研究生规划

魔法师LQ

我的研究生规划

时间线

2021.9~2025.6 博士,ABC方向

2018.9~2021.7 硕士,自动化控制工程

2014, 9~2018.6 本科,电子信息科学与技术

预计30±1岁博士毕业。

一些思考

什么是博士呢?百度百科的定义:“博士是标志一个人具备出原创成果的能力或学力的学位,是目前最高级别的学位。 ”。这种说法指明博士是一种学位。

该不该读博士呢?很多人说读博不划算:时间成本高,一般都要个4~5年,读完差不多30了,“读书都读老了”,到时候自己的同学、周边的同龄人都事业有成,娶妻生子了,有的都创业当老板身价如何如何,而自己还在那拿着微薄的补贴给BOSS打工,养不活自己,心理落差很大;不好毕业,一般都要求有发论文的要求,少则一两篇,多多益善,还有各种硬指标,是否SCI,影响因子多少,第几区,第几作者,等等;就业方向窄,要么去执教,要么只能去一些研究所;精神和生活压力大,很多博士都有精神问题,万一碰到个“变态”的BOSS更是糟糕;……

上面就是社会对于博士还有读博士的普遍看法,总的来说就是时间长,风险高,难度大。

从国家国际大的环境来讲,目前国内本科生,硕士研究生都扩招特别是专业硕士人数和比例,而博士生对应指数并没有上升甚至有些下降,很明显的就是目前需要更多的人去就业,就业的目的从国家层面上来讲,显然是为了拉动经济的增长。原因不言自明,那就是国家经济增长遇到了阻碍或者是瓶颈,产业结构需要进行调整,需要更多的劳动力产生或者进入相对更高效能的行业或者岗位进行生产活动,同时需要更多的人创新创业,增加经济的新增长点,这在我听到的很多专家讲座口中也有表露。

结构调整的纲领应该就是“中国制造2025”,顺便扯一下,有人说德国的工业4.0是本末倒置,应该是一个行业发展到一定阶段区别于过去后形成体系和标准后成为某某标准几点几,而不是发展迎合某某标准,从技术层面讲的确不无道理,关于“中国制造2025”,我没有仔细研究过,初步感觉肯定是要比德国工业4.0什么的要高瞻远瞩得多,总体就是摆脱目前中国制造处于价值链低端的现状,大力提升信息化,智能化水平,使用“机器换人”、“互联网+”原来产业的方式来提升制造业生产水平,从而带动经济发展。改革开放到如今四十年劳动密集型地发展,中国差不多抢占了全世界低端制造的相当多的市场份额(本质还是牺牲了广大农民的利益),现在想在高端制造上也全面超越,这显然是断人财路不给别人留活路的做法,美国日本欧洲等国家不满和种种反制措施就是为了应对中国的全产业链全方位的替代(人怕被替代,国家同样怕)。只有有空再写我关于贸易战,全球竞争格局的思考。

按照高层构想,假如读博,正常毕业,恰好到2025,正好是中国从制造强国走向制造强国中等水平的关键过渡(台湾可能已经回归了),到时候拥有大学学历和以上的劳动力会超过半数,很显然从平均水平上看一个本科生硕士研究生的学历是不够的。

以人生的跨度来看,能够写进人生履历中的关键节点并不多,而博士毫无疑问是值得写进去的。有的人读博士(硕)是为了增加自己的竞争力,有平台上的,有能力训练方面的,学位文凭是基本的衡量标准,获得文凭客观上讲就达到劳动力商场中部分岗位的准入门槛,从而和有更大基数的劳动力人群区分开来。而有的人读博是为了推迟选择,通常是家庭、生活环境比较稳定,不太愿意这么早进入社会同他人竞争。还有是为了科学发现,追求真理。通常来说读博(硕)的原因不会只有上述的一个或者几个,我个人读博的意愿除了上面的几点,还有就是博士学位客观上讲也成为了一种职业准入门槛,所谓门槛就是最低标准,只有达到这个准入门槛才能进入某些行业从事一些特定的工作,比如科研岗位,大学教师岗位。从这一点来看,读博士是必要条件而不是充分条件。

自我剖析一下,其实我感觉自己并不是那种很擅长和很多人竞争的人,虽然不知不觉已经来到了所谓的象牙塔的塔顶,但大多数时候我是靠遵循自己的内心的感受和逻辑来行事的,虽然说在一些事情上竞争过了别人,但是我总是发现自己很难成为the best,比如学习成绩上不是top 1%,科研实践有但是很少是no.1 或者一等奖,总的来说就是全面发展比一般水平高但是距离顶尖水平相去甚远,总的来说就是没有自己的特色和核心竞争力。其次有比较强的个人观念不喜欢服从权威,连我自己都发现了,我比较有质疑和批判精神,这是一把双刃剑,有时候伤及他人的同时会伤及自身(现在的我正在着力改正,遇事不急于评判和下结论,而是先兼容并包,了解权威之内在逻辑和理论,而后据理力争或者吸收为自己的东西)。于此同时,我对于拥有很多财富成为创业英雄虽说有些羡慕,但隐约觉得这并非是我的人生追求(虽然这是目前的时代背景很鼓励和倡导的,也有由抱负的同学甚至找我创业),而更倾向于追求个人的声望名誉和较高的社会地位,“文章千古事,得失寸心知”。所以,以我目前这种实力状态加上性格,若打算进入产业界,刨开最优秀的那批人,能不能和诸多“逆木桶原理”有个人核心特色的人竞争都是有困难的。另外在职场中发展,难免需要处理各种人事争端,不服从权威或者过多质疑上级的决策难免在某些方面处于“吃亏”甚至“危险”的境地,而摸爬滚打拼命挣钱我不是做不到而是觉得我还有更大的人生抱负和理想。因此进入学界从事研究工作比较符合我的个性。

至于时间成本,人的年龄肯定是不断增长的,不读博到时候也是30岁,读博也是30岁,趁着年轻学习更多的知识毫无疑问是有意义的。但是基本的,到了这个年龄,经济上需要独立,需要能够养活自己甚至是新的家人,所以靠花家里的钱来读博肯定是不行。

所以无论从大的国家的市场的环境,还是小的我个人的价值倾向和追求,我都想进一步深造即读博。

确定了这一目标,还需要将其设置得更加具体才行。比如去哪里读?读什么样的博士?如何才能实现?

有感于国内的评价体系优惠政策对本土的博士不是很友好(主要是博士期间和之后的待遇),加之国内的科研环境(主要指学术风气)和(相传的但没有真实感受过的)世界先进水平还有一定差距,且目前我硕士研究生的平台已经相对很高了,所以综合来看,去国/境外读博士是很自然的选择。

由于不想离家太远也考虑了家人的看法,虽然说北美毫无疑问还是当今的科研重地,同时北美的博士学位比较“硬核”且被认可,但在科研条件差别不大的前提下,基于地理空间的偏好,香港>新加坡>北美>欧洲。同时对于博士生,导师的选择偏好应该高于对于学校的选择偏好,因此至于目标学校具体哪里先且至此。

读什么方向的博士?最理想的是和研究生方向一致的,要有传承性,这样才能在一个领域深钻,才能聚沙成塔,水到渠成,取得成果。所谓“取法其上得乎其下,取法其中得乎其下”,从事热点研究毫无疑问就是“上策”,其一是证明应用前景比较广泛,需要大量的人来研究;其二,“大力出奇迹”,研究的人多了,同行之间更容易相互讨论借鉴,相对比较容易达到毕业要求和出成果。总体方向应该是“智能”和“数据”。

何为智能?阿兰·图灵提出的图灵测试已经突破了,这种评判智能的标准显然不合时宜,但他还说过实现智能的途径有两种,一种是让机器来从事具有高度智能的活动比如下棋,另外一种则是让机器来模拟人的感官比如拥有视觉听觉等,他认为这两种方式都是可行的。这两种方式都是“行为主义的,反对”行为主义“的智能的例子有著名的”中文房间“思想实验,但目前甚至很远的将来应该都几乎不可能实现除此之外的“智能”,因为那样意味着人类彻底弄懂了思维的本质,大脑的运作机理,那时候大脑的每一步活动不光能被检测,还能被重建,思维不仅知道如何发生,还能被转移和修改,这也就意味着可以制造出真正知道自己在做什么的智能机器,也就是强人工智能(虽然没人会愿意制造强人工智能,强人工智能根本上也不是发展人工智能的目的,你想发明一个主子来奴役甚至消灭自己,没有正常人会这样做),那时同样也会有方法来修改机器之思维使之不具备这种智能。以上论题实际上细究起来已经是哲学的范畴了,而且看似有可能,实际上无论从科学还是技术上都几乎不可能实现,也没有必要去实现。

当一个时代中相当多的精英,最聪明的那部分人投入到某项领域和产业中去,表明这个领域的时代正在开启,比如前三次工业革命,文艺复兴,新中国革命和建设等(不否定社会中最广大人民的作用)。而目前来说,即使不能说是“AI时代”,也可以说是“全民热炒AI的时代”。

那么在AI时代,真正需要的是什么?在我看来,需要解决原来解决不了或者效率不高的问题,特别是抽象的很难定义的问题,总体就是模仿人类的行为处理一些任务,比如区分物体,总结经验,对外界刺激做出反应等。人的感官有视觉,听觉,嗅觉,触觉和意识,其中视觉是获取信息的主要来源。信息的主要形式有图像信息,文本信息,生物信息(声信号,电信号,嗅觉信号等所传递的信息),物理信息等,信息的来源虽然多重多样,但就计算机而言,都是“数”。对应于AI的领域,视觉有计算机视觉,就处理对象不同,有图像处理和流媒体处理;对于声音和文本,有音频处理,自然语言处理;此外还有机器人等非常多的研究应用领域,如机器翻译,机器写作和阅读理解,机器绘画,机器奏乐等不一而足。研究人员的精力是有限的也是宝贵的,不可能同时开展这么多方向的研究,所以我选择了方向为“生物大数据、医疗大数据的智能挖掘与分析”的导师,这应该是前沿和未来的趋势之一。

人工智能,机器学习,数据挖掘,模式识别,大数据,深度学习之间的关系需要理清楚:

总的来说,AI>ML>DL,使用机器学习的方法对(大)数据进行分析获取有价值的知识叫做数据挖掘,而模式识别则是图灵所说的让机器做看似“智能”的事情,原先作为机器学习的代名词,作为术语来说很过时了,深度学习是机器学习方法中的一种,特点就是使用深层次的人工神经网络来学习表示。机器学习是基础,是实现人工智能的方式之一,模式识别和数据挖掘都要使用到机器学习的方法对数据进行分析。

所以最基础的机器学习必须要学好,而人类获取信息的主要来源是视觉,要提升自己的竞争力,具有自己的研究特色,毫无疑问得专注于计算机视觉方向,具体来讲有图像处理,卷积神经网络

体育锻炼

争取每天10000步,或者跑步三公里。

锻炼的时间选择能够长期持续的时间,比如晚上。

课程学习

  • GPA:尽量高

所以就需要有超前学习的意识,每次比站在自己旁边的人先行一步,或者向站在自己前面一点的人学习。

语言

外语学习至关重要,是能否实现目标的必由之路。能考过硬性考试尽量早准备,高强度训练,从听说读写四个方面入手,听力材料可以作为口语的训练材料,同时也可用以训练写作和阅读。

英语

  • 指标

    • 托福100
    • 雅思7.0
  • 听力

  • 口语

  • 写作

  • 阅读

专业技能

专业技能的养成需要多实践多动手,在学习专业知识的同时可以边学边练习这样比较有利于知识的吸收和理解。

  • 编程语言
    • Java(Scalar):精通
      • Hadoop
      • Spark
    • Python:精通
      • TensorFlow/Keras/PyTorch:熟练
    • C/C++:熟练
  • 算法和数据结构
  • 操作系统
    • Linux:精通
  • 数据库
    • MySQL:精通
  • 版本管理
    • Git/Github:熟练

出版物

必须大量地阅读论文,每天至少抽出1小时。

论文:2篇即以上

  • 会议文章
  • 论文

项目实践

尽量多参加,多实践,熟能生巧。

  • 企业实践
  • 工程实践

  • Kaggle数据挖掘

  • 天池大数据

社会活动

尽量参与,并做到优秀。

  • 义工/志愿者
  • 社团组织