关于人工智能:什么样的科研是顶尖的科研

2次阅读

共计 2726 个字符，预计需要花费 7 分钟才能阅读完成。

“什么样的科研是顶尖的科研？”——我想这是 每个有科研品尝的科研工作者 都该扪心自问，或起码应该无意识去思考的一个问题。

起源：https://www.zhihu.com/question/20258360

私认为：

大道至简的科研工作是顶尖的 。能用极简的形式发现和揭示事物运行的法则，无疑顶尖。布鞋院士李小文曾说过，“ 迷信自身就应该谋求简略性准则，任何事件都是越简略越好。”拿自己比拟相熟的人工智能畛域中计算机视觉和机器学习方向的科研为例，Leslie Valiant 的 PAC learnable 学习实践堪称简略直观，但老爷子照样借此取得 2010 年图灵奖；David Lowe 的部分特征描述子 SIFT 也是大道至简的榜样。SIFT 自身计算简略、运行高效、鲁棒性佳，可很好形容图像个性，在深度学习改朝换代前统治了计算机视觉 10 余年之久。到明天，发表 SIFT 的论文被引超 41000 次。另一例是 spatial pyramid（图像金字塔），思维正当且直观，可大幅提高图像识别准确率，特地是其思维还和起初的深度学习联合碰出火花，即 Kaiming 的[1406.4729] Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 如此“精神陨灭，灵魂犹在”的工作岂不是顶尖？
引领方向的科研工作是顶尖的 。一项工作足以“ 指点江山、创始天地”，无疑顶尖。有时一项工作发现了一个值得解决的问题或昭示了些值得进一步深入研究的景象，必然完虐为科研而科研的微翻新，这种引领方向的科研就像发现了一座未开发的金矿，金矿关上（工作发表）的当天便引得众人络绎不绝。这其中就包含燃起深度学习新一轮热火的 G. E. Hinton 等人的一系列工作，这一波热潮不仅体现在学术界钻研的凋敝，它更引发相干技术产生了微小的事实影响力和商业价值。再如 Generative adversarial networks，在大家对无监督深度学习束手无策艰巨前行时，GAN 大笔一挥，画出了一条可能的“天堑”。起初，依靠 GAN 的利用简直每天都新陈代谢，花样百出。如此“一石激起千层浪”的工作岂不是顶尖？
填补空白的科研工作是顶尖的 。发现了前人未发现之重要法则，无疑顶尖。需强调，并不是所有填补空白的科研都是好工作，有的工作毫无意义，无人问津，如此这般的“填补空白”天然也便失去了荣耀。称得上“顶尖”，必然是填补了重要发现。如视觉三大顶会之一 ECCV 2014 的最佳论文提名[1311.2901] Visualizing and Understanding Convolutional Networks。当众人沉迷在用深度模型疯狂刷新各项 CV 工作分数新高的时候，该文作者通过对 CNN 无效的可视化，肯定水平解释了 CNN 的工作机理，为今后深度模型的应用、设计和倒退奠定了坚实基础，值得一提的是，文中的一些发现现今曾经成为深度学习中的常识被本畛域人熟识。
好了～上面谈了那么多，我更想说，并不是每个科研路线上的人都能做出能入“方家法眼”的扛鼎之作，其实只有能做到有愧我心、尽力而为的自我极致，这，就该算是某种程度的“顶尖”了 :-)
不过，真要做出顶尖科研又岂非久而久之：大道至简诚然丑陋，但需厚积薄发；引领方向诚然豪放，但需坚持不懈；填补空白诚然过瘾，但需敏锐洞察 。最初谨以临川学生《游褒禅山记》中的一句与诸君共勉：
“ 而世之奇伟、瑰怪，十分之观，常在于险远，而人之所罕至焉，故非有志者不能至也。”

问问本人的心田，做科研的目标是什么？不为名，不为利，只为可能在将来（这个将来可能是十年，可能是五十年，可能是一百年）造福人类，基于这个前提才有可能做出顶级的科研。这是必要条件。国内有很多学者，包含国外的，都是为了灌水，即便是 nature，science 也不例外。自己从事的通信行业，当今世上我只发现一位这样的人，就是 UC bekely 的 David Tse。他在一个方向只发一篇文章，从来不多发，只解决基本问题和关键问题，剩下的遗留问题给其他人解决。这种人，他不仅给前人提供了方向，养活了很多科研工作者，更多的是提供了新的思路。这种人，他的顶级，基本毋庸置疑。我总结就是：开辟新的路，让更多的人进入。

相同，大部分科研工作者都是，迫于文章压力或者职称压力，在一个方向上使劲的发文章，或者用一个实践，使劲地在不同的畛域发文章。这种人，也是很厉害的人物。能够说，这种人很大水平是靠怠惰堆积起来的。这种人我总结就是：走本人的路，让他人无路可走。

在我看来，第二类人最多算是牛人，不能算是顶级的科研人才。顶级的人，不单单是有很好的科研能力，还肯定是可能帮忙其他人以及整个行业的人成长。如果一个行业，只有那么一个团队在玩，这个行业是不可能集大成的。

像数学上有很多猜测，为什么那些猜测如此重要，不单是因为它们难，更多的是一旦解决它，就能够立马延长到其余很多行业，这就是顶级科研，一旦你解决一个问题，解决一个点，这个点就如同原子弹一样会迅速爆炸，影响全世界。

好的科研工作要提供足够的科研增益，给这个畛域的相干人员带来认知上的扭转！依据某项科研工作前后带来的认知差别大小，能够分类如下：

顶级科研 开宗立派或者冲破天花板；
卓越科研 革故鼎新，提出畛域内的外围问题和根本方法论；
优良科研 在现有办法上做出较大幅度的改良；
一般科研 修修补补；

已建设深度学习公众号——FightingCV，关注于最新论文解读、基础知识坚固、学术科研交换，欢送大家关注！！！

举荐退出 FightingCV交换群，每日会发送论文解析、算法和代码的干货分享，进行学术交流，加群请增加小助手 wx：FightngCV666，备注： 地区 - 学校（公司）- 名称

面向小白的顶会论文外围代码库：https://github.com/xmu-xiaoma666/External-Attention-pytorch

面向科研小白的 YOLO 指标检测库：https://github.com/iscyy/yoloair

面向小白的顶刊顶会的论文解析：https://github.com/xmu-xiaoma666/FightingCV-Paper-Reading

为感激各位老粉和新粉的反对，FightingCV 公众号 将在 9 月 10 日包邮送出 4 本 《深度学习与指标检测：工具、原理与算法》 来帮忙大家学习，赠书对象为当日浏览榜和分享榜前两名。想要参加赠书流动的敌人，请增加小助手微信FightngCV666（备注“城市 - 方向 -ID”），不便分割取得邮寄地址。

本文由 mdnice 多平台公布

正文完