Pinned Tweet
上周跟国内的学生meeting完,发现现在硕士生居然都有发表压力了,就写了个教程和案例包。
其实写paper,没有那么难。最大的问题是,很多导师不教、学校也不教;丢个教材就让学生哐哐练。但教的都是条条框框,还过时的东西。
希望这么多硕博都能开心、简单、顺利的毕业吧😁
其实从进入学术界的那天,PhD就是赌徒,他们在赌毕业那天的功成名就。在赌一轮博后以后的硕果累累,在赌进入教职的铁饭碗。
相比于“学者”二字,他们更像是一群放不下沉没成本的赌徒。
不要在机会稀少的地方等待机会,也不要在贫穷的地方找钱赚
1
5
376
难以想象21世纪了,学术界还盛行奴隶制。
导师被学校压榨,宁愿让老师多上课,也不愿多招人。涨薪是要靠罢工抗议的,但却比通胀慢。
PhD是被导师压榨的,研究、横向、上课……。闹个罢工,想升高津贴,还要被同为奴隶的导师指责。
所有人脑子里想的几乎就一件事,
我淋过的雨,别人也得淋。
与AI对话的时候想到一个idea;
AI的数据库经过坍缩和技术人员的清洗、调优后,它自身是附带着一定人格的。(基准人格)
每一个人与AI在长期对话后(如果你开启了记忆功能),不同人的AI会形成不同的人格;但此时的AI人格并非等同于使用者的人格,而是长期回应使用者的人格 —— 这种人格是在无数次对话中,经上下文压缩,从基准人格中诱导出来的。
这意味着,当数据库来自于公共网络时,基准人格几乎包含了所有的人格。因此每一种人格,也可以在此过程中被定向的诱导出来。
假设我们可以从基准人格中诱导出所有的人格,
客户最喜欢的客服人格可以被诱导出来,但不是由金牌金牌客服去训练;甚至不该由对话历史去训练。
在训练的过程中,使用者/语料库应该扮演的是客户,逐渐的从基准人格中,将金牌客服人格诱导出来。
其他领域的底层流程也大致如此。
但这意味着每次大模型的更新都将会是灾难性的打击 —— 每一次模型的更新,都需要重新诱导 —— 毕竟每一次模型数据的训练集不同和技术人员的主观清洗、调优 不同,都会使得基准模型不同。
而这也意味着,一个本地大模型和固定的数据集极其的重要 —— 这将决定你是否能够 拥有一个稳定的 AI 人格。
但部署一个可靠的本地大模型的成本是同样巨大的:设备、电力、算力、时间等等;
在整套流程、成本、风险尚未足够清晰之前,绝大多数公司、企业是无法承担它的
111
AI for Science ❌
AI for Academy ✅
AI for Publications ✅✅✅
I still don't buy the current AI for Science hype.
There's a reason frontier labs love mathematical breakthroughs. Math is the perfect PR benchmark: a century-old problem, a verifiable proof, and headlines declaring that AI has surpassed human intelligence.
Markets react. Narratives take off. The future suddenly feels inevitable.
But solving a well-defined problem is not the same as doing science.
Real science is about figuring out which questions matter, designing experiments, challenging assumptions, and discovering mechanisms we didn't even know to look for.
Math tests whether AI can reason within a formal system. Science tests whether it can discover something true about the physical world.
These are very different capabilities.
I'm optimistic about AI for Science in the long run. But I think we're still much further away than the headlines suggest.
We may be getting better at solving problems without getting equally better at discovering which problems are worth solving.
1
3
461
博士找工作,合同里的坑比论文创新点还多
博士毕业找工作,最该逐字读的是合同,大概有7个坑。
1.安家费:写着80万,到手打折
宣传的是税前,扣完个税先少一截。更坑的是说好一次付清,变成分期付,余款绑考核,一拖好几年。跟考核挂钩的安家费,本质就是押金。
2. 3年考核:规则能改
考核严还好说,最怕入职后改规则。谈的时候说“没过就少发”,签完变成“退还已发”,还可能解聘、转岗降薪。签之前问清楚:没达标,是停发余款,还是追回已发?
3. 服务期+违约金:想走走不起
服务期5年起步,8年很常见。违约金按剩余年限乘系数算,还要退购房补贴、人才津贴。干几年走人,亏几十万很正常。签之前算一笔账:你的积蓄够不够赔?
4. 学院方向单一:没你的位置
去官网翻翻骨干教师的论文。全院只有一个方向,你要么给团队打下手,要么自立门户,没资源也没话语权。这条边界,第一年就能感觉到。
5. 没有硕士点:带不了学生
刚入职没感觉。五六年后,跟有硕士点学校的同龄人一比,你没有招生资格,简历也矮一截。
6.“考核后入编”:画饼
岗编分离,考核达标再入编。实际情况是编制永远“在办理中”,考核标准还能往上调。没写进合同的编制,就当没有。
7.师资博士后:绕远路
说是过渡,实际是顶着博士后身份干讲师的活。出站还有“非升即走”。绕一大圈,风险一点没少,白搭进去好几年。
签字前,盯住三点:“原则上”;“考核合格后”;“特殊支持经费”
达不到怎么办?不给怎么办?解释权归谁?
回答不上来的,就是坑。
承认自己在科学上的无知是一种很好的品质——但逞强往往发生在导师身上,而非PhD学生身上。
一方面这种品质能够拉近学生和导师的关系,
另一方面也能更好的推进项目的进度和论述的深度。
而在探索未知道路的时候,学生或许能减少在导师固执上所浪费的时间。
6
479
新进入学术界的PhD在阅读文献的时候,应该尽量避开那些容易被AI完成,被AI产出的文章。
在非AI领域,有不少领域已经开始使用AI去进行meta 分析、global 研究、杂糅各种模型等等。
这一部分研究由于其新颖性,往往容易被发表在TOP期刊,但这类文章的统计学、理论严谨性也极其差劲。
看多了并无法得出什么有益的领域理解,反而会增加fomo情绪。并在一定程度上,让你产生错误的认知。
随着AI时代的推进,这一类的文章会越来越多,但这也意味着 新学生 获取有效信息的成本也会越来越高,尤其是在一个毫无基础的前提下
3
6
1,776
当下,如同教廷一般的学术界 正在扼杀颠覆式创新
每一个学者都想要自己开发的方法、理论,被后人持续的使用、引用;在每一个时代都成为 经典金方法。
而当正在使用经典方法的研究者,也会尽可能的去巩固它在某个学科的地位。
每当有学者提出、开发出新的理论or方法的时候,便会受到诸多阻碍。
即便是相同的作者,也很难打破人们 心中的执念;因为当一个理论or方法被发表的时候,它就不是你的了;它属于当下使用该方法最多的人,那些“狂热的信徒”
甚至没有人被允许去打破这个“神像”,除非有另一个“神像”被树立。才能被正常进行讨论其局限性、其缺点。
在审稿的时候,我们会发现 这些“狂热者”们,会以各种方式去阻碍新理念or方法的发表,例如,恶意的comment,忽视过去方法中的缺陷,批判新方法的限制性,要求新方法必须完美……
而当AI出现以后,它会放大领域中的各种行为。同质化的研究、流程化的分析、对新理论&方法的厌恶打压。
它并没有改变什么,只是让矛盾更加明显,假如过去 “被发表的颠覆式创新” 与 “经典研究”的比例是2:8; 那么往后大概只会剩下 1:9。
一方面是由于,AI的便利性帮助“狂热信徒”去维护他们的神像、他们的教廷;另一方面,对该领域一知半解的人,也会由于GEO的缘故(AI往往不会告诉你 什么是最新的方法和理论),也会将一个新理论or方法埋没,即便它更加的正确or接近真理。
而直到有一天,该领域的既有理论&方法,无法支撑该领域的不合理性;该领域才会逐渐慢下来。
如果整个学术界仍然想健康的发展,那么注重质量、接受批判、接受创新 将会是极其重要的。
教廷曾经在阻碍日心说的发展上做出了卓越的贡献,如今的学术界也必然会在阻碍领域的发展上做出卓越贡献。
3
334
“分析&测量的必要性”几乎是大多数PhD受训练过程中最容易缺失的一环。
一个分析 or 测量,其存在的根本原因只有:“我的研究真的需要它。” 而不是“别人这样做了,我也这么做”
冗余的分析&测量并不会改变你的结论,对进一步深入讨论也没有帮助。但却可能暴露更多你在该方面的不足。
2
4
488
我们在谈论PhD在学术界的处境的时候,我们也别忘了,刚进入大学的本科生也会受到影响。
本科生进入大学的时候是很兴奋的,对大多数课程和事物都很感兴趣;可以说是最朝气、最有希望的时候。
但是他们受到的课堂教育往往不是如此,在经历了几个学期的教学后。
我们发现:有较大部分的学生,在经过一学期的实践后,仍然不能掌握正确的设备使用方法。又或者他们往往对课堂教学内容不感兴趣。
有些学生觉得课堂内容无趣、不知道为什么要来学这个课程;有些学生甚至会询问“这个课程对他们的人生、未来的工作有什么意义”;对于有些工作来说,毕业生不得不经过再学习,才能达到招聘标准,但是学校的课程中并没有包括这些,因此当学生兴致勃勃进入求职市场的时候 不得不被泼冷水。
我想我们大部分的课程设计太过时了,它既不满足 企业的需求(甚至达不到及格线)、也不符合新时代学生的taste。
以至于公众会说,大学已死—— 诚实的说,现在的大学除了提供毕业证书,提供的教育确实不够格。
想改善我们的教育质量,我们或许可以从几个方面去入手:
与企业对接,去真正的教授工作中会用上的技能
与学生对接,去熟悉他们所流行的文化,调整授课方式和风格
预估市场和发展,调整课程结构和专业方向,使得学生毕业的时候刚好能迎合市场,而不是变成过气专业的毕业生。
当然这个问题确实很麻烦,但它大概会是大学存在最后的意义
学术界是如何压榨/PUA 刚毕业的PhD的呢?
你需要做几轮 Postdoc,以加深你在这个领域的理解,
你需要做些Postdoc,以学习不同课题组的思想
你需要做几轮 Postdoc,……
我在各个招聘会听过这些狗屁发言;当你去查发言人的履历,你会发现他从没做过Postdoc,他只是毕业在那个时代。
那么Postdoc究竟有什么用呢?它除了阻碍rookie candidate 进入学术界,并没有其他作用。
如果它真有那些被 描述的神乎其神的作用,那么应该 接受Postdoc培训的正是那些 不称职的导师。
Postdoc 只是 给了一部分 rookie candidate 苟延残喘的跳板是没错,但是它意味着不稳定和风险。在结束之后呢?他们依然是学术界的流浪汉,好听点,我们叫他们 旅居的人。
但是老家伙们,相信我,没有人会愿意一辈子漂泊无依,做着几年一换的工作伴随住址,然后还能产出极高质量的研究成果。没有人。
但不得不说,这是一个无解的命题。
从2016年 关于RNA和蛋白的综述开始,就意味着 RNA与蛋白的关联性极弱。
从DNA—RNA—蛋白质—蛋白功能;这里的每一层都是一个鸿沟。
更不用说,在生物学数据 造假的前提下。用这些数据去训练AI去做预测,本质上只是放大不稳定性和不可信度。
This is an important paper to read for tamping down some of the "AI will solve biology" enthusiasm.
The researchers pretrained 400 models on a corpus of 22.2 million cells and performed 6,400 evaluations. They found that current single-cell foundation-model approaches frequently plateaued at substantially smaller training sizes and did not exhibit clear data scaling laws analogous to language models. Importantly, this suggests that simply collecting more of the same kind of single-cell data is not necessarily the solution. Better coverage of biological states, conditions, perturbations and relevant endpoints may matter more.
One of the key things to realize about biology is how emergent and heterogeneous it is, which means that simply gathering more data at one level is insufficient for developing foundation models, designing better drugs etc. We need *relevant* data at scale for many different levels and interactions, including single gene, multi-gene, gene-protein, protein-protein, cell-cell etc. A lot of this data - for instance spatial cell-cell data -is not easy to acquire at large scale, and we have just started to do it. And even when we have that, the reasoning models will have to figure out which one of these data types is most suitable for a particular problem.
I see a lot of progress using AI for data analysis and gathering in biology in the future, but it's critical to recognize how the data problem for AI in biology is fundamentally different from the data problem in areas like image and text analysis (which is hard to begin with).
nature.com/articles/s41592-0…
135
这也是为什么,我们不建议把会议安排到下午,尤其是某些可能对一些人造成压力的会议。
这会导致人们在某种程度上更加焦虑,从而选择去做些零碎的事情,因此完成更少的工作。并且也更加不愿意去开展较长的任务,即便剩余时间仍然充足。
researchgate.net/publication…
虽然我们常常讨论AI对学术界造成的影响和破坏。
但与AI对话也缓解了许多PhD的焦虑:
那些在深夜与AI的深入交流
一个无时不刻能回复你的“导师”
能给你提供一点意见,以缓解你焦虑的“友善同行”
在你选择焦虑、踌躇不前时给你方向
虽然有时候不靠谱,但是它在某些方面确实帮助了不少人
PhD的毕业答辩是一个常常被忽视,但却常常充满不公平和aggressive的地方。
虽然我们常教育PhD学生 不要在 毕业答辩中 aggressive;但我们从没教育 考官 不要aggressive。
大多数的考官和学生,不会二次见面。而碍于毕业在即,也几乎不会有学生去举报这些事情。
但我不止一次看到 考官在这个过程中做出极其荒谬的行为。
我想在这个过程中,我们是来评估 某个PhD的研究 是否具备严谨、客观、批判性、科学性。
而不是让 考官 来彰显他们比学生知道的更多 更厉害 更深入(当然,往往 只是彰显了他们更无知,但是碍于这是个PhD 毕业答辩,没人会戳破这个事实)
有些 rookie candidate 刚毕业没几年,非常想彰显自己的能力,这我非常理解;但是在PhD 的毕业答辩上彰显 你的能力是怎么回事?
每一个人 对于 某个问题 的答案 和 回答的逻辑必然是不同的,我想在我们成为进入大学的第一天开始,全方位的思考、包容性 是必修课吧? 如果你 不能 接受 学生的回答与你预期的不同,但一样具备科学性和逻辑; 那么我觉得你有必要重新学习 再次取得你的本科学位
此外,你也不该为了 让 PhD学生吃瘪,而提出一下毫无逻辑性的问题、抑或是结论;甚至本科生都明白是荒谬的结论,你怎么说得出口的? 如果不是PhD的毕业答辩,我真要骂你了。
如果有幸,我们允许PhD答辩被录音并被公开,那么我们将会轻易的认识到 有些教授 教职人员 的 科学素养 是有多么的不堪。
当然,再一次,这个时代的教育者 真的配不上 这个时代的学生。










