2021 年 12 月，机器之心经官方授权，举办了 2021 NeurIPS Meetup China。在 Meetup 中，我们五位「永远年轻的老朋友」：加州大学圣巴巴拉分校（UCSB）计算机科学系副教授李磊、亚马逊资深首席科学家李沐、清华大学交叉信息研究院助理教授吴翼、英国伦敦大学国王学院（KCL）计算机系助理教授杨耀东、循环智能（Recurrent AI）联合创始人，清华大学交叉信息院助理教授杨植麟，组了一桌「学长 Chat」，围绕着 AI Research 的价值该如何选择和落地？和大家聊了聊读完博士生涯后的研究选择。
博士后的 AI Research 该如何选择？
「 2011 年从 CMU 博士毕业后，选择了去做博后，2014 年在伯克利做完了3年博后之后，去到了百度美研，2016 年做了第三次选择加入字节跳动，以及 2021 年决定离开字节跳动选择去 UCSB 做教职。从学界到业界再到学界，中间的这几次选择李磊老师跟我们分享其中考虑的关键在于：人、做的事情以及要加入的团队。」
李磊：人、做的事情以及要加入的团队，这三个点是我觉得做所有职业选择里面比较重要的三个点，但是可能还有人会加上另外一点，就是待遇。今年我是从企业回到学校，这个跟我长期的想法还是一致的，因为我长期是希望能够去做研究，同时我还希望能够去培养下一代的人才。做研究这一点，在学校做和在企业做其实都可以做，各有优势，在企业可能资源会更多，也许会做出更实用的一些工作。在学校可以做一些更基础的研究，可以脱离一些束缚，这个各有优势。但是从培养人才从教育的角度讲，这个就会有非常大不一样。我们知道企业它是要为商业成功去服务的，是要能够盈利的，为股东负责、为用户负责的，要做出好的产品的，但学校尤其是顶尖的大学，最重要的是两个功能：第一个是教育，我们要把学生教育好，第二个是我们要做出一流的研究。我认为这两点是符合我长期想做的事情的。然后我们再看人的话，那我要看未来去合作的一群人，是不是我非常愿意去跟他们一起合作。我在这个组织里面是不是能够得到足够的资源、足够的支持去完成我希望能够做到的事情。那如果从人、事、组织、团队这几点都能够跟个人的职业目标一致起来，那这就是比较好的一个机会，这是我的思考。
「 这些年 AI 领域，博士毕业后直接去创业的情况也不少，李沐前辈在加入 AWS 前有一段 7 个月的创业经历，杨植麟前辈在 2017 年读博期间就创立了循环智能。关于创业，杨植麟前辈是出于简单的动机：他认为 AI 技术的研究最终它的落脚点是产生社会价值，这可能才是最有意义的事情。李沐老师认为创业是一个很好的学习机会。」
杨植麟：其实一开始想做这个事情，我觉得也是出于一些简单的动机。因为我觉得我们做的这些研究其实还是可能偏技术，我会分成有一些是技术，有一些是科学，有一些是一些偏理论的东西。我觉得每一个它的终点会不太一样。 AI 其实有很多这种技术的研究，我觉得最终它的落脚点肯定还是要去产生一些社会价值，这可能才是最有意义的事情，它是一种价值落地的方式。不管说是去做什么事情，可能我最终关注的还是会去填补这种技术和社会价值之间的 gap ，有可能中间是有一些落地的事情，也有可能需要一些更根本的技术上的突破，你才有可能能真正最后实现这个 mission ，但是我觉得这个可能最终的目标是比较清楚的。
具体在这个创业的过程中可能会有几点确实会跟纯学术界的研究有一些不同。
第一个不同是如何结合业务场景。例如，训练盘古大模型其实跟用一种学术的角度去训一个 GPT 的模型还是有很大的不同；还需要考虑很多业务场景，包括几千个业务里面的 task ，但如果是在学术界的环境下，其实很难找到这么多开源的数据集。如果最后就想在这几千个数据集上做到 zero shot 或者 few shot 的结果，那这时 pretrain model 应该怎么去 design ，包括在整个开发测试的过程中具体的算法和框架的选择，都是一个很不同的点，要求我们去结合一些业务场景，然后以终为始地去想这个事情。
第二点不同是问题不再单一是算法。比如，如果当某一个 AI 的模型或者技术需要去落地的时候，往往需要去改造它的这个运营流程。再比如，现在要做一个新的模型，那你可能你从数据的标注到怎么去使用这个 LP 平台的各种流程去上线其实都可能发生改变。它跟直接去研究一个模型去刷个榜，确实不太一样。
第三点不同在于推进不同部门之间的协作。一个人的能力是有限的，真正的研究和落地需要有一个好的组织架构，能够去推进组织不同部门之间的协同，包括运营侧、产品侧、工程侧，还有算法侧，再通过一些 OKR 的手段去推进部门之间的协同、分工和拆解。
李沐：我创业是在五六年前了，也是刚读完博士第四年的时候，我觉得读完博士去创业是非常非常好的，你没有太多的心理压力，没有在乎失败还是成功。我觉得创业特别第一个创业，你就把它当作一个学习的机会是比较好的。现在回头看那一年，我觉得我虽然在技术方面当然是不错，但在管理方面不行，不知道如何带一个团队。PhD 出来往往是做技术，而不是产品。然而，实际上技术到产品落地是有一个非常大的 gap。在大厂可能会好一点，因为公司已经帮你将整个产品定型了，你只要把技术像拿个钉子敲进去一样，相对会容易点。但在创业公司什么都没有的情况下，如何去做，这个其实是挺难的。
我觉得每个都是一个学习的机会，是通过创业来学，还是通过去大厂来学都可以，都是一个很宝贵的学习的机会。如果现在回头看，我觉得还是很困难，就算现在知道一点东西，再回过头再去做也是很难的一件事情，所以我觉得如果大家想博士毕业去创业，或者读完书出来去创业是挺好的。你就是要抱着一个 99% 可能失败且会走很多弯路的心态，但这是非常好的学习机会。当然去大厂也是一样可以学很多东西，大厂相对给你的是一个更安静的环境，相对舒适，这也是一个很好的学习机会。所以无论是毕业要去创业还是去大厂，都挺好的，都是不错的选择，都应该试一试。
「 观众提问环节：博士毕业之后工业界学术界怎么选择呢？杨耀东老师认为需要耐心的去思考机器学习本质的问题到底是什么，那这个思考的过程可能从学界出发才能看的更本质，又或者从业界实际问题出发能看得更透彻，想出的解法也更实际。吴翼老师指出学术界的岗位就远比工业界能够提供的岗位要少，自然竞争会远比工业界要大。所以当你真的要选择学术界的时候，你必须在心里明确，为了（学术）自由，自己能否展现强大的驱动力，承受实际的收入情况。」
杨耀东：其实两者并不是非此即彼的割裂的。学术界的科学问题往往抽象得好，能凝练出一系列问题的元问题并进行解决，而工业界碰到的问题往往更加接地气，能带来直接经济价值。事实上在 AI 这个领域，一个好的研究人员会往往有学界的背景，一个好的学者往往在某段时间会学术休假加入业界。核心我觉得是要能在自己所在领域做出有影响力的工作，或者说是出圈的工作。这些工作往往不是 A+B 或者把 A paper 的 trick 放到 B 方法里就能达成的，是需要耐心的去思考机器学习本质的问题到底是什么，那这个思考的过程可能从学界出发才能看的更本质，又或者从业界实际问题出发能看得更透彻，想出的解法也更实际。我身边的经历是，许多朋友，前辈，老师，都有着在学术生涯不同阶段参与到不同的科研机构的经历，包括我自己的导师和我自己也是。嘉宾如李磊也是。
吴翼：我记得我们院张焕晨教授在知乎上写过一个类似的回答，写的很不错我给他打个广告。这里也说一下我自己的观点，当然和他的非常类似。首先，我要明确一点，学术界是远比工业界困难的（虽然这个很反直觉，又累钱又少，但是这是事实）。最简单来说，学术界的岗位就远比工业界能够提供的岗位要少，自然竞争会远比工业界要大。所以，当你真的要选择学术界的时候，你必须在心里明确，为了（学术）自由，你是不是愿意面对：更大的自我驱动的压力；更低的工资；更多杂活（学生管理，教学，经费申请）等等。如果你对于这些问题都能给出明确的态度甚至乐在其中，那么结论其实往往是明确的。一般来说，如果有一个同学对于上述的角度存在犹豫心理，那么我一般会直接建议他们不要多虑了，去工业界赚钱吧，挺好的，起码可以多吃不少好吃的。
如何平衡工作&科研？
「 李磊前辈在字节跳动这样高速成长的公司任职多年同时还进行研究工作，关于平衡工作和科研，李磊老师分享到一个是选题，一个是时间精力分配，我觉得这两点对作为企业忠诚的执行者、管理者来说是非常重要的。」
李磊：在字节跳动的工作职责就是要建立和打造一个团队。这个团队要能够兼具两方面的功能，跟完全的研究模式还有点不一样，它不是纯粹的一个研究，它既需要去做跟产品有关的一些方向的前沿技术研究，同时还需要去把一部分技术直接转化到产品里面，或者甚至直接打造产品。那我们可以看到很多的尤其是国内的像 BAT 这一些企业，它的很多的研究院几乎都是这样的模式，就是一半研究加上一半工程技术转化或者直接打造产品。
那这里面要做好其实就取决于选题，选题是非常非常重要的。这个是非常考验说你作为这个研究院或实验室的负责人，这是你需要去把握的，你不能说我就直接去做产品，我直接选一个产品的方向，那你就和产品部门完全一样了。
另外一点是时间精力的分配。我曾经的 manager 马维英，他当时给我一个非常好的建议，就是当你的团队非常大的时候，你可能本能的一个意愿是什么？是去帮助你团队内那些可能绩效不太好的人，让他们绩效更好。但是马老师给我一个建议说，恰恰相反，你应该把你的时间去花在你的团队里面最重要的项目上以及最有潜力的身上，你不应该平均的分配时间，也不应该把时间去补漏，应该去把这个优势发挥得更好，而不是平均去分配这两点。
一个是选题，一个是时间精力分配，我觉得这两点对作为企业忠诚的执行者、管理者来说是非常重要的。
「 杨植麟前辈在 CMU 攻读博士期间创立了循环智能，现在也在清华继续教职科研工作，他谈到同时管理创业公司和开展研究工作，重要的是在于人才的培养或者团队的搭建从而有一个更好的组织的思维去做这个事情。」
杨植麟：坦白的说，我内心住的一个这个纠结的灵魂，我觉得很多问题其实跟刚才这个李沐老师，包括很多其他老师说的，我觉得是比较本质的，这里面其实很多是这种长期的 vision 和中短期的 plan 之间的这种取舍。就是你到底是要去做这种更长期的东西，还是一些更中短期的这个落地？那有没有可能在这两个东西之间去取得平衡。
我觉得这个里面他不同的选择可能会有不同的这个好处和坏处。比如说如果是只做长期的一个事情的话，那那他会面临一个问题，你的 vision 是从哪里来的？这个是我之前一直没有解决的问题，我不明白我的这个所谓的长期的 vision 是从哪里来的，因为我始终相信这个技术它最终是要去解决问题的，我们可能要先明白这个问题是什么。
另外我觉得这个中间其实还是有一个可能可以互相借力的地方，可以从一些实践里面去找它的未来的技术的样子，然后去找到一些对于终局的判断，反过来去驱使长期的投入和发展。我觉得这种是可能一个比较理想的情况。
还有就是可能很多情况下不管是创业还是学术研究，我觉得重要的是在于人才的培养或者团队的搭建，最终还是要尽人之智，而不是说尽己之力。这个可能是一个很重要的一个点，就是需要去有一个更好的组织的思维去做这个事情，而不是可能想这个凭一己之力去做这个事。
「杨耀东前辈攻读博士前曾在世界金融中心（伦敦）从事了一段时间的量化金融的工作，但之后却没有继续在金融行业发展，而在工作期间开始攻读计算机博士，博士期间虽然也随导师在大型 ICT 企业担任要职，但也一直没有离开高校。这段经历中关于工作和科研的平衡，杨耀东前辈指出无论是从读博的这个角度，能从接地气的问题里归纳出有效的科学问题并进行解决，还是从企业的角度，能提升从点到面的交流的能力。」
杨耀东：我感觉同时做一些纯科研的东西和在企业做一点项目之类的这个东西，它们之间的鸿沟还是比较大的。你像企业的话，它一定是想要做一些落地的东西，无论是在科技企业还是在金融企业。读博这边的科研的话，更多的是一些阳春白雪的东西，大部分的时候并不能用 A 加 B 加 C 来解决，相反可能一些落地的问题，能用 A 加 B 加 C 的这个思维去解决。
从做博士这个角度来看，当企业有很多的落地压力的时候，你应该找准自己的位置，不去做太多下里巴人的工作和诗和远方的东西。但是从企业的角度上来讲，我觉得在企业的经历也的确是给了我一些可能纯读博士的这个阶段收获不了的一些能力，尤其是在企业更培养了一个从点到面的能力。
事实上我觉得从点到面，这个是我自己在企业受到非常多培训的地方，也是在后续我找教职过程中，在系主任反馈中他们也非常意外且 appreciate 这个能力，所以我觉得无论是从读博的这个角度，能从接地气的问题里归纳出有效的科学问题并进行解决，还是从企业的角度，能提升从点到面的交流的能力，是我可能过去几年收获比较大的一些经验。
「带团队发 paper、搞开源、授课、奶娃四不耽误，李沐前辈谈到，他挺赞同李磊老师说的，要知道你要干什么，你在一个团队里面，你的角色是干什么事情，你带人时你的角色干什么事情。」
李沐：难点就一点，我在读博士的时候，我很喜欢叔本华讲的一句话：人生就是在痛苦和无聊之间徘徊。每次做一个 paper、做一个 project 就特别痛苦，因为可能实验跑不出来， idea 想不出来，paper 写不出来等，但做完之后投完论文之后的那一瞬间整个人会很满足，有种积累在脑子中的东西发泄出去的感觉。这个时候你就会有一段很平静的时间，就觉得不能再写了，但是你熬了几天之后，你就会觉得很无聊没有事情干。无聊之后，你就开始一个新的轮回，叫痛苦的轮回。
然后工作之后，我发现养娃这个事情比读博士难多了，我特别佩服人类是怎么延续下来的。现在我的感觉是说人生就只有痛苦，没有无聊了。养蛙不会说你还有一个阶段性的享受的过程，在一个痛苦到另外一个痛苦之间，一个很 smooth 的变化，就是人不再无聊了，时时刻刻每分每钟都会塞满你的所有的时间。这时你只能在那个时间里面去挤出一点时间工作。工作的时候我觉得我挺赞同李磊说的，你要知道你要干什么，你在一个团队里面，你的角色是干什么事情，你带人时你的角色干什么事情。我对自己的定位是我手不如别人快了，我觉得我手速没有变慢，但我时间更少了，而且我觉得我招的人，我团队里面人都特别强，手速比我厉害一些。
那么我能干什么事情呢？我能干的事情就是多到处看一看。因为一个团队，特别一个研究团队，如果没有一个特定的产品、没有给公司创造特定的价值，那么在公司里面是很难生存的。如果你纯发论文的话，你也落不了地，因此你要会去看去找到你的生存的那个缝在什么地方，然后你要扎进这个缝里，然后才能够把资源慢慢地整合起来。这个是我对自己的一个定位，我对自己定位从来不是把一个东西做出来，只是做一点东西有效果，再说服另外一两个同学做一点有效果，然后再说服老板，让老板们说这个东西有效果，我们再继续做。
如何保持对 AI research 的坚持
「吴翼老师有没有想放弃 research 的时候，如何坚持下来？有哪些爱好？」
吴翼：其实是有的。如果大家去翻一下我的 publication list 可能可以看出来我自己在读博士的时候是有一个明显的方向转变的。我是14年开始读博士的，到 NIPS2016 我发表了第一篇强化学习论文，可能大家会好奇中间两年我在做什么。我申请博士的时候，深度学习刚刚出现，贝叶斯学习（比如 Topic Model; MCMC）的热潮还没有完全褪去，我一开始的研究方向是 Probabilistic Programming，是希望搭建一套以贝叶斯推理算法为核心的通用编程语言（某种意义上和 MXNet 很像，MXNet 采用 Gradient Descent 作为通用算法，以一套抽象语言描述神经网络；我当时参与开发的语言叫 Bayesian Logic，是以 MCMC 算法作为通用算法，以 Logic 作为语言描述贝叶斯逻辑和图模型的）。当然我们不去细说贝叶斯和深度学习的优劣了。至少从时代的发展来看，现在纯贝叶斯学习是比较式微的（虽然以后说不定） ，那么在当时一个刚开始读博的学生来说，其实是蛮痛苦的，感觉学术圈赏识的人越来越少了，非常迷茫，尤其当时我们组还接了一个 DARPA 的项目，需要我带着很多本科生完成项目指派，这是很累人的。再加上论文的不停拒稿，有一段时间确实是整夜整夜睡不着觉。
我当时论文投稿大概是投了 9 次中了一篇。我当时给自己说，我要是达成 10 中 1 这个堪比巅峰科比（joke 我其实很喜欢科比）的命中率，我就 quit。不过感觉可能上天确实不希望我 quit，最后 10 中 2。现在我的学生 paper 被拒了经常想放弃，我就会以自己的经历开导他们，我当年比他们惨多了。
当然除了不停的投稿之外，我觉得很重要的事情是，在自己做好自己的本职工作的同时（这点很重要），要多去跟人聊，多去寻找机会。这里也非常感谢我开明的导师以及伯克利非常开放合作的风气。我大概是 2016 年年初去敲的 Pieter 老师的门，说我想试试 Deep RL。Pieter老师非常热情接待了我，给了我几个问题选择，同时再三叮嘱 “You should keep your advisor on track”。当时也很巧，我选择了 Value Iteration Network 这个项目去做，最后拿到了 Best Paper。当然那段时间压力也很大，因为需要学习 Deep Learning，学习 Deep RL；同时还要兼顾 DARPA 的项目，但是很幸运最后这些事情都做好了，之后当然还有蛮多波折，但是总体看来就慢慢变好了。现在回过头看看，多沟通多交流多合作确实是很重要的，一个人很容易走入一个局部最后出不来，最后不断的给自己负反馈，最后不停的质疑自己之前的选择，然后越来越沮丧。很多时候可能得强迫自己走出一些之前的舒适圈。当然想走出去是不容易的，人是也有 momentum 的，所以很多时候就需要付出双倍的努力。当然，这里也要感谢很多朋友，比如李磊，当时我心情不好了就去李磊家蹭吃蹭喝来着。
「吴翼老师，做交叉研究需要把各个涉及到的学科都学深入吗？交叉学科与单纯研究机器学习理论有什么区别？如果是想在AI做出成果的话，您建议本科学交叉学科还是学数学这样的基础学科？像数学出身的去研究AI需要注意哪些？」
吴翼：如果一个人能够深入研究两个甚至更多的领域，那是最好不过了。比如姚先生，当年是物理出身，后来转行投身理论计算机研究，在量子信息领域也作出了很多颠覆性工作。所以，如果真的有机会能够很多行业都深入研究，那也是太棒了。AI 领域也有很多跨界的，比如 Max Welling 教授就是物理博士出身；Eric Xing 老师是生物博士出身等等。当然我觉得大部分对这个问题有疑惑的人，应该是还没有机会对于一个领域能够走到上述教授那么深入的。对于现在大家提倡交叉学科，如果是想作出比较有影响力的工作，那么我的建议是应该至少对于一个子领域先能够深入的了解，对于其他的领域有一些大致的了解或者有一些其他领域的可以请教的朋友（比如你不会了可以给他们打电话的这种，这种朋友大家在学校里多交一点。如果一上来就每个领域浅尝辄止，恐怕最后往往做了搭积木的工作了。所以，不论学什么专业，一定要有侧重，选一个方向去好好学深。）
至于数学的话，学数学转行做 AI 的当然非常多了，而且，要学好 AI，一些基本的数学训练还是很必须的（起码你得知道怎么严格写证明，什么数学上是对的什么是错的，很多现在做 AI 的同学可能相对缺乏严格的数学训练）。但是这里也要提醒一点，AI 这个领域但凡和应用沾边，都需要很强的工程能力，如果以后想做应用的话（纯理论或者纯学术研究不用管这些，好好学数学就好了，我觉得对于数学专业的同学最好能够花一点时间去提高自己的动手能力，编程能力，工程能力。）
未来科研方向的关注点
「关注的 Research 方向、Research Community 有什么样的 Vision 和发展期待？」
李磊：我们现在大家都在谈大模型训练，关注度非常非常高，但我更希望看到未来能有更多的人来关注一下小模型如何做好，以及如何做的更通用，能够在更少数据的情况下去做好，而不简简单单只有一招大力出奇迹。
李沐：我觉得其实如果大力出奇迹能够便宜点就好，大力出奇迹也不是个坏事情。因为我对一个科学的发展的看法是：先把它做出效果来，这是一个突破，不要管成本等因素，但是接下来硬件会往前，软件编译器会往前，然后你的训练技术以及模型的构建技术也会降，然后后面会有一个长期的过程，把它做得更 work 更便宜。
杨耀东：我其实特别期待看到大模型加大数据的天花板的效应，能迁移到 RL 里面。尤其是明年 NeuralPS，我相信也会越来越多的 paper 出来把大模型加大数据的这个增益效果放到 RL 里面去，我也非常期待能看到如何造数据、如何去训练大模型的问题得以解决。
吴翼：我现在开始想的是强化学习的一个特别好玩的事情，如果有一天这个东西要跟人在一块玩的时候，这个会是很有意思的事情。大家可能做监督学习，做预测，它是没有人的，就是预测对了就是对了，错了就是错了。但如果有人的话，人会给你反馈，人犯了错会有人说你这错了，然后就希望 AI 同样有这个反馈，然后 AI 根据这个反馈去调整。这个 AI 最后怎么样把 human utility 放进去，会比较有意思。
杨植麟：我觉得第一个是预训练微调，可能现在在 NLP 和 Vision 都已经很成熟或者是正在变得非常成熟的一个方法，但我自己觉得有可能现在这个范式也不是最终的范式，会有可能有一些新的范式出现，包括最近的一些结果表明即使完全不用预训练，其实它的效果完全是有可能做得跟预训练一样好的，但你可以节省两个数量级的 flops。是不是有可能有新的范式，可以去替代或者改进它，这个是我觉得比较兴奋的一点。
然后第二个点是我最近也在看一些跟代码智能有关的东西，因为我觉得这个可能是解决一些认知问题的一个很根本的手段。比如说你用代码去表示之后，它其实是可以用 unit test 直接去判断它到底是对还是错，然后整个过程它是完全 interpretable，它也有很多大的模型可以用 data driven 的方式去优化。因为以前大家可能局限于自然语言的这种不正式性，带来了很多的阻碍，但如果是用这种 code 回归一些传统的比如说 symbolic 的方法，它有可能是一个好的结合。
对学长们的一些好奇——“彩蛋问题”！
「李磊前辈Xiaoming 是谁？为什么 Xiaoming Bot 要起名叫 Xiaoming？当初为什么没有叫狗蛋呢？」
李磊：我记得这是 16 年我们刚开始建立字节跳动人工智能实验室的时候的第二个项目。这个名字是我们当时有两位，一位产品，还有一位 PR 的同事起的。一开始他们希望叫张小明，但这个肯定是不太好的。那么我们就起叫小明吧。我们取一个通俗的大家小学课本里就会看到的小明小亮小红这样的名字，就听起来普通一点，能够把这个项目做好。
狗蛋不会写作，我们起个小明做写稿的对吧？如果你们关注了头条上面的小明写稿机器人，那个头像当时也是一个比较像程序员的设计，戴着一个眼镜，跟我们日常的见到的普通的周围身边的人一样。
「李沐前辈计划什么时候带家里小朋友炼个超大号模型？」
李沐：你会发现做人工智能的研究员，这些人都有一段时间处于非常的自我怀疑的阶段，觉得自己做的东西到底有没有意义？因为发现你养个娃两岁之后，基本上你那些 99% 的模型就干不过他了，5 岁之后基本是不可能的，你会觉得这一辈子都做不到他 5 岁的效果。那现在深度学习在过去在 10 年里发展挺快的，有能做到 5 岁的时候，但我觉得在我的观察里面做到 10 岁几乎是不可能的。所以基本上你带娃的时候千万不要把工作的事情带进来，千万不要去比。
「吴翼前辈最近在社交媒体上比较关注表情包搜集和旅游，请问表情包搜集与对旅游的热爱是否对于你的科研之路亦有贡献呢？」
吴翼：我主要觉得搞 CS 这个领域的最大的好处就是发 paper 的时候可以去开会，然后你就可以旅游，所以我觉得大家在比较穷的时候最大的 motivation 就是公费去开会。一般那时候我比较年轻的时候我就先翻一下，今年的会在哪里？一看在旧金山，这个会不好，再看下一个会是在巴黎，我们就投这个会了。
我觉得因为可以旅游这件事情可以让大家努力发 paper 还蛮不错。此外，每次旅游的时候，可以一年一度跟大家聚会了，这是比较难得的。
表情包其实可能说话比较直接一些，疫情线上和人见不到了之后，可能就会想发个表情包。
「杨耀东前辈在做用 RL 打星际的研究时，是否有冲动在和朋友打游戏的时候用自己的研究成果开个挂呢？」
杨耀东：说真的其实我不太会玩星际，星际真的是因为研究才玩起来的。我比较 old school，我以前玩很多射击类游戏，以前高中的时候比较沉迷，我还打过 WCG， 所以在射击类游戏上我自己就是外挂。然后在那个 Steam 上，其实在欧洲区也经常被 banner IP， 就会被怀疑是作弊。
但是其实在 MOBA 类游戏的话，很难去开外挂，因为 MOBA 类游戏的问题在于你很难一招鲜吃遍天，它这个游戏的设计就是让你不停地沉迷，它的这个不同种玩法，就是能让你互相克制，并且让你很多的玩家就在这种互相克制的策略集里面 lost 自己，然后浪费一堆时间和金钱。这个里面你要去开个外挂是比较复杂的。
「杨植麟前辈之前的乐队叫 Splay，是来源于 Splay Tree；如果再组一个新乐队，会叫什么名字？」
杨植麟：这个是一个很久远的历史了，可能好多好多年了，现在已经不玩了。很多东西都变化得很快，大家可能现在还会听，但是玩乐队时间肯定是没有了。我觉得很多技术也是这样的，发展得很快，你真的有一个东西能够持续一个十几年、二十年并且大家都在用的基本很少。然后像这种乐队的话，我觉得其实现在不是都流行搞 AI 创作，所以我觉得可能以后也不会有什么乐队，所以要不就叫个 transformer 吧，直接自动生成好了。
