问题和方法都是来自西学主流部门的。现在有多少中国大陆留美博士在美国留学是专门研究西学的呢？大多数都挤到所谓“中国研究”领域去了。很多人其实对中国一点兴趣都没有，也要挤进去，自然是因为中国人懂中文作中国研究写论文容易点，以后在美国找工作容易点，这也不是什么秘密。有些人似乎不知道在美国拿个博士只要中人之材就绰绰有余，并不需要什么特别的才华，中规中矩的学生拿个博士最容易。真正难的倒是今天很少再有人象老辈学者陈寅恪钱钟书那样去留学只问学问不求学位。北大主事人如果对北大自己的青年教师和留美博士都有一个清醒的认识，那大概就会放弃盲目认定美国的博士一定比自己培养的博士好的无根据思想。而一旦放弃了这种心态，也就有理由彻底放弃现有的以“换血”为目标的改革方案。不妨说，北大的改革目前最迫切的就是要改革主事人的思想和头脑！人们有理由要求北大的主事人树立“华人大学的理念”，这就是要明确认识到，中国大学不是要无休止地复制“留美近亲繁殖”，而是要尽快结束中国留学运动，以中国自己培养的博士为主研究中国与西方。因此北大在今后的聘任制度上，应该有三条原则：第一，主要面向国内博士；第二，在聘任留美博士时，主要聘用那些专门研究西学的人，因为中国需要大规模地研究西方；第三，一般情况不聘用那些作中国研究的留美博士，除非已经证明其人至少在西方的中国研究领域是“领头学者”。如果按这三条原则，我相信北大人文社会科学十年后必有极大起色；反之，如果按北大现在的改革方案办，则北大的人文社会科学必然变成西方学界“中国研究”的一个分部，成为“人家的附庸藩属”。北大！抬起你高傲的头，挺起你高贵的胸，不要自卑自贱地低三下四跟人走，而要自尊自信地为“华人大学的理念”走你自己的路！收起

原文以 What not to do in graate school 为标题发布在《自然》期刊原文作者：Buddini Karawdeniya读博路上，过来人的6条血泪教训。我的博士项目是在在南金斯敦罗德岛大学Dwyer实验室研究分析传感器，在这期间我犯了很多错误——其中一些成为了宝贵的经验。若你是在读或即将入学的研究生，这里有6条博士避坑建议。1. 切莫与他人比较我遇到许多科研人员因为觉得自己不如别人而备感压力和失望。但事实上，每个研究领域，每个博士项目，每个研究生都是独一无二的。有的领域可能数十年才会有值得发表的突破性发现；而有的领域发表论文则会相对容易。读博第三年，我开始担心，自己似乎要花费比其他人更长的时间才能完成研究项目并发表论文。我的确花了差不多六年的时间才完成博士项目，但是所有这些努力都是值得的，我的一项重点项目的成果发表在了《自然-通讯》上，另外几个项目也产出了十来篇论文和两项专利。不要事事与周围人比较，把更多精力放在自己身上，在错误中成长，提高学习工作效率。2. 切莫盲目相信你的数据博士期间我学会了质疑自己的数据。面对数据的时候想想哪个环节可能出错——尤其是哪里看着奇怪或者异常的时候。我曾经设计过一款用激光检测微量化学物质的传感器。有一天，实验信号看起来非常棒：激光功率一直上调至最高而不是我平时惯用的设置，而且激光功率越高，信号强度越大。虽然这个结果看起来非常好，但最终结果却证明设备显著高估了传感性能，因此产生了大量无用的数据。随时注意样品污染、标注错误或仪器校准错误等问题。不要盲目相信数据，即便它们是你亲自做实验获得的。3. 切莫独自苦恼读博并非易事。失败更是家常便饭。遇到问题不要独自苦恼，向经验更丰富的人，比如高资历同事、博士后或者导师寻求帮助和建议。读博期间我遇到很多看似无解的问题。有一次，我更换了一种自然多糖的供应商，结果却和预期的不一样。经过几天反复实验，我非常困惑：明明是同一种多糖，为什么信号不同呢？当我带着这个问题咨询导师的时候，他提出了一种我未曾想到的技术，帮助我发现了信号不一致背后的多糖成分的差异。4. 切莫沉迷工作我们都对最新的实验数据充满期待，因此常常会连续熬夜或周末加班就为获得完整结果。有一次，我和另一位同事尝试了各种工具方法，却仍无法确定我们的纳米传感器是否正常运作。绝望中，我们暂时放下手头的任务，进行了休息调整。休息有助于整理思路：短暂休息之后，我们重新恢复了精力去寻找新的解决方案。长时间不间断地工作容易造成思维局限和精力耗竭。必要的时候，暂时放下手头工作，休息调整，然后重新开始。5. 切莫随意乱丢研究记录像大多数研究生一样，我用实验记录本记录实验进程和结果。这种方法适合短期工作，但并不适合庞大的博士项目（特别是需要同时处理多个研究内容时）。保存好清楚的实验记录，利用Excel表格和Word文档定期更新实验日志。建一个详细的附录，加上链接，链接到相应的文件夹——待发表的数据、分析结果和图片。当我博士毕业时，我一共写完了19本实验室笔记本，如果没有Excel表格、附录和索引，我肯定会迷失在茫茫数据中。从项目一开始就对数据进行整理和归纳，免得到头来大海捞针。6. 切莫执着于一次失败放弃一个自己长期为之努力的实验或理论很痛苦，但知道何时该改变方向对于博士项目的顺利推进至关重要。我读研究生的第一个项目并未成功，当时我已经辛辛苦苦做了18个月，意识到失败不可避免的时候，说老实话我心里非常失望。但后来和我的导师进行沟通后，我转而开始另一个项目。学会如何“缩短失败周期”，才能将时间投入到有望带来巨大成功的项目上。学会快速调整的我最终发表了多篇颇有影响力的论文，也获得了多个研究奖项和奖学金。Naturedoi: 10.1038/d41586-019-02255-7收起

新智元推荐 来源：知乎专栏作者：王赟 Maigo【新智元导读】最近，在CMU语言技术研究所（LTI）读博的王赟博士毕业即将加入Facebook，他对学术、娱乐有自己的认识。学术篇下周一我就要开始在 Facebook 上班了。趁入职之前，我想写一写我博士生涯的感悟；再不写就要凉啦。从 2010 年 8 月到 2018 年 10 月，我把我最好的青春年华都献给了卡内基梅隆大学（CMU）的语言技术研究所（LTI）。其中前两年是硕士，但由于 LTI 的硕士生活跟博士并没有太大区别，都要做研究，所以说是八年博士也并不过分吧。单从长度就能看出，我的博士生涯并不是一帆风顺的；之所以读了这么久，主要原因是换了两次研究项目。这三个研究项目，各自给了我不同的体验和感悟。从入学到 2012 年春天，我跟随金琴教授研究说话人识别。在这将近两年的时间里，我用 Matlab 语言亲自实现了十几种语音特征的提取，以及基于 GMM、GMM-UBM、SVM、JFA 等技术的多种说话人识别系统。然而，我在这段时间里的研究进展十分缓慢，最终并没有追上当时的前沿；我的研究结果也并没能写成论文发表出来，而只是形成了一篇技术报告。这里面的原因，大概是因为我还没能从「学习者」的心态转换成「研究者」的心态。我总是想着把基础打扎实，从而在理解和复现已有的技术上花了太多的时间 —— 2011 年的夏天，我曾经花了一个多星期来推导 JFA 里那些复杂的矩阵运算。在实验设计上，我也没能做到「抓大放小」，而是曾经拘泥于一些小细节，比如训练数据和测试数据的划分。这些原因，导致我还没来得及走到「创新」这一步，研究项目就结束了。金琴教授于 2012 年春天调到了中国人民大学，于是我就转到了同一个实验室的 Florian Metze 教授名下读博士。Florian 是一位高高胖胖的德国教授，在中文语境里，我通常称他为「花哥」。我在花哥手下做的第一个项目叫 Babel，其任务是在多种小语种语音里检索关键词。与之前的我一个人做的说话人识别项目不同，Babel 项目是由全美国乃至全世界许多大学和公司共同参与的。若干个大学或公司通过合作关系结成队伍，而队伍与队伍之间则是竞争关系。我在这个项目中的体验，与其说是像科研，不如说是像工作，因为项目前期的主要任务，是要先搭建出一个还能用的系统，之后才能在此基础上慢慢地创新。一个关键词检索系统通常由两个模块组成：前端模块是语音识别，负责给出多种可能的识别结果；后端模块是检索，负责在识别结果中搜索关键词并对其可靠性打分。我在这个项目中承担了很多工程性的工作：整个后端模块基本上都由我来维护；我还开发了一些可视化工具，用来分析系统犯的错误。但是，从科研的角度来讲，我的工作的科技含量并不高：检索模块使用的技术，说白了只是一个倒排索引而已。直到 2014 年，我们实验室才脱离纯工程性的开发，开始研究一些有科研价值的问题，比如如何更准确地给检索到的每个关键词的可靠性打分，以尽量减少漏报和误报；比如如何检索像专有名词这样词典里并没有的关键词。然而，2014 年 6 月，当我在韩国临津阁的观光队伍中排队的时候，我从 Facebook 上收到了实验室的同学发来的噩耗：由于 CMU 所在的队伍开发的系统在年度测评中表现不佳，我们的队伍被淘汰了。到此时为止，我只发出了一篇一作论文；另一篇一作论文在此后经历了五次拒稿，终于被我尘封。知乎上有一个这样的问题：博士第三年还没有发论文是一种怎样的体验？我想我是适合回答的，但终究没有勇气回答。2014 年的下半年，算是我博士生涯的一段过渡期，这段时间我没有什么科研产出，而是把精力用在了给自己充电上。凭借着唯一的一篇一作论文，我参加了 2014 年 9 月在新加坡举行的 Interspeech 会议。在会上，我嗅到了深度学习正在崛起的信号。整个秋季学期，我阅读了会议上的近百篇论文，还在 Coursera 上学习了 Geoffrey Hinton 的深度学习课程。这让我的博士生涯柳暗花明又一村。关于博士生涯最终的研究课题，花哥当时给了我三个选择。我已经不记得另外两个选择是什么了；我选择了「事件检测」，只是因为它有去 Facebook 实习的机会。我在 2015 年 1 月至 4 月在 Facebook 进行了一次实习，这也是我唯一一次实习。由于版权的限制，我在 Facebook 并没能使用 CMU 的数据真正进行「事件检测」的研究，而只是改进了 Facebook 原有的语音 / 噪音分辨系统。从科研上来说，这次实习只是我对深度学习的一次练手；但它让我在湾区交到了好多朋友，让我觉得湾区是个好地方，从而产生了去 Facebook 工作的理想。这个理想，现在就要实现了。回到 CMU 以后，我才真正开始研究「事件检测」。在研究的初期，我对「事件」还没有明确的定义，既想检测比较底层的事件，比如猫叫、狗叫、开门、关门，又想检测比较高层的事件，比如球赛、婚礼、聚会等等。这些高层事件的检测，是当时 CMU 正在参与的另一个研究项目 Aladdin 的目标；直到 2016 年 Aladdin 项目渐渐收尾，我才把研究的焦点集中到底层事件的检测上来。之所以选择研究底层事件，是因为它们是检测高层事件的基础，在还检测不了底层事件时就去检测高层事件，步子就迈得有点儿太大了。而随着深度学习用于语音识别的最后一滴水渐渐被榨干，人们自然会开始尝试把深度学习用于别的东西的识别，底层事件检测的研究条件已经成熟了：在 2016 年 3 月的 ICASSP 会议上，芬兰 Tempere 理工大学的研究组与我同时发表了用深度学习做底层事件检测的论文。2016 年，我的研究一直被一个困难所困扰，就是数据太少。我使用的数据，是实验室里的工作人员手工标注的，总共只有十几个小时，根本无法用于深度学习。2017 年 3 月，Google 发布了 Audio Set 数据集，它拯救了我的研究，让我毕业的事情终于有了眉目。Audio Set 这个数据集的特点首先就是「大」。它含有 200 万条长度为 10 秒的 YouTube 视频选段，我光是下载这些数据就用了整整一个月。这样的大数据，正适合深度学习。但 Audio Set 还有一个重要的特点，就是「弱标注」：它没有标注每一个事件的起止时间，而只标注了每段音频中的事件种类。这种标注，直接带火了一个研究领域 ——「弱标注下的音频事件检测」，这也几乎就是我的博士论文标题。从此，我的博士论文课题就明确了：争取在已有的、利用弱标注做事件检测的方法的基础上进行创新，做到比已有方法更好。剩下的事情，就是与预期的博士毕业时间争分夺秒了。这段时间过得十分刺激。我原定于 2017 年 9 月博士开题，实际开题时间是 10 月 9 日，还算勉强赶上。今年 2、3 月的时候，我又一次钻进了一个细节的牛角尖（PyTorch 与 Theano 的性能差距），浪费了两个月的时间。到了 4 月份，我注意到英国 Surrey 大学的 @孔秋强同学已经做出了一种基于注意力机制的、利用弱标注做事件检测的新方法。这让我幡然醒悟，跳出牛角尖，回到研究的主线上来。我的论文中最重要的两章之一，就是比较了若干种利用弱标注做事件检测的方法的优劣，并深入剖析性能差距产生的原因。这一章是 2018 年 6 月底完成的，与计划的时间完全一致；而另一章的核心问题，则是 8 月 16 号在散步时才想出解决办法的。9 月，我一边继续跑着一点儿本该在 8 月就跑完的实验，一边撰写毕业论文的文本；而 10 月 5 号答辩用的幻灯片，则是 9 月 30 号才做完初稿的。这场赛跑，直到 10 月 26 日晚上，我把毕业论文最终定稿、把代码整理好才结束。而此时，距离我爸妈来美国看我已经只剩 5 天了。纵览八年的博士生涯，不难发现，我由于自身及外界的各种因素，走了不少弯路。在三个研究项目中，只有最后一个，才有博士研究的样子。偶尔，我也会想：如果从一开始就做第三个项目就好了，这样我就可以在四年之内毕业了。但我不会沉浸在这种情绪中。正如吃完第三个包子饱了不代表前两个包子就白吃了一样，我并不觉得我在 CMU 的前四年是荒废了的。整整八年的学习，让我对语音识别、深度学习等各个领域的理论基础有了扎实的掌握。花哥开了一门语音识别课，其中说话人识别那一讲固定由我来讲，学生们纷纷反馈说我讲得比花哥清楚多了。同时，正是因为我涉猎过多个研究项目，我对与语音相关的多个研究领域都有了解并抱有兴趣。开学术会议的时候，我总能挑出许多想听的报告，马不停蹄地辗转于各个会场之间。而这种深度与广度，则是不付出时间不可兼得的。娱乐篇CMU LTI 网站上的学生名单，曾经列出了每个博士生的年级。有一届「CMU 好声音」的一张非官方宣传海报，就把一二年级新生和七八年级老博士的名单并列在一起，并配上了这样一句广告词：「Sing while you can」。一说起我博士读了八年，可能大多数人心里想到的第一个字就是「苦」。在漫长的博士生涯中，总会有实验不顺利、论文被拒等遭受挫折的时候；到了后期，也会常常为毕业而发愁。不过，认识我的人大概会知道，我的身上似乎从来没有散发出一种「苦」的气息，而是整天乐呵呵的。八年下来，我身边的朋友们换了一拨又一拨，有人戏称为「流水的 CMU，铁打的 Maigo」。我跟朋友们把匹兹堡以及美国东北地区玩得有滋有味，跟他们在一起，我很少感到寂寞。这些朋友又以硕士生居多，他们身上的朝气，让我保持了心理上的年轻。我在匹兹堡的第一年，就加入了三个组织。第一个，是 CMU 的中国学生学者联谊会（CSSA）。CSSA 每年中秋的时候会举办一场才艺比赛，随着「中国好声音」的开播，这个比赛也改名为「CMU 好声音」；每年春节的时候，还会举办一场春节晚会。第一年的中秋，我就默默无闻地当了一个吃瓜观众。春晚征集节目的时候，我带着吉他去打了一次酱油，没想到我弹唱的《老男孩》获得了一致好评。我在春晚现场与韩吉鹏同学一同弹唱了这首《老男孩》，这让我一炮走红。我也顺势加入了 CSSA，担任网管；不过我更重要的角色，就是每年春晚的固定演员了。我也参加过几届 CMU 好声音，其中跟 @Gus 夏合作的《The Sound of Silence》受到了最多的欢迎。《The Sound of Silence》表演现场第二个组织，叫做 Pittsburgh pLayboycLub。这是 CMU 和隔壁匹大的几个学生组建的，最初就是打打狼人杀之类的桌游。那时候狼人杀还没有发展出那么多术语和套路，一群小白在一起玩还是挺有意思的。除了狼人杀，我们后来还在一起做饭、滑冰、逛博物馆，还坐灰狗巴士去华盛顿看了樱花。我的知乎头像，就是在华盛顿看樱花时拍的。后来，组织中的男生和女生两两结成了对，活动就渐渐减少了；而我因为当时在国内还有一个女朋友，就成了剩下的那一个。第三个组织，是 Carnegie Library of Pittsburgh（我一般称这个图书馆为「恐龙图书馆」，因为馆门口有一架恐龙雕塑）的日语角。日语角每两周活动一次，参加者有日本人，也有像我这样学习日语的外国人。我在这里找回了在清华参加日语角的感觉。恐龙图书馆有英、西、法、德、意、俄、日、汉等多种语言角（对，还有汉语角！）。除了日语角以外，我还曾在西语角和法语角跟外国人谈笑风生。2012 年「世界末日」的时候，我在一位小伙伴的号召下，跟他一起去欧洲旅了一次游。这是我到当时为止少有的纯粹的（即没有比赛或者学术会议等目的的）出国旅游。我们在西班牙和意大利各呆了一周时间，玩了巴塞罗那、马德里、罗马、佛罗伦萨四个城市。这次旅游点燃了我出国旅游的兴趣。在后来的几年里，我跟小伙伴们一起或者独自访问了波多黎各、韩国、新加坡、夏威夷、坎昆、阿根廷等地（嘛，虽然有些并不算出国）。最初几次旅游，我都给世界各地的朋友们寄了明信片，最多的一次是在韩国寄了 38 张。起初，我还坚持每天（用当地语言）写日记，到最后终于坚持不下去了。想到写出来的日记也没有人看，我转而开始写游记，这篇坎昆游记我觉得写得还是不错哒。我在波多黎各、韩国、新加坡写的日记2013 年夏天，我认识了我在美国最神奇的一位朋友 —— 韩国大叔 Jason。Jason 大约应该是个 65 后，然而至今未婚；他的职业是码农，但跟我一样爱好广泛。我跟 Jason 相识就是在恐龙图书馆的日语角，除了日语以外，他还喜欢骑车、保龄球、网球、滑雪等多种运动，以及做饭、唱歌和旅游。这些项目，除了网球以外，也都是我喜欢甚至擅长的，我俩很快就打成了一片。Jason 还有很广的朋友圈。他在来匹兹堡之前，还曾经在德州的奥斯汀和弗吉尼亚州北部华盛顿附近住过。不管在哪里，只要他一在 meetup.com 上组织活动，总能一呼百应。这些朋友来自世界各地，年龄也从 20 岁到 70 岁不等，单是跟他们聊天，都很长见识。我在 CMU 的中国学生中，可以算是跟非中国人交往较多的了；其中很大一部分，都来自 Jason 的朋友圈。我从 2013 年秋天起，跟 Jason 和朋友们一起在匹兹堡的多条自行车小路上骑车。此前，我在匹兹堡骑过的最远距离是 34 英里，这是从松鼠山往返北公园（那里也有樱花）的距离。跟 Jason 在一起，我开始挑战更远的距离，用了一年多的时间，达到了一天之内骑 80 英里的水平。2015 年 5 月，我跟 Jason、室友 @钟音和一个印度小哥挑战了从华盛顿到匹兹堡的整条自行车道，全长约 335 英里，我们用了四天时间挑战成功。骑这条自行车道，成了我一年一度的保留项目；而 Jason 则可能一年骑多次，甚至在 2016 年用 9 天时间骑了一次往返。初次挑战全程，在「山顶洞」合影留念Jason 在 2017 年初因为工作变动，又搬回了弗吉尼亚州。不过他的各种活动，依然在匹兹堡延续。我跟朋友们在匹兹堡依然每周打一次保龄球；我还曾经带着许多 CMU 的小伙伴去弗吉尼亚州北部的韩国城大快朵颐。这个月初，我带爸妈在美国东北部旅游的时候，请 Jason 吃了一顿晚饭。我爸妈说，很感谢 Jason 带我探索了许多新玩法，大大开阔了我的眼界。我跟我的妹子 @机器熊的缘分，就开始于 2017 年 4 月一同去韩国城游玩。她跟我一样享受「读万卷书，行万里路」的体验。我们一起坐灰狗巴士去过纽约，还曾驾车穿越过死亡谷的沙漠；更厉害的是，她在仅仅训练了一个多月之后，就跟我一起骑车从匹兹堡到了华盛顿。我在匹兹堡的最后两年，我们常常跟一群以数学系博士生为主的小伙伴们一起玩。这群小伙伴里有一位野营达人，我们跟着他又开发了不少新去处。我现在搬到湾区来了，在这里我永远不会缺朋友。跟我同时期入学 CMU 的硕士生们，有许多都在这里工作了，甚至还有许多清华校友也在这里。2015 年春天，我在 Facebook 实习的时候，还参加了一个「周日早起登山」群，又认识了不少人。等到 12 月，我在湾区这边安顿下来之后，就又可以约起来啦！周日早起登山（还记得当年那个叫「足记」的 app 吗？）我在跟妹子交流人生的时候，曾经说出过这样一段「名言」。我说，博士生涯（乃至整个人生），就像是在波涛汹涌的大海上航行。大海的基调是悲苦的，但我们却是在一条游轮上。我们的角色，既是掌舵人，又是乘客。固然，在关键的时刻，我们需要掌控游轮的航向，直面汹涌的波涛；但在平时，我们不妨就做一名乘客，在平稳的甲板上悠闲地晒晒太阳，不必担心船底下的海浪。正是这样的一种乐观的心态，支撑着我度过了精彩的八年博士时光。本文经授权转载自知乎，作者王赟 Maigo新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手_2 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。收起

来源：中核集团中国核动力研究设计院2020年博士生招生报名从2020年3月1日开始，现将报考相关事项通知如下：一、 报考考生应符合国家博士研究生招考报名条件和我院博士研究生报考条件。二、 报名时间：2020年3月1日至4月10日。三、 报名方式：网上报名中国研究生招生信息网：http://yz.chsi.com.cn,考生从“报名入口”—“博士网报”即可报名。四、 我院博士招生为定向招生，报考类别填写“定向”，定向单位：中国核动力研究设计院。五、 在网报的同时，考生准备以下纸质材料。1． 身份证复印件1份（A4纸）；2． 应届硕士生学生证复印件（ A4纸）；3． 博士生报名登记表1份（网报后下载打印，签字盖章齐全。报考人员为中国核动力院正式员工直接由二级单位签字盖章）；4． 有两名教授（或相当职称）同行专家的推荐书（网报时下载）；5． 博士考生政审材料证明1份（网报时下载）；6． 本科学士学位证书、毕业证书和硕士学位证书、毕业证书复印件各1份（往届生，A4纸）； 应届硕士毕业生6月底前应获得硕士学位证书、硕士毕业证书；7． 硕士学位论文答辩决议书复印件1份（往届生报名时提交，加盖单位人事管理部门公章，应届生6月底前提交，加盖学校教务部门公章，A4纸）；8． 硕士学位论文1份（往届生报名时提交，应届生在6月底前提交）；9． 硕士学位课程成绩单1份（往届生复印加盖单位人事管理部门公章，应届生学校教务部门出具）；10． 英语考级成绩单复印件、获奖证书复印件（A4纸）。上述材料一般应于2020年4月10日前寄 (送)到四川省成都市中国核动力研究设计院人力资源处教育培训科（新基地1号楼A座714办公室），寄件以邮戳时间为准。由于疫情防控等特殊因素无法按时提交部分报名材料的，应在上述规定时间内先寄 (送)基本报名材料，在当地疫情解除后5个工作日内补齐报名材料。收起