一个特斯拉前AI总监的忠告：博士期间最重要的事，90%的人都搞错了

# 一个特斯拉前AI总监的忠告：博士期间最重要的事，90%的人都搞错了 --- ## 读博之前，先问自己一个问题 Andrej Karpathy 在斯坦福读博的最后一年，写下了这篇被称为"博士圣经"的文章。 他是谁？ 李飞飞的学生，特斯拉前AI总监，OpenAI创始成员，ImageNet分类模型作者之一。 简单说，这个人在AI领域干过所有你想干的事。 但在这篇文章里，他没讲什么宏大叙事，而是老老实实回顾了自己踩过的坑。 读不读博？这是他给出的第一个思考框架—— **自由度、所有权、排他性、个人成长、选择权最大化。** 他说，博士能给你最大的自由，你想研究什么课题，自己说了算。没有老板天天催你打卡交日报。你的名字会永远和你的研究成果绑在一起，而不是混在某个大公司的"团队贡献"里。 还有一点很现实：博士毕业后再去公司很容易，但公司干几年再回来读博，几乎不可能。 所以他建议——**年轻时，多给自己增加方差。** 你未来有50年要打工，急什么？ --- ## 选导师：比选老婆还重要  Karpathy 用了"婚姻"来比喻导师关系。 "你和导师的关系，本质上是共生关系。你有你的目标，他们也有他们的目标。他们的晋升、经费、tenure，都影响着你的处境。" 听起来很功利？ 但他紧接着说——这种关系往往也会发展成持久的友谊，不只是职业上的互相利用。 关于导师，他提了几个很实用的观察： ** tenure前后，差别巨大。** tenure 前的年轻教授，通常更 hands-on，会和你一起推公式、改代码、盯细节。他们需要论文冲 tenure，会 push 你干活。 tenure 后的老教授，实验室大、杂事多，只能给你 high-level 的建议。 **轴线很多。** 有的导师天天和你开会，有的几个月不见人。有的支持你出去实习，有的觉得实习是浪费时间。有的会资助你去没论文的会议，有的连差旅费都不给。 怎么选？ Karpathy 的建议是：去和他们的学生聊天。不是正式的那种，而是去派对、闲聊，问具体问题——"你们多久见一次？""他们 hands-on 程度如何？" 学生不会直接说导师坏话，但具体问题他们会说真话。 还有一点被很多人忽略：你会天天和导师的学生一起吃饭、干活，他们才是你真正的朋友圈。找导师，其实也是在找未来的 research partner。 --- ## 研究选题：90%的人死在这一步  这是整篇文章最硬核的部分。 Karpathy 说，博士的核心工作不是解决问题，而是**找到值得解决的问题**。 这就是所谓的"outer loop"。 大多数人以为读博就是埋头苦干、写代码、做实验。不，真正的挑战是——**选方向**。 选对了方向，你可能是"做这件事的人"。选错了方向，你可能吭哧吭哧发了几篇论文，没一个人在乎。 关于怎么选方向，他给了几个判断标准： **1. 肥沃的土地。** 你选的方向得有足够的扩展空间，能发一系列论文，最后串成一篇 thesis。 **2. 和导师的利益绑定。** 他有个很妙的洞察：每个教授都有一个"御用PPT"，里面是他们 ongoing 的研究。如果你能在里面加几个新 slide，他们会对你的研究极度上心，帮你在各种 talks 里推广。 **3. 10倍思维。** 人们有个心理bug——觉得10倍重要的东西，难度也应该是10倍。Karpathy 说这是个错觉。10倍重要的问题，往往只需要2-3倍的努力就能解决，而且解决方式会完全不同。因为你会被逼着跳出盒子，从第一性原理重新思考。 **4. 你得能讲清楚。** 好的研究方向，应该能用一句话让别人记住——"她是做那个XXX的"。 他还讲了自己的故事： 前两年他一直在"游荡"，做3D、视频相关的东西。直到第三年某天凌晨2点，他偶然在办公室和 Richard Socher 聊了聊，突然意识到图像+语言这个交叉领域有大机会。 当时 Deep Learning 刚开始 work，数据集刚出来，李飞飞也对这个方向感兴趣。 他觉得这是"一系列对勾"同时满足的时刻。 **"我有一种强烈的预感，一场海啸正在来临。"** --- ## 论文写作：别把论文写成流水账  Karpathy 说他每次回头看自己博士早期的论文草稿，都会想死。 "太烂了。" 关于写论文，他有几个反直觉的建议： **不要只看好的论文。** 你得大量阅读**差的**论文，才能建立"什么会让论文被拒"的直觉。最好的办法是什么？去当审稿人。25%接受率意味着你审的大多数都是烂论文。读完你就会发现——变量不定义清楚、intro 写得空洞、technical details 塞得太快——这些都是致命伤。 **找到核心贡献。** 一篇论文只能讲清楚**一件事**。他承认自己早期犯过一个错误：在同一篇论文里塞进两个"贡献"，结果两个都被稀释了，审稿人和读者都不 care。 **语言有讲究。** 在机器学习领域，你永远不要"study"或"investigate"——这些词无聊、被动。你应该"develop"或"propose"。没有什么"system"或"pipeline"，那是"model"。没有什么"features"，那是"representations"。永远不要"combine"或"modify"——这些增量词汇会让你的论文被拒。 **内部死线。** 李飞飞实验室有个规矩：正式截止日期前2周，必须提交至少5页草稿，所有实验都得有初步结果。然后进行内部审稿，流程和外面一模一样。 Karpathy 说这个做法"极其有用"。 因为把整篇论文 laid out 出来，往往会暴露致命漏洞——你的论证链条缺了哪一环，读者会困惑。 --- ## 代码发布：别懒  他承认一个"令人惊讶的事实"：不发代码，你也能发论文。 但他强烈建议发。 理由很现实： **你会被迫写得更好。** 知道代码要公开，谁都会更认真对待。这叫"public shaming as a service"。 **后续引用会更多。** 别人 follow 你的工作更容易。 **为未来的自己留后路。** 你六个月后回来改代码，一定会忘记自己当时是怎么写的。好的 documentation 不是为别人，是为那个健忘的自己。 --- ## 会议：真正的价值在走廊里  Karpathy 说了一个段子： > 博士有三个阶段。第一阶段，你看到一篇论文的参考文献，里面大部分你没读过。第二阶段，你认识那些论文。第三阶段，你和所有第一作者喝过酒。 关于会议，他的观察很实在： **去。** 哪怕自己没论文，哪怕导师不给钱，自己掏$2000也要去。因为学术是个高度社交的圈子。很多 knowledge 不在论文里，而是在"这个领域接下来什么值得关注"的 gossip 里。 **走廊才是主战场。** 现在 ML 领域论文更新速度比会议周期快得多，所以大多数 talk 其实是旧闻。真正重要的是 Poster 环节、 hallway 闲聊、认识同行。 **Speaker 比 topic 更重要。** 有些人就是讲得好，哪怕 topic 和你不太相关，也值得去听。 --- ## 最后一句话 Karpathy 借用 Sam Altman 的话收尾： > 创业没有捷径，你没法靠刷花招赢。学术界也一样。 > 做好的工作，好好沟通，人们会注意到。好事情会发生。享受这段旅程。 --- 【MiniMax-M2.1锐评】：这篇指南之所以被传阅至今，不是因为它教你怎么发论文，而是它诚实地告诉你——博士是一场关于选择、品味和耐心的修行，聪明人很多，但能想清楚的人很少。