中国人民大学赵鑫：AI 科研入坑指南

2020 年 11 月 30 日 AI科技评论

AI科技评论 & 智源社区

作者 | 蒋宝尚

11月1日上午，在第十九届中国计算语言学大会（CCL2020）上，中国人民大学教师赵鑫作了题为《早期科研的入门》的主题报告，从科研是什么、如何做科研、日常内功如何修炼、深度学习入门、从“零”起步等五个部分给科研小白提供了一份“入坑”指南。

在报告中，赵鑫提供了许多行之有效的方法，例如“当然你锁定某一个方向之后，要确保在这个方向上最近5年的论文都找到并做成列表，” 以及“读论文的时候要阅读源代码，否则论文不一定能看懂。还可以从感兴趣的研究领域去入手，当你的研究已经有一些起色的时候，建议关注非常顶级的研究机构的工作。 ”

以下是演讲全文，AI科技评论做了不改变原文的整理。

这次的报告题目是《早期科研的入门》，主要面向本科生以及研一的同学。整体内容分为五个部分，先抽象概括科研是什么；然后介绍科研的一般步骤；重点谈谈如何进行日常学习；再简略介绍一下深度学习如何入门；最后是从“零”起步，也就是如何打好基础。

1

科研是提出问题、解决问题

在回答“科研是什么”这一问题时，大多数人对科研的定义都会涉及：创新、系统、知识等概念，看起来比较泛化。

本科生普遍将科研归纳为：做竞赛、写论文、做大作业等等；而我对科研的理解是：能在特定领域发现并解决问题的过程，因此科研不一定受限于发表论文，因此参加数据科学竞赛本身、学习之前未知的理论也是一种科研的过程。

以自然语言处理为例，上图展示了研究人员在此领域一直在关心什么。从技术主线的角度来观察，在早期的时候，人们用规则的方法进行分词、句法研究，科研问题在于如何发现规则。

随后，出现了以统计方法为主的技术，一些语言模型也开始出现，这时候的科研问题在于如何标注语料，减少数据稀疏。

后来机器学习变得流行，如何提取特征变成考虑的重点。如今，深度学习成为了主要的技术，这时核心问题就变成：如何用大规模语料训练神经网络，主要考虑词表示架构设计、有效的知识融合以及有效的训练方式。

通过梳理技术路线可以发现，对于自然语言处理而言，大部分的科研工作都是以技术主线为驱动。这给我们的启示是：科研需要关注底层技术。

2

如何做科研：多尝试，不灰心

科研除了把握住技术主线，还需要注意如何定义设计问题，也即如何选方向和选题。这非常困难，不仅本科生，有时候一些博士生也会头疼。解决这个问题没有捷径可走，需要对领域有非常深刻的积累，如此才能灵活把握选题方向。

下面介绍对初学者有一定作用的两个方法： 1、关注顶级研究员，follow并研究他们“深思熟虑”的研究方向；2、对于技术熟练的初学者，可以从技术出发，观察模型在数据集上的效果，然后分析它的不足之处。

对于选题，一个原则是和顶级会议“零同步”。当顶级会议公布数据之后，初学者要花费一到两天把所有的标题过一遍。顶级会议是研究的风向标，通过分析顶级会议，可以明确当前的研究热点。

确定题目之后，接下来如何找参考文献？对于英文水平欠缺的初学者，建议从中文综述入手找到合适的英文论文进行阅读。

另外一个方式是，借助知乎等平台找到相关的英文论文，然后用谷歌学术判断论文的权威性，毕竟现在的英文论文的数量产出也是惊人的。

对于初学者来说，一开始读不懂文献很正常，建议借助一些自媒体平台，找到有中文的论文概要。自媒体非常发达，一般把想要看的英文论文题目“丢”到搜索引擎里，70%~80%的概率能够搜索到中文的介绍。换个角度想，如果找不到中文介绍，那么这篇论文大概率关注度不高。

此外，还要不断积累领域单词，这是领域积累的最基本要求。在读论文的时候，我建议找到前继论文，包括引用论文，仔细筛选，保留最小的核心阅读集合，争取一开始把小集合的论文快速阅读完毕。

对于初学者来说，最重要的一点是：必须能够针对具体问题建立模型。那么如何建立模型呢？或者如何学习模型？建议初学者从工具去入手，熟悉模型的输入输出。也可以形式化观察输入输出并进行描述。当熟悉数据之后，再慢慢了解背后的数学原理。

其实，建立模型绝大部分是进行偏增量性的工作，即如何改进模型，从而更好解决实际问题。

从长远来看，还是需要掌握一套硬功夫，这里的硬功夫指的是非常熟悉模型，不用熟悉所有的数学原理，但是需要熟悉至少一类模型。

设计实验具有固定的步骤，会涉及到数据集的划分、评测指标的制定、对比方法的选取。当实验效果不好的时候，要分析为什么不好，思考有哪些现象可以总结，以及模型是否适用。

如何写论文呢？对于初学者来说，写英文文章需要基本语法过关。可能你很长时间没用英文写东西，语法水平还不如高中。

第二点，用词要准确。很多时候问题可能不是出在语法，而是用词错误。因此一定要把高频词汇、常用词以及通用词收集起来，然后进行系统的语法学习。一般来说，最多花费两天就能达到高中水平。

第三点，确保论文逻辑清楚，这点尤为重要。要写清楚先讲清楚，不要出现逻輯的突然转折、不清楚等问题。在写作的过程中可以复用一些积攒的句子，形成一些固定的句式，减少重复写作。

3

日常内功修炼：成体系、多精读

关于读论文，前面也提到要关注自媒体，锁定几个目标会议期刊，有更新第一时间读一下感兴趣的论文摘要。也要分清楚精读和粗读论文，一般来说，研究生每周要精读3~5篇相关的论文。如何算是精读过一篇论文呢？上图展示了几个指标：

记住作者的名字
记住题目
能够很容易地说出这篇论文的毛病
能够很容易说出这篇工作的贡献
能够很容易说岀和这篇论文很类似的若干篇论文
能够很容易说出这篇论文的技术细节
能够很容易说出这篇论文的实验细节
能够想到这篇论文在自己的研究题目下该如何应用

除了上面几点之外，大家还要有自己的判断。题目和作者的名字是最基础的，这和前面提到的“由人找论文”形成呼应。

如果看论文找不到毛病，或者感觉这篇论文满篇都没有问题，这就说明阅读论文的深度不太够，因此要带着批判的眼光看论文。

关于实验细节和技术细节，盲目深入可能对你的研究没有特别大的帮助。有些论文的质量并不高，只要知道这篇论文对你接下来的研究题目有何帮助就可以了，其他的部分可能对你的收益并不大。

学习机器学习，是本领域研究者学习硬功夫的过程。我个人总结了以上方法，首先要系统地学习一本机器学习书籍，当遇到困难的时候，唯一的解决方法是要天天看，天天想，天天推导公式，多用搜索引擎。检验是否掌握的唯一标准是：是否能用代码实现。

此外，还要积极参与学术报告或者预习讲者之前发表过的论文，当场提问。因为现场交流能够帮助你深入理解，解决闭塞。

建议大家熟练掌握一门编程语言，或者一个框架。对于一般难度的模型，三天之内能够基本完成。抛开数据处理，如果需要很长时间写一个并不复杂的模型，那么这意味着你的代码能力可能需要极大的加强。

初学者在初级阶段不要“乱写”。代码要有规范，养成自己的代码风格，做到能够复用，写一个功能争取能够“复制拷贝”。

建议没怎么写过代码的同学，一定要找到成熟的工具包或者代码库入手，这样能省去很多绕弯路的环节。

科研人员对于数据一定要非常敏感。数据对科研人员来说，是和应用最直接的沟通，如果不了解真实数据中存在的问题，还进行研究的话，相当于在空想模型。

建议同学如果没有感觉，就用一个方法去运行一个数据集，根据输出结果看问题，总结规律，磨炼自己成为真正对数据极度敏感的人：看到一个数据集，就能想到相关方法，从而预估正确效果。换句话说，了解数据的大概和分布之后，能够迅速在脑袋中找到相对的模型进行处理。

总结一下，怎么样才算是一名合格的硕士生：

1、首先要熟练掌握一门编程语言，能够在较短时间内实现一个基础模型的开发；

2、熟悉基本的机器学习基础，可以在白板上推导公式；

3、能够快速解决本领域的之前自己未做过的任务：容易上手自己之前未做过的任务，保持开放心态；

4、能够独立发表一篇相关论文：研究生的精髓贵在“独立科研”，如果能做到独立，那么研究生2~3年的时间没有白费；

5、最后，能够带领低年级同学做科研：带领别人做科研是自己能力强悍的综合体现。

在最后一个阶段，需要帮助一名初学者提升数学基础，提升代码能力，然后解决一些问题，“帮助”他写出一篇论文。如果能够做到，说明你的能力已经很强了。

上面的标准虽然有点高，但却是我们努力向往的目标。

当前在人工智能领域，深度学习为主流。建议大家在学习深度学习的时候，一定要系统地去上一门公开课，精髓在“系统”二字。不能今天学习这门课，明天学习那门课，一定从一而终。另外，推荐大家阅读一些技术帖子、模型解析文章，多使用一个开源的软件框架。国外网站也有很多文章很有深度，细读之后，会发现里面的内容非常有“弹性”。