博士四年总结

我永远也无法忘记这一段旅途，攻读博士学位的四年学习生涯，是我迄今为止最有趣也最具挑战的一段经历。

— 秦铁鑫 2025年11月8日

欲买桂花同载酒，终不似，少年游。在鲜衣怒马的朝华之龄，你会选择投入怎样的人生？我的选择是读博。在十月二号正式被授予博士学位为止，这段旅途终于走向了终点。思虑良久，终于还是决定要将其整理出来，一为总结与自省，二为明未来道路。

• 缘起

2021年八月，彼时的我尚处在硕士三年十一投一中的阴霾中，未来的道路怎么走还未明晰，就这样在一半晦暗一半忐忑中开启了我的博士生涯。我的导师李皓亮老师是最早研究域泛化(domain generalization)的两个人之一，加之我的背景也多与分布偏移(distribution shift)相关，所以不出意外的我也是跟着这个方向做。李老师给我指定的方向是研究动态环境下的机器学习系统。我们知道，现在的人工智能算法所倚赖的一个基本假设是独立同分布(i.i.d)假设，即训练数据和测试数据是从同一个分布中独立采样得到的。这一假设的局限性在于当测试数据的分布与训练数据出现偏差时，基于训练数据训练得到的模型往往在测试数据上表现很差。这种被称为分布偏移的现象在许多实际场景中屡见不鲜，比如在自动驾驶系统中，如果我们仅采集到白天道路上的数据训练了一个车辆检测模型，而在实际部署这个系统时，我们需要这个检测模型在即便是夜晚的状况下也提供较高的检测精度。我的导师的代表作就是在试图解决这个域泛化问题，可是我们想想，白天到夜晚的这种变化并不是瞬间发生的，它是有一个过渡存在，那么很自然的引出一个问题，我们的模型能否学习并利用这种过渡的模式(pattern)来帮助其取得更好的泛化效果呢？为此，我们形式化地定义了这个问题为：训练数据不再是同一域，而是由一个域序列构成(早上、中午、下午、傍晚)，同样的，测试域也是多个域构成的序列(晚上、深夜、凌晨…)。根据贝叶斯定理 $P(X,Y)=P(X)P(Y\mid X)$ 可知，在动态环境中，数据的分布偏移可分解为协方差偏移(covariant shift，对应 $P(X)$ 上的变化)与概念偏移(concept shift，对应 $P(Y\mid X)$ 上的变化)。为了让模型能同时学到这两种偏移的动态变化，我们构建了一个基于序列变分自编码器结构的概率建模框架，在隐空间中通过变分推理的形式推导出每个时刻协方差与概念偏移的变化。因为这是我的博士第一个工作，成稿时写作惨不忍睹，李老师大改了好几遍，万幸，这篇工作一次就中了，发表在了ICML上¹。不过时值疫情，未能去北美开会。

在完成这个工作后，我们就在思考有没有办法将这个方法作进一步增强呢。我们知道，变分推理是利用KL散度来进行先验分布与后验分布对齐的，由KL散度的计算公式为 $D_{KL}(p(x),q(x))=\int p(x)\log \frac{p(x)}{q(x)}$ 可知这个计算过程中会涉及除0的问题(即 $q(x)=0$ )，当此情况发生时，模型的训练会变得极度不稳定。虽然我们在前面的工作中设计了一个时序上的约束来帮助稳定这个过程，但并不能完全规避掉这个问题，所以我们第二个工作想解决的就是KL散度引发的不稳定问题。我们想出的解决方案是将KL距离替换为不涉及除法操作的MMD ($D_{\mathrm{MMD}}(q,p) := \left\Vert E_{\mathbf{z}^q \sim q} [\phi(\mathbf{z}^q)] - E_{\mathbf{z}^p \sim p} [\phi(\mathbf{z}^p)] \right\Vert^2_{\mathcal{H}_k}$) 这样自然就消除了除0的隐患，并且在计算上可以利用核技巧(kernel trick)来避免显式对数据分布的估计。此外，我们在文章中理论上验证了这种距离替换还隐式地引入了三个互信息最大化项(对应三个隐变量)可以帮助我们的模型在隐空间学到更好的特征表示。这篇工作的完成花费了半年时间，在这个过程自己补了非常多测度论的知识，将Bernhard Schölkopf从two-sample test到MMD的提出一系列论文看了个遍。这篇文章也在经过两轮修改后顺利地被TPAMI接受²。

在做这两个工作的过程中，我对机器学习理论以及数学原理产生了浓厚的兴趣，变分、测度，一个个概念像是提供给我一个个不同看待世界的视角，令我目眩神迷。此时的我才刚经过一年，心仪的顶会有了，顶刊也在路上，正所谓“春风得意马蹄疾，一日看尽长安花”，即便最终以此两篇收场，也足以满足大多数学校的毕业要求了。此时的我，来不及等待TPAMI落地为安便按耐不住地奔向了理论的海洋，我要以数学理论为基石，以想象力构筑属于自己的世界。此时，恰逢我们组刚开始与牛津数学系的老师开展合作，Terry Lyons教授是领域泰斗，他所提出的rough path theory是处理动态系统中非平稳信号的一个强有力的工具。其中的受控微分方程(controlled differential equation)将常规微积分以时间这种均质信号驱动拓展为一个path驱动，这样就可以处理高度震荡且非连续的信号(比如Wiener Process)。我探究的是如何基于此理论构建一个动态环境下的机器学习系统。这里，我们仍然要回归到独立同分布假设上，即便我们前面所做的工作将独立同分布假设拓展到时序场景上，即每个时刻的数据分布是独立同分布的，但相邻时刻的数据分布却具备某种连续性，那么我们能否把每个时刻的独立同分布假设也去掉呢？如果还是以自动驾驶系统为例，这里我们在路面车辆检测完成后搞了个行车路线规划模型，路线规划显然是受周围车辆临近关系影响的，而周围的车辆分布并不满足独立同分布情况，他们存在某种空间上的结构。我们将这种空间上的临近关系用图(graph)来表示，因为周围的车辆是不断变化的，所以这里的图也是动态变化的。我们提出了一个图神经受控微分方程: $\mathbf{Z}t = \mathbf{Z}{t_0} + \int^t_{t_0} f_\theta(\mathbf{Z}_s, \mathbf{A}_s)\mathrm{d}\hat{\mathbf{A}}_s$, 这里 $\mathbf{A}_s$ 表示时间为时的图的邻接矩阵，可以看到图结构的变化直接驱动了节点状态的变化。这篇工作最早投往COLT，可惜因不够学习理论而被拒，随后投往TPAMI上，也是在历经三年后于近期才被接收。这篇是我个人最喜欢的工作但也是经历最为坎坷的，除了被COLT拒，在TPAMI上也因为找不到合适的审稿人以及更换副主编两年多才返回审稿意见，前前后后我与小伙伴Ben修改了多次才终于被接收³。Terry对这篇工作也是多加赞赏，在我于牛津访问的第一天，Terry说他将文章分发给了他的学生们看，此后其学生Torben也是与我合作开发了我们工作后续的图置换同变版本并被今年的NeurIPS接收⁴。

时间来到2023年五月，也就是我的博二下半年，在等待前个工作审稿的时间里我并没停下脚步。这时使用物理神经网络来建模动态过程属于一个热点方向，不管出身力学、应数还是仿真领域的都往这上面做。我也非常看好这个方向，试想原先对于流体动态的仿真不管是有限元还是有限差分都需要先建立网格，但是网格建完后其运算天然满足并行运算要求，也就是我们可以用GPU来做这个计算，同时，高精度仿真所需的高昂的计算复杂度也可以通过神经网络的非线性拟合能力去近似求解。在这两点的促进下，很多顶尖的高校如MIT、Stanford还有企业Nvidia、Meta入局。这些工作主要验证的是这件事的可行性到底如何，采用的措施是设计尽可能强大的物理神经网络来提升对系统动态的计算精度。但这些工作仅聚焦在了对单个动态系统的拟合上，而对所设计的神经网络求解器的泛化能力探究很少。这点与传统的数值求解器完全不同，比如我们使用Navier Stokes方程来做流体仿真，我们可以通过简单地修改粘度、雷诺数(Reynolds number)等来让我们的方程适合不同海拔高度气体流动的模拟。我们也想让我们的物理神经网络具备这种快速适用不同使用场景的能力，继续拿行车路线规划模型为例，就是我们使用同一套驾驶系统，但是车子变了、传感器不一致，我们可以修改少量的参数而不需要重新训练一个模型。我们基于的是傅立叶变换(Fourier transform)搭建的神经网络，傅立叶变换的好处在于，对于时域上的一个连续动态信号，我们在频域以多个三角函数线性相加形式来表示它，这样我们在频域上对某个三角函数的系数进行一次的调整，就可以一直影响傅立叶逆变换后的整个时域上的动态信号了。我们先设计了一个分解器，将这些三角函数划分为多个动态环境共享的以及每个动态环境专有的，这样我们在将我们的神经网络部署到某个实际的动态场景上时，就可以仅更新动态环境专有对应的三角函数们。这个工作从有idea到第一次投稿也就一个多月的时间，是我做的最快的一个工作。当然，后续并不顺利，也是几经修改后方被接收⁵。

在完成上面的这个工作后，我开始试图去解决一个公开问题(open question)。在域泛化领域，这个问题只有一个——神经网络的泛化边界问题。当我们训练了一个神经网络模型，我们想知道这个模型可以在哪些未见过的场景上工作呢？有没有理论可以引导我们设计更具泛化性的模型呢？就拿目前最火的大模型来说，它的能力是依赖于训练时使用了几乎地球上所有的数据，所以它的回答即便仅是对这些已有数据进行内插(interpolation)，也会让我们感慨其“智能”。但是当数据达到极限，我们怎么去进一步提升其能力呢？这就需要它能进行外推(extrapolation)，也就是泛化, 这个问题非常重要，但一直都没得到很好的解决。这里最大的难点在于我们如何定义这些未见过的数据，它们的分布该是什么样，与原先的训练数据存在什么样的关系。早期我的探索思路是沿着已有的学习理论出发，逐步向域泛化拓展。现有的学习理论都在解决有限样本的泛化问题，具体而言，训练数据是对某个分布进行有限次采样得到的，这些数据必然不能代表这个分布所有的信息，如果拿这些训练数据来训练一个模型，它在对这个分布进行无限次采样得到的测试样本上的测试表现是什么样的。可以看到，这个问题仍然局限于同一分布上，无论是Rademacher Complexity、Over-parameterization theory 还是Neural tangent kernel莫不如此。我很喜欢Neural tangent kernel，它说一个无限宽的神经网络基于梯度流和平方损失训练时就等同于核回归。这里我做了几个尝试，其一是将梯度流看作一个动态系统来处理；其二是将这些未见过的域以某种图结构组合起来；当然还有好些开脑洞的想法，欢迎对这个方向感兴趣的小伙伴一起讨论。这件事在与Jared Tanner教授讨论后发现现有的方法都不太好做，挣扎了一个月后遂放弃。

在我读博的第三年，除了对公开问题的挑战外，也开始对交叉领域进行挑战。适逢严老师那边有些针对肺癌的药物开发数据，具体说来，肺癌中最常见的类型为非小细胞肺癌，这种癌症是由于表皮生长因子受体发生突变引发的，同时突变还有可能导致细胞出现抗药性进而原有的抗癌药物失效。严老师希望我能够建立一种度量方式，能够有效地辨别细胞突变是良性的还是恶性的。一般而言，在细胞尤其是蛋白质发生突变后，其结构就无法保持稳定状态，会经历一个从非平稳态到平稳态的动态过程。在这个过程中，其整体的自由能逐步缩小到最小值，所以在分子动力学领域最常用的一种度量方式是计算前后过程中自由能的差异。这个动态过程同样适用于药物开发，药物与我们体内的蛋白质要在指定的靶点结合后才能生效，其自由能同样是逐渐减小并最终到稳定态。但是明显的，基于自由能的度量只能提供非常粗糙的信息，并不具备对结合位点、化学键断裂以及结合等这种细粒度信息提取的能力。我们提出的解决方案是将动态过程所有原子层级的运动轨迹作为输出，一般来说，一个蛋白质所包含的原子数在万、十万这个数量级，我们首先要做的是将这个规模缩减下来，为了不损失精度，我们使用了一种可学习的图切算法根据分子图的连接关系将其这些原子划分为一个个簇，在引入一个线性函数对每个簇的原子们进行聚合，这个过程也被叫做粗粒化(coarse graining)。完成这个操作后，我们得到了数量大大缩减后的原子轨迹。对于这些非线性动态且可能包含原子间的动态交互，我们使用路径签名(path signature)来将其提取为在希尔伯特空间中的一个表示。path signature同样是Terry提出的，这是将路径编码为迭代积分序列的一种非交换式的变换，它的优点在于可以将对于高度震荡的受控微分方程的解表示为对路径签名的线性处理。同时，相较于傅立叶变换，它可以捕获不同通道之间也就是原子间的交互作用。最后，我们仅需要使用一个简单的分类器就可以解决我们的任务。这样设计的一个好处是，path signature是置换同变的，又因为粗粒化阶段的聚合函数是线性的，我们可以反向检索出是哪些原子以及它们的交互导致了最终的结果。坦率而言，这个解决方案并不完美，一开始我们是想给出一个纯理论计算的框架，在我于牛津访学期间也是这样努力的，可这件事时至今日也没有完成。后来还是在我导师的建议下，利用神经网络的拟合能力先给出一个近似解来⁶。此外，这篇工作的rebuttal也值得说道说道。一开始审稿意见刚出时，三个审稿人给了653，一个弱接收，一个给了弱拒，还有一个给了强拒。但是给弱接收的审稿人给出了非常专业的意见，另外两个人被带回正轨看到了我们这篇工作的价值，最后经过一个月的rebuttal期间解决了二十多个问题也是分数升到了866，一个强接受，两个弱接收。这篇工作是我花时间最多的一个工作，整个博三一年没有产出，在博四上学期才完成，历时一年多。如果之前的工作所浏览的论文数是40～50篇左右，这篇工作做完，我的zotero收藏论文的数量增加了800多篇。这个工作里最难的点在于问题选择，选择研究的问题会直接决定一篇工作的立意高低，而我们选择了一个很新颖的问题，这也是我们ICLR审稿中第一位审稿人所高度认可的部分。好玩的是，在这个过程中我也学到了非常多的知识，物理、化学、生物学等都涉及到了，也是狠狠恶补了一番。另外一个感受是，这个工作其实涉及到了三个公开问题：粗粒化、非线性动态以及大型的分子数据，给我的启发在于也许我可以通过找寻一个合适的公开问题来达成自己想要解决一个公开问题的目标，而我貌似已经找到了……

最后，我想谈谈个人感悟，在AI的浪潮下，不管是领域内的研究人员还是领域外的大众其实都被裹挟着前进。作为一名从业者，是顺势而为追逐热点还是逆流而上溯本求源是我一直在思考的问题。从目前的工作来看，我更喜欢逆流而上，理论会带给我一种明晰感，一种不单单是知道模型效果这么好，还知道这个模型为何效果这么好的畅然。但是我选择的这些研究问题并不old school，比如我们可以将前面提到的自动驾驶的例子换成股票、气流等等，实际上确实有猎头来找我去搞量化，而AI做量化投资正是现今金融领域的一个发展方向。此外，我的师弟丁博将我们第一个工作用在了语音和视频上，好友Abde也与我时常讨论如何基于第三个工作来破译处在心流状态下人脑神经元信号传输的模式，我们做泛化理论的工作(没做出来)可以给现在大模型的训练指明方向等等。这些问题都是尚未解决且历久弥新。同时，积极地与合作者们讨论也会帮助我更新自身的知识库，我的合作者们Kecheng, Jie Liu, Hui Liu等等，与他们讨论极大地拓展了我对于新技术的理解。当然，一个新技术的产生也会引出它专有的一些问题，目前发现大模型中比较有意思的问题是reasoning。根据本体论有三个层面即客观存在、观察现象以及认知模型。客观存在指客观存在的物质世界，观察现象指人类对物质世界的观测，认知模型指我们的心智认知模型用来解释世界规律变化。科学就是这三个层面的相互影响。我们先针对一个自然现象设计观测手段来收集一定的数据，然后建立一个理论模型来拟合、解释这个数据，并获得我们对这个自然现象新的理解(即知识)。对于大模型，如果客观存在指人类的智能，大模型所使用的训练数据就是观测的数据，而大模型则对应于我们基于观测数据构建的模型，但是我们目前仅仅建立了一个对与数据高度拟合的一个模型，这个模型如何工作的，其学习模式是什么，我们不得而知，而完成这一步或许可以帮助我们开发下一代更强人工智能技术以及提升对自身大脑的利用效率。当然，人工智能的发展远不止这一个挑战，现今我们更要思考怎么去定义“智能”，这个智能需要像人类思考模式那样才能称之为智能吗？我有时在想，或许我们该拿掉“人工智能”里的“人工”二字，现今的人工智能技术，尤其是深度学习技术，虽然基于神经网络，但神经网络的基本单元与神经元的运作机理完全不同，在这种情况下，我们并不需要人工智能算法以模仿人类智能的形式发展，其基本单元的不同决定了它与人类智能存在本质上的不同，如果拿大模型举例，现今主流的大模型在知识面上完全吊打人类个体，这是它的优势，我们人脑塞不下这么多的知识。也许我们该放下人本位的偏差，看见人工智能自身的独特性来帮助其更好地发展。

最后的最后，科研是一方面，生活也是一方面，找寻到两者之间的平衡点，才能让自己一直走下去。博士四年里我将大部分时间投入了科研，做了上述这些自己很感兴趣的工作，但是人不能只有工作。前段时间，我回归了母校，见到了我大学时的辅导员琳姐还有班主任重秋哥，七年过去，他们依旧那般亲切又关照我；在校园闲逛时，朦胧间，我仿佛看到了大学时的自己，青春、恣意、活力满满。希望未来的自己可以将自己找回来，然后好好吃饭，好好睡觉，好好地玩。

随笔 [一花一世界]

起因是在B站上偶然看到了复旦大学的王德峰关于探讨唯物与唯心视频

主体是关于一朵花

一天，王阳明和友人同游于南镇，友人指着岩石中间的花问道：“天下无心外之物，如此花树在深山中自开自落，于我心有何关联呢？” 王阳明道：“你未看此花时，此花与你的心同归于寂；你来看此花时，此花颜色一时明白起来，所以就知道此花不在你的心外。”

唯物主义者普遍持有的观点：不管人是否注意到，花的绽放和凋零都自然的存在，不以人的意志为转移。而王阳明的反驳中有一点需要留意，即“一时明白起来”，这里其实就对心学做了一些限定，心对花的存在做出了情绪反应，故而花不在心外。那么看到花却完全无感呢？这花就在心外了，不仅在心外，也在意识外。有没有可能仅识别出花，没有外加的一切情绪，即见心外之花。答案是有可能的，我们都曾经历过听到某人说话，别人说完后，我们也知道其说话了，但对于所说内容一丁点印象都没有，这可能就接近了心外之花的状态。那么如果人能剥离自身人的属性，彻底摆脱源起于人的欲望所产生的主观意识，达到“绝对理性”的状态，能见心外之花吗？要回答这个问题首先要明确人是什么，人是动物属性与思想的结合体，也可以说是复合体或者矛盾体。摆脱人的欲望并没有消除思想，理性也是人逻辑思维沉积的结晶，虽然人的意识色彩不显得那么浓烈，但其人本位的属性无法磨灭。那么什么样的人可以时刻维持心外无物的状态呢？精神病人，而且是完全忽略现实的精神病人。那么神呢？神是剥离自身人的属性以视事物本真面貌，同时又对规律洞悉且能运用的人。这里的规律泛指自然规律，其另一个名字叫做“道”，人的规律、人心的规律自然都囊括在内。因为其在对“绝对理性”的要求上又增加了对规律洞悉与运用，所以说神是极为稀少的。

我们是否可以将客观的之外的一切都归入心学的范畴呢？小到看到花绽放时的直接作用于心继而激发出的喜悦等情绪，或到追忆自己曾收到花的经历，或再进一步想到自己的人生应如花般璀璨地绽放，亦或更远地联想到世界万物、枯荣皆有其定数。这样，物质本身是有限的、具象的，而基于物又超脱于物的想象可以是无限的，且随我们思绪以及想象力的蔓展逐步从有限走向无限。话到此处，是否有一种熟悉感，没错，此即“一花一世界”。这种无限在理论上是存在，即“世界”可以无限拓展，但在实际生活中却又常常囿于个体的局限而有限。

那么，什么时候物质和意识会交汇呢？理论科学！

Theorical science= Theorical physics + Prue mathmatics

科学研究是以人的思维为主导来对自然现象进行解释、规约的领域。科研无处不透露着人本位的特点，或许我们“永远”无法得见造物主自身用来创世的法则，说起来，这里我还是第一次用到“永远”这个充满不严谨的词，这并不是悲观消极，也不没有否认科学研究存在的现实意义，实际上，科学研究让我们更好地了解自然，运用自然，其最终目标依旧服务于人，不管是转化为生产力引导社会结构的升级，还是满足科研爱好者个人对未知纯粹的好奇心。

博士一年半总结

清晨，伴着露水与微风，与心间萦绕的千百般思绪，我踏上了返港的道路。这次归家待了有二十来天，现在假期结束，也该继续自己未完的旅途。想起来自从自己入港读书也已有一年半的时间，在这段不短的人生旅途中，有太多的事情发生，自己在心境、视野也有诸多变化。今趁搭乘高铁的闲暇时间，索性回首过往，整理在香港的一些心理感受，也帮助自己反思与梳理未来的道路。

• 生活的心理感受

刚开始聊香港总避免不了其与内地存在较大差异的制度、人文、环境以及饮食习惯等，很不幸的是，自己真的耗费许久光阴去适应这里的环境，找到舒适的个人节奏。犹记得刚开始来的时候疫情还很严重，两地都在坚持清零，所以入港的条条框框非常繁杂，新入港的需带着分发的手环进行为期两周的居家隔离检测，且定期到指定地点进行核酸检查等，这里很感谢室友们的帮助，我们一同度过了这段颇为难熬的隔离时间。而后，便是正式开启自己的科研生活，不得不说，城大的科研环境真的是和南大的迥异，各有好的点和坏的点，但是要说现在的我更倾向于哪一个，我会选择城大，毕竟自己选择的道路不管怎么样都要走下去。当然，更细节的一些的点，且听我娓娓道来。一开始我挺不能接受实验室的环境，狭窄的桌椅、阴暗无光的实验室，还有没有什么组内交流的课题组。我的导师是新入城大的讲师，我们是第一届学生，前面没有师兄、师姐来带着，所以很多事情都要自己来探索，这在一定程度上加大了我们适应的难度，而且，我和小伙伴都在找寻自己的节奏，像我一开始非常想做出好的工作来摆脱研究生阶段没有顶会的挫败感，就直接沿用了读研时候的模式，每天泡在实验室里推进科研，殊不知这种状态是很难维持，尤其在没有社交、娱乐等元素进行心灵放松的情况下，到了后期，虽然自己的科研进度很快，但是那种对于生命本身的苍白感淤积于心、无法消弭。说到这里，我要感激我的导师，即便他是新来香港、对科研产出上的压力极大，但他并没有将这份压力转嫁在我们身上，反而一直支持我们的道路，强调科研与生活的平衡，这极大地舒缓了我们在科研上的紧张情绪。然后，小伙伴们也给予我极大的助力，我们定期地去开展远足活动，在与自然环境的交融过程中，自身得以从原有的环境中抽离出来，这样暂时的忘却自我有利于保持积极的心绪去继续面对科研挑战。所以，在过去的时间里，香港很多地方都留下我们的足迹：大帽山、凤凰山、大东山、狮子山、大澳、南丫岛、长洲岛…… 关于本地人，其实在我的生活中能接触到的极少，但是大部分人都极为友善，如最开始租住在佐敦，楼下的保安大爷时常关心问候我，隔离的邻居大妈经常给我们送水果（主要是我的室友和她关系很好），他们都是极为可爱之人，这也是让我对本地人生不起成见的原因，基本在哪个地方都会有不友善的、冷眼的人，我们何必将自己囿于他们，更何况我们也无法要求他们做的怎么样，索性置之不理是一个不错的选择，大可以去结交那些心胸开阔、待人真诚友善之人。就这样在香港待得久一些，反而逐步喜欢上了这里，这里的制度体现出很大的人文关怀，政府会对因封控而利益受损的商户进行经济补偿，对因疫情而低落的消费环境通过发大额消费券的形式去刺激消费；这里的环境充满对个人独立性的尊重，在不侵犯别人权益的前提下，个人大可以按照自己喜欢的方式去生活，别人没有权利对你指指点点；这里的生态环境与现代化生活结合的很好，虽然代价是高昂的房价，但那种随便搭乘地铁，在很短时间内就能跑到山上、漫步海边去感受自然、感受风的感觉无法言述。我不知道自己最终会归于何方，但香港列为可供选择的地方之一。当然，大陆也有我非常倾心的城市，比如苏州，那里的人文气息以及不那么快的生活节奏着实令我神往。在香港与内地的差异中，除科研环境外，另一个自己遇到的较大的困难是饮食的差异，在此要感谢城大的食堂，尤其是AC1，他们在我无法每天进行有效运动的情况下通过控制饮食的方式成功地帮助我维持体型，这份贴心，令人动容。

• 科研的心理感受

其次，是关于心境上的变化，自己生活的主体是科研，所以自身对待科研的心理变化可以一定程度上体现自己心境的变化。先总结下产出，在过去的一年半的时间，自己完成了两个独立工作，包括一篇会议、一篇期刊在投，一篇会议在收尾，平均半年一个工作，实际上，每篇所花费的时间大抵就是这样。我知道这个周期并不算短，尤其对于我们搞AI算法的研究人员来说，三个月一个工作是常有的事，这并非是我偷懒，而是涉及我的研究风格的一大转变——从偏方法到偏理论。现有的AI论文普遍以偏方法学为主，通过将一些规律、先验、知识等融入到方法设计中，然后通过实验验证的方式进行可行性说明，在我研究生阶段所开展的几个工作皆是如此。但是，偏方法学所设计出的算法虽然实验效果惊人，但其对内因的探索往往不够深入，无法自成体系，在一定程度上是不完备的，而这种不完备性每每让我所困扰，觉得自己的工作只是流于表面。抛开对顶会的追求（实际上这只是想显示自己并非那般愚笨，当然这个想法本身就很愚笨），自身对研究工作的完美主义追求使得自己不自觉地去下沉，去主动学习一些偏理论的知识，如概率模型、测度论、微分方程等，在有关这些内容纷至沓来的论文中构建属于自己的理解体系。所以，如果说自己在硕士阶段的科研是快的，那么博士初始阶段我在尽量让自己慢下来。其实快慢本身皆是各有利弊，现有的环境是要求快速产出的，快符合当前的科研“卷”的主题，追求快的同僚们未来的出路也大抵会很好，而慢则是纯粹个人选择，虽然这个过程中自己可能懈怠、无用的思考会多很多，但是那种洞悉始末的通透感、以及有机会欣赏大佬们所建立的理论体系的美感还是非常令人着迷的。所以目前的科研过程对于我来说，是挺享受的，准确来说，痛并快乐着，试图去理解、去创新是痛苦的，但理解的瞬间以及想到一个创新点又是快乐的，最重要的一点，我不会后悔自己的选择，无论未来的道路如何。当然，追求慢本身并无过错，但这并不意味着自己现在的科研方式就是很好的、无须改善的，我的一个主要毛病是闭门造车，常常将自己封闭起来一思考就是一整天，不与外界交流，这样时间的概念在我这里变得迟缓，思想遨游太虚的场景更是时有发生。但与外界构建联系是非常重要的，尤其是与自己导师的交流，导师可以很大程度上对我现有的进展以及前进方向提出非常有益的建议或者抛出问题，这在很大程度上可以避免我进行过多没意义的思考，进而帮助快速推进研究进度，尤其在自己的“完美主义”所导致我对工作各个细节的过度在意的情况下。第二个自己需要改进的点是理论和实验的权衡，实际上，我经常在狄拉克的“理论是完美的比符合实验预期的更重要” 以及罗素的诘问“事实是什么”之间踌躇不定，所设计的方法是理论上“优雅的”重要还是更能提升实验效果重要呢？在追求真理的过程中，尽管自己两者皆要，但实际上却是理论的优雅性悄然占据了更多的比重，我常常因为实验效果不那般如人意而心生气馁，为了得到好的实验结果往往要在方法实现上增加诸多“trick”， 每多加一条“trick”都使我对自己的实现厌恶一分，真是“世间安得双全法，不负如来不负卿”呀！终究还是自身的研究水平太过有限，离“一力破万法”那般武学的无上之境相距甚远。

• 自己的人生感受

对于快与慢的转变并不局限于科研上，慢已经成为了自己现在的一个生活态度，具体什么时候完成这种心态的转变，我不得而知，但现在的自己确实非常明确地知道所要走的道路以及自身的追求，对于珍视的和无须在意的有了很好的划分，所以在生活中也更为镇定且从容。如果说将人生的境界划分为“自我”、“非我”、“超我”三个境界，我在读大学期间大体完成了第一个阶段“自我”也即认识自己这一目标；而“非我”则对应着抛开自己，以一种客观的视角去看待万物，包括自然、人类、社会、道德、人文、经济乃至时间等诸多方面，见其演化至今之道路，见其演化至未来之趋势，这个阶段自己所积累尚浅，虽偶有些真知灼见，但大抵还是不知、不解的；至于第三个境界的“超我”则是一种圆融归一，将自己包含在自然、社会中，看待自己以及万物皆为和谐统一。这三层境界的划分在黑塞的《悉达多》中有所体现，主人公认知的演化大抵依据此规律，虽然可能并未有我这里这样明显的阶段界限。现在的自己虽在这三个阶段都有些许理解，却也存在两个很重要的问题，其一为自己在每个阶段的积累各不相同，主要是对第一个阶段积累多一些，多却也非圆满，我很久之前就定下了“认识自己是绝对零度，只可接近不可抵达”的观点，然后是对第二、三阶段积累很少，可能第三个阶段几乎就没有；其二为理解与自身达到还有一定的差距，也就是说虽然知道这个阶段要达成什么样的状态才得以圆满，但现在的自己还尚未达到。在写这篇年度总结之前的一段时间中，有一个场景一直在脑海来回播放，即在达摩祖师梯度前，他的师傅对他说：你的智慧之光忽隐忽现。或许这也就是对我现有状态的最佳写照：三个阶段交杂且不定。我无意出家，也不认为出家就能帮助找到自己的“道”，现在的自己更像是尘世闲游，我可以抽离出一个我，来观察在尘世中的自己一步步成长变化的旅程，未来到底自身能达到一个什么样的境界并不重要，而旅途本身，那种观察自身演化的过程独具趣味，所以这就是我的人生意义，很明显的是，我绝非精神的渴者。不得不说，描述精神世界是件很难的事情，而且讲出来的效果往往会大打折扣，令人难以理解，或许只有亲身去经历、去体会才能真正理解。

• 未来的道路

最后，有关未来的道路，实际上，我无意给未来指定一个清晰的方向，大体的框架还是有的，不管是自己的现实追求还是精神世界，但我会给自己留有一定的自由空间，让某些随机性事情或机会来改变它们或者填充他们，毕竟，我们生来都是一枚骰子，在一个个时间节点上掷了出来，进而迈向不同的人生，这种随机性以及偶然性才让人生充满乐趣。不过，上述提到的我在科研上的两个问题，自己还是要去改的，同时还要保持谦逊和好奇。

《无问西东》观后感

–爱你所爱，行你所行，听从你心，无问西东。

适逢自己在南京学习，这里看电影比徐州方便多了，偷闲来看看电影。《无问西东》最近才搬上荧幕，演员阵容有王力宏、章子怡、黄晓明等明星，但是吸引我的是听说里面有些文革的片段。对于这段历史，一直很想去探究，即便已经知道那段时间并不光彩，甚至让人绝望。怀揣这样的目的，虽然自己并不喜欢追新，还是选择去看这部电影。

影片围绕四个小故事展开，一段是吴岭澜（陈楚生）跟风学理，后又改文；一段是沈光耀（王力宏）在家庭和报国之间选择国家，最后去做飞行员；一段是陈鹏（黄晓明）、王敏佳（章子怡）以及李想三个学生对未来的抉择；最后一段是现代人张果果（张震）因陷入上司争斗而被辞退，自己依旧去帮助四胞胎一家。故事看似分散，却都有线索连接起来，陈楚生是沈光耀的老师，沈光耀在飞行时投下的粮食救了尚处襁褓的陈鹏，而李想去支边时牺牲自我救了张果果的父母。当然，这只是让故事不松散的手段，真正串在这四代人之间的是电影的主题：“爱你所爱，行你所行，听从你心，无问西东”。下文详细介绍。

陈楚生在文科极具天分，但他却选择了理科，理由竟然是厉害的同学都选择了理科。梅校长不忍他浪费才华，将他喊到办公室教导，这里老梅同志说的话非常好，刚听到时，自己并不能完全领会其中的意思。现在找出来，给大家看看。

后来陈楚生听了泰戈尔关于“真实”的演讲，以及自己完全停下一段时间完全用于思索自我，终于选择转文。这里，我是深有体会的，那个为文理之分而纠结，迫于校园环境选择理科的不就是我嘛！包括进入大学后，自己也是万分迷茫，大一基本用来思索未来以及定目标了，文学并没有被我放弃，只是作为了副业和爱好。渐渐的，自己真的走出了自己的路，不再困顿、愈发坚定。很喜欢某次演讲听到的一句话：“年轻的时候总是瞎着急，慢慢地才找到自己”。清晨的小院、余晖下的湖边、石柱耸立的励志园…都曾留下了自己思索的脚印，了解自己是绝对零度，只可接近，不可达到，但这份工作实是人生所必修，每人都不应省略的。

沈光耀的故事是最让我感动的，虽然第三个故事占据了主体。这里沈光耀在家庭和国家之间来回纠结，给家里写了封信要参军后，母亲亲临，使他立下誓言，读完回家。但是，见证了日军轰炸给国人带来的伤痛，他瞒着家里偷偷加入空军训练队。在训练返航时，他经常将积攒的食物空投给很多饱受饥饿之苦的孩子们。后来，遇到战争，将日机击落后，自己驾驶受创的飞机撞向敌军的军舰。沈母对光耀的爱被诠释地淋漓尽致，可怜天下父母亲，父母所望，不是我们功成名就，而是可以健康、快乐地生活。单单如此，光耀也没有满足，他选择了报效祖国。即便在校园里，光耀就十分优秀，进入训练队也是让教官侧目，他以身为标杆，诠释了能力越大，责任也就越大。作为时代的青年，更应做有抱负的事情。覆巢之下，焉有完卵，这种以国家、民族为先的大义，怎能不让人动容！光耀撞向敌舰时挂着的笑，以及沈母得知爱儿已去的痛，看的直教人心碎。

陈鹏、敏佳、李想是三个好朋友，某次探望以前的班主任，却看到师娘对其拳打脚踢。原来师娘以前资助师父上学，师父学完后就悔婚了，师娘以死相逼才结的婚。看不惯师娘作风的敏佳联合李想写了封匿名信投诉师娘，但是师娘凭着一丝线索找到了写信的他们，并闹上了二人工作的医院。结果敏佳被扣上了勾引男人的帽子，后又挖出欺骗群众等罪责。由于李想想去支边，就没有站出来揽责，嘲讽的是，在同一天开着李想的支边学习会以及敏佳的批斗会，“热情的”人民群众一波操作也是让人目瞪口呆。奄奄一息的敏佳被陈鹏带走，从此隐姓埋名，而陈鹏作为中国研制核武器的新青年被派往戈壁挥洒青春，待他返乡时，敏佳却已踏上找寻他的路途…这里虽是文革背景，但呈现的力度倒不大，最起码是不及《活着》和《霸王别姬》两部影片的，这里仅是是人性隐藏的恶的挖掘，即便在现代，这种情况也并不能算是耸人听闻，只是现代人将这种“吃人”的把戏转到了幕后，野蛮程度并不稍减。这里，陈鹏对敏佳的爱是那么坚定，无论美丑和世人的言论，或许这里也是点题之处吧。陈鹏如光耀那般，选择为国效力，最美好的青春奉献给了核武器，现在我们只知道两弹元勋邓稼先，但是那批最早投身于此的青年却淹没在历史之中，这岂不是很不公正？我们现在讲究个体，讲究自身美好的生活，可为什么不能带着这份心情去看别人的生活呢？他们也在燃烧青春，他们也同样精彩，也需要被歌颂。即便当代社会，逐利虽是主题，但也有少部分人做着平凡却有伟大的事，他们是这个时代的英雄，也是我辈的楷模。

最后所述李果果的故事发生在现代，男主是公司斗争的牺牲品，原先计划资助的四胞胎一家也因为公司项目的流产而被暂停，李果果自己来扛起这项责任，继续资助。由于对现代中国的企业斗争并不了解，所以在此略过分析。不过，对于张果果的选择还是大大地点个赞，希望这样的人越多越好吧！

影片由今到古，又由古至今，片段化的叙述这分散的故事。除了那微弱的或许可以说是强行粘连的线索，更主要的就是该片所要传达给观众的中心：不论世道多艰难，除随大流的芸芸众生之外，还有人在坚守本心洋溢的善和美，但求俯仰天地，无愧于心。电影中有很多细节都是紧扣中心，说实话，这个电影的信息量还是很大的，有许多可以深挖的地方，如大师的风范、家与国的权衡、自我的找寻…所以，一千个观众，就有一千个哈姆雷特，就观点上，我看到的与朋友所见就分歧很大，无所谓对错，当然，这也是电影的自由与魅力所在。整体看完，这部电影还是非常不错的，很对自己的口味，影片中主角的追求正是我所追求，看完也是满满的正能量。最后要说的是，无论周围人怎么样，我们要做好自己，听从本心，我们并不孤独，只是在人群中的比例少，仅此而已；我辈青年更应像一股清流注入社会，而不是被渐染，失去自我。愿我们可以活的更精彩、更洒脱！

City of star

繁星之城
City of star
你是否只愿意为我闪耀？
Are you shining just for me?
繁星之城
City of stars
目之所望知之甚少
There’s so much that I can’t see
谁曾知
Who knows
与你初次相拥我便预感
I felt it from the first embrace…… I shared with you
我们所追寻的梦
That now our dreams
一定不会无疾而终 
may finally come true

繁星之城
City of stars
众人寻觅的仅有一事
Just one thing everybody wants
穿越酒吧的涌动人潮
There in the bars
或是餐厅的雾气缭绕
or through the smokescreen of the crowded restaurants
这就是爱
It’s love
我们确信
Yes, all we’relookin’ for is love
来自那人的爱才是心之所向
from someone else
心跳一促
A rush
眼神一瞥
A glance
指尖一触
A touch
同舞一曲
A dance
那人双眸中的光芒
A look in somebody’s eyes
足以点燃夜空
to light up the skies
大千世界由此展开
To open the world and send it reeling
那个人说别担心有我在
A voice that says I’ll be here and you’ll be alright

我不在乎我是否知晓
I don’t care if I know
前路通向何方
Just where I will go
这疯狂的爱即是我唯一所求
Cause all that I need’s this crazy feeling
心脏砰砰跳的悸动
The rat-tat-taton my heart
希望爱能长久陪伴
Think I want it to stay
繁星之城
City of stars
你是否只愿意为我闪耀？
Are you shinnin’  just for me
繁星之城
City of stars
你从未如此地闪耀
You never shined… so brightly

官方翻译，看看自己能否重新翻译一下，原版的翻译还是很不错的，挺有味道，给这部《爱乐之城》的中文翻译点个赞！