Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

Vincent Vanhoucke作者

来自谷歌首席的灵魂追问:想当研究科学家,一事无成你受得了吗?

AI 研究科学家不az是那么好当的!近日谷歌 AI 首席科学家 Vincent Vanhoucke 发表在 Medium 上的文章引来众人关注。在本文中,他列举了成为研究科学家所要面对的 9 大挑战,看完这篇内容或许可以在立志投身于科学事业前,给你先「泼一盆冷水」。

作为 Vincent 的同行,人工智能先驱,谷歌 FAIR 负责人 Yann LeCun 看到这篇文章之后表示非常赞同:成为研究科学家有风险。同时他也在九条之前加上了一条第零规则:研究是为了制定更好的问题。

做一名研究人员可能会让你的人生非常充实并得到他人的认可。但我知道很多学生在做研究时受到前景的压力,一时陷入工程的舒适区。他们通常把这个阶段视为个人失败,觉得自己「不够优秀」。而根据我个人的经验,这从来就不是个人价值或者天赋的问题:在研究中成长需要某种不同的气质,这种气质往往与工程师成长的原因有些矛盾。以下是我见过的研究人员在职业生涯的某个阶段不得不面对的一些主要压力:

1. 做研究要解决的是有多个答案(或没有答案)的不适定问题

大学教育很大程度上教会了你如何用特定的方案解决适定问题,但用这种方式去对待研究却注定失败。你在研究中做的很多事并不会让你接近答案,而是让你更好地理解问题。

用学到的东西,而不是取得的研究进展来衡量自己的进步,是一个人在研究环境中必须经历的重要范式转变之一。

2. 你的整个职业生涯都将花在那些没有成功的事情上

从定义上来说,一旦某样东西成功了,它就不再需要研究。你要清楚,你的职业生涯大部分时候只能由进步来定义,而这些进步并没有真正解决任何问题,因为它们只是在从概念到可行的技术旅程中前进了一步。这会让你感到焦虑。

我曾因为无法理解和接受这个简单的事实而差点放弃了研究事业。那是 2004 年,我的研究领域——语音识别正处于一种奇怪的状态,可以说它没起什么作用,但却为了收回成本而被推到了用户眼前。我几乎能感觉到使用过自动 1-800 号码(1-800 number)的人那充满怨恨的目光。我当时注意到一种令人不安的趋势:「情感识别」越来越火热。而我离开这个领域好几年了,这一选择也极大地增加了我的抗压能力。

3. 你的研究一旦发表,可能就会过时

今天来看,我的研究没有一个是当前最前沿的。经历漫长的发表过程之后,极少的研究还能占据当前最佳的位置。前进的步伐不会停止。我们用被引用次数来衡量已发表作品的影响,却通常忽略了这样一个事实:很多引用都是以别人文章的研究为基准,后者不再具有竞争力。

FOMO(害怕错过)在这种情况下变成了「害怕别人抢在自己前面出版」,这对我的很多同事来说是一个巨大的压力。而我对他们的建议是,如果你担心被人抢先,那你可能一开始就选错方向了。

如果你觉得一个问题可能很快会被研究社区的其他人解决,那它一开始就不值得你花时间去研究。

4. 无限的自由伴随着无限的责任

不过,你的自由有限——这既是一个好消息也是一个坏消息。在你面前,没有具体规定,也没有参考蓝图。你正在探索的可能是一条完全错误的道路,但这没关系。因为你可以适应,对吧?作为研究管理者,我的主要职责是充当其它研究人员的治疗师,思考无限的可能性。我经常给研究议程设定界限,这么做不是因为明确界限的确切位置很重要,而是可以为研究人员减轻未知的压力。

通常情况下,仅仅是继续那些做过的研究并允许他们提出质疑就足够了。决策疲劳是真实存在的。Charles Sutton 发表了一篇很好的文章,讲述了作为一名研究人员,有必要畅所欲言地说「不」。

5. 许多研究涉及风险管理

研究本身就存在风险。将风险转嫁到风险上,你是在玩火。这也是为什么你必须从一开始就消除潜在的风险:首先,在参与联合研究之前,确保你的合作者值得信任并且你赢得了对方的信任。大多数失败不是技术性的,而是人为的。避免引入政治和机构风险。确保资金安全。还有,不要对任何研究风险本身妥协,比如为了让项目更容易被机构所接受而降低预期——这就是有些不温不火的研究诞生的原因。

想要研究风险项目是研究人员对自己撒的最大的谎:我们对风险的厌恶都超出自己的想象,你给项目增加的每一分安全都直接影响你的研究风险信用度。

6. 你需要时常更新自己的知识

在职业生涯的时间线上,范式的转变有一定的规律性。你辛辛苦苦十多年积攒的专业知识可能因为一个技术更好的人的出现而变得一文不值。你的能力——或者更重要的是,你锲而不舍地解决这一问题的意愿——都可能成就或毁掉你的事业,即使你真正热爱的是目前正在使用的解决这个问题的工具。我的博士论文正在使用一种现在可能无人问津的工具。重大突破可能来源于两种看似风马牛不相及的研究领域的交叉,这种情况并不罕见。这意味着我们要乐于学习、吸收一个全新领域的观点和工具,以便开始找出可能的联系。

7. 你不得不接受严格的审查

只有一位作者的论文很容易受人质疑。如果我的论文没有经过同行细心的审查,我自己都不会相信自己的结果。合作研究机制使得科学研究成果更有价值,因为进行研究的过程中我们很容易受到自身视野的局限并强化自己的想法。我在另一个故事中谈到了我职业生涯中的一个决定性时刻,来自同行的适度质疑可能会阻止这种情况的发生。

愿意接受攻击是优秀研究人员的一大特征。

8. 你的整个职业生涯将很大程度上由一个数字来衡量

而且,这个数字是公开的。是的,大家都迷信 H 指数(译者注:一个混合量化指标,可用于评估研究人员的学术产出数量与学术产出水平。来源:维基百科),你也很难独善其身,因为即使不公开这个数字也会有其他问题。这个指数 2005 年才被提出,但一经提出就很快被大家所接受。尽管有很多局限,但我发现这一指标非常鲁棒,而且很大程度上影响了我对自己熟知的研究人员的评价。与你从学术网站上获得的信息相比,这一指标相对固定,因为前者包含一些具有宣传意味的艺术作品。总有一天,我们的个人才干会根据 Bacon-Erdös-Sabbath 数来评判。在那之前…

9. 生命不息,奋斗不止

时常有人问我,和著名的「天才」们一起工作是一种怎样的体验,他们有什么过人之处以及他们成功的关键是什么。我的回答是,他们都有一个共同之处:拼命工作。这点是真的,尽管这不是他们成功的全部原因。他们中的每个人都比你我努力得多。他们都对自己的专业非常投入、专注,但很少有人将其称之为工作,因为他们真的热爱自己所做的事情,并愿意全身心地投入进去。与之相关的一切事情他们都会去做。

从我担任研究和工程经理的经验来看,一名研究人员的成功往往与其处理研究压力的方式紧密相关,聪明才智与辛勤工作只是次要因素。

做一件行不通的事,没有人给你指引,环境充满变化,还要公开接受同行的审视,这是鼓足勇气才能做到的傻事。

同时,你的工程师同行们其实正忙于一些可以解决具体问题的持久性工作,在他们的项目中发挥同等水平的创造力和技能。要创造一些必须行得通,或者说期望行得通的东西需要另外一种勇气和奉献精神,只有这样才能坚持到底。适度的自我批评与服从自我批评一样困难,尤其对于那些难以用「算了,只是研究而已……」打发的人来说。

找准什么样的挑战最适合自己的性格可能需要很长时间(我花了几年),而且答案也会随着你的职业生涯及个人生活转变而发生变化。对于身处工业研究领域的多数人来说,好的一点就是我们不用将现在找到的挑战作为一辈子的职业方向。

原文链接:https://medium.com/@vanhoucke/so-you-want-to-be-a-research-scientist-363c075d3d4c

入门科学家谷歌
2
相关数据
杨立昆人物

杨立昆(法语:Yann Le Cun,英语:Yann LeCun,1960年7月8日-)是一位计算机科学家,他在机器学习、计算机视觉、移动机器人和计算神经科学等领域都有很多贡献。他最著名的工作是在光学字符识别和计算机视觉上使用卷积神经网络 (CNN),他也被称为卷积网络之父。他同Léon Bottou和Patrick Haffner等人一起创建了DjVu图像压缩技术。他同Léon Bottou一起开发了Lush语言。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

基准技术

一种简单的模型或启发法,用作比较模型效果时的参考点。基准有助于模型开发者针对特定问题量化最低预期效果。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

推荐文章
暂无评论
暂无评论~