|
11 研究方法论
[本部分内容比较少，尚不完善，请添加]
研究方法学定义了什么是科研活动，如何开展研究，如何衡量研究的进展，以及什么叫做成功。AI的研究方法学是个大杂烩。不同的方法论定义了不同的研究学派。方法是工具。使用即可，不要让他们来使用你。不要把自己陷于口号之中：“AI研究需要牢靠的基础”，“哲学家只会高谈阔论，人工智能则需要拼搏”，“在问为什么之前，先搞清楚计算的是什么”。实际上，要在人工智能领域取得成功，你必须擅长各种技术方法，还必须具备怀疑的态度。例如，你必须能够证明定理，同时你还必须思考该定理是否说明了什么。很多优秀的AI篇章都是巧妙地在几种方法论中取得平衡。例如，你必须选择一条在太多理论（可能与任何实际问题都无关）和繁琐的实现（把实际的解决方法表达得语无伦次）之间的最佳路线。你经常会面临区分“干净”和“肮脏”的研究决策。你应该花时间将问题在某种程度上形式化吗？还是保持问题的原始状态，此时虽然结构不良但更接近实际？采用前一种方法（如果可行的话）会得到清晰确定的结果，但这一过程往往是繁琐的，或者至少不会直接解决问题。后者则有陷入各种处理的漩涡之中的危险。任何工作，任何人，必须作出明智的平衡。
有些工作象科学。你观察人们是怎样学习算术的，大脑是如何工作的，袋鼠是如何跳的，然后搞清楚原理，形成可检验的理论。有些工作象工程：努力创建一个更好的问题解决器或者算法。有些工作象数学：跟形式化打交道，要理解属性，给出证明。有些工作是实例驱动的，目标是解释特定的现象。最好的工作是以上几种的结合。
方法具有社会性，看看别人是如何攻克类似难题的，向别人请教他们是如何处理某种特殊情况的。
12 情感因素
研究是艰苦的工作，很容易对之失去兴趣。一个令人尴尬的事实是在本实验室读博的学生只有很少比例最后获得学位。有些人离开是因为可以在产业界赚到更多的钱，或者由于个人的原因；最主要的原因则是由于论文。本节的目标是解释这种情况发生的原因，并给出一些有益的建议。
有的研究都包含风险。如果你的项目不可能失败，那是开发，不是研究。面对项目失败时是多么艰难啊，很容易将你负责的项目失败解释为你自己的失败。虽然，这实际上也证明了你有勇气向困难挑战。在人工智能领域很少有人总是一直成功，一年年地出论文。实际上，失败是经常的。你会发现他们经常是同时做几个项目，只有一些是成功的。最终成功的项目也许反复失败过多次。经历过很多由于方法错误的失败之后，才取得最终的成功。在你以后的工作生涯中，会经历很多失败。但是每一个失败的项目都代表了你的工作，很多思想，思考方式，甚至编写的代码，在若干年后你发现可用于另外一个完全不同的项目。这种效果只有在你积累了相当程度的失败之后才会显现出来。因此要有最初的失败以后将会起作用的信念。
研究所花费的实际时间往往比计划的要多得多。一个小技巧是给每个子任务分配三倍于预期的时间（有些人加了一句：“……，即使考虑了这条原则”）。
成功的关键在于使得研究成为你日常生活的一部分。很多突破和灵感都发生在你散步时。如果无时无刻地都潜意识的思考研究，就会发现思如泉涌。成功的AI研究者，坚持的作用一般大于天资。“尝试”也是很重要的，也就是区分浅薄的和重要的思路的能力。你会发现自己成功的比例是很随机的。有时候，一个星期就做完了以前需要三个月才能完成的工作。这是令人欣喜的，使得你更愿意在本领域工作下去。其他一些时候，你完全陷在那里，感觉什么也做不了。这种情况很难处理。你会觉得自己永远不会做出任何有价值的东西了，或者觉得自己不再具备研究者的素质了。这些芯跫负蹩隙ㄊ谴砦蟮摹Ｈ绻闶?lt;/SPAN>MIT录取的学生，你就是绝对合格的。你需要的是暂停一下，对糟糕的结果保持高度的容忍。
通过定期设置中短期的目标，例如每周的或者每月的，你有很多工作要做。增加达到这些目标的可能性有两种方法，你可以把目标记在笔记本中，并告诉另外一个人。你可以与某个朋友商定交换每周的目标并看谁最终实现了自己的目标。或者告诉你的导师。
有时你会完全陷在那里，类似于写作过程的思路阻塞，这有很多可能的原因，却并无一定的解决方法。
（1）范围过于宽泛了，可尝试去解决流程中的子问题。
（2）有时候对你研究能力的怀疑会消磨掉你所有的热情而使得你一事无成。要牢记研究能力是学习而得的技能，而不是天生的。
（3）如果发现自己陷入严重的困境，一个多星期都毫无进展，尝试每天只工作一小时。几天后，你可能就会发现一切又回到了正轨。
（4）害怕失败会使得研究工作更加困难。如果发现自己无法完成工作，问问自己是否是由于在逃避用实验检验自己的思路。发现自己最近几个月的工作完全是白费的这种可能，会阻止你进一步开展工作。没有办法避免这种情况，只要认识到失败和浪费也是研究过程的一部分。
（5）看看Alan Lakien的书《How to Get Control of Your Time and Your Life》，其中包含很多能使你进入充满创造力的状态的无价方法。
很多人发现自己的个人生活和做研究的能力是相互影响的。对于有些人来说，当生活中一切都不如意时，工作是避难所。其他的人如果生活陷入混乱时就无法工作了。如果你觉得自己确实悲痛得难以自拔，去看看心理医生。一份非正式的调查表明，我们实验室大约有一半的学生在读研期间看过一次心理医生。
使得人工智能那么难的一个原因是没有被普遍接受的成功标准。在数学中，如果你证明了某个定理，你就确实做了某些事情；如果该定理别人都证不出来，那么你的工作是令人兴奋的。人工智能从相关的学科中借来了一些标准，还有自己的一些标准。不同的实践者，子领域和学校会强调不同的标准。MIT比其他的学校更强调实现的质量，但是实验室内部也存在很大的不同。这样的一个后果就是你不可能令所有的人都满意。另外一个后果就是你无法确定自己是否取得了进展，这会让你觉得很不安全。对你工作的评价从“我所见过最伟大的”到“空虚，多余，不明所以”不一而足，这都是很正常的，根据别人的反馈修订自己的工作。
有几种方法有助于克服研究过程中的不安全感。被承认的感觉：包括毕业论文的接受，发表论文等。更重要的是，与尽可能多的人交流你的思路，并听取反馈。首先，他们能贡献有用的思路；其次，肯定有一些人会喜欢你的工作，这会使得你感觉不错。由于评价进展的标准是如此不确定，如果不与其他的研究者充分的交流，很容易盲目。特别当你感觉不太好时，应该就你的工作进行交流。此时，获得反馈和支持是非常重要的。很容易看不到自己的贡献，总是想：“如果我能做，肯定是微不足道的。我的所有思想都太明显了”。实际上，当你回头看时，这些虽然对你是很明显的，对别人并不一定是明显的。将你的工作解释给很多门外汉听，你会发现现在对你来说是平淡无奇的东西原来那么难！写下来。
一项对诺贝尔获奖者实施的有关怀疑自己问题（在你研究的过程中，你一直觉得自己是在做震惊世界的工作吗？）的调查表明：获奖者们一致回答他们经常怀疑自己工作的价值和正确性，都经历过觉得自己的工作是无关的，太明显了或者是错误的时期。任何科学过程的常见和重要的部分就是经常严格的评价，很多时候不能确定工作的价值也是科学过程不可避免的一部分。
有些研究者发现与别人协作比单打独斗工作效果更好。虽然人工智能研究经常是相当个人主义的，但是也有一部分人一起工作，创建系统，联合发表论文。我们实验室至少已经有一个联合做毕业论文的先例。缺点是很难与协作者区分对论文的贡献。与实验室之外的人合作，例如暑期工作时，问题就会少一些。
很多来到MIT AI实验室的学生都是以前所在学校最厉害的人。来到这里之后，会发现很多更聪明的人。这对于很多一年级左右学生的自尊形成了打击。但周围都是聪明人也有一个好处：在你把自己不怎么样的（但自己又没有觉察到）想法发表之前就被其他人给打倒在地了。更现实的讲，现实世界中可没有这么多聪明人。因此到外面找一份顾问的工作有利于保持心理平衡。首先，有人会为你的才能付费，这说明你确实有些东西。其次，你发现他们确实太需要你的帮助了，工作良好带来了满足感。
反之，实验室的每一个学生都是从四百多个申请者挑选出来的，因此我们很多学生都很自大。很容易认为只有我才能解决这个问题。这并没什么错，而且有助于推进领域的发展。潜在的问题是你会发现所有的问题都比你想象的要复杂得多，研究花的时间比原先计划的多得多，完全依靠自己还做不了。这些都使得我们中的很多人陷入了严重的自信危机。你必须面对一个事实：你所做的只能对某个子领域的一小部分有所贡献，你的论文也不可能解决一个重大的问题。这需要激烈的自我重新评价，充满了痛苦，有时候需要一年左右的时间才能完成。但这一切都是值得的，不自视过高有助于以一种游戏的精神去作研究。
人们能够忍受研究的痛苦至少有两个情感原因。一个是驱动，对问题的热情。你做该研究是因为离开它就没法活了，很多伟大的工作都是这样做出来的。虽然这样也有油尽灯枯的可能。另外一个原因是好的研究是充满乐趣的。在大部分时间里，研究是令人痛苦的，但是如果问题恰好适合你，你可以玩一样的解决它，享受整个过程。二者并非不可兼容的，但需要有一个权衡。
要想了解研究是怎么样的，遭到怀疑的时候应该如何安慰自己，读一些当代人的自传会有些作用。Gregory Bateson's Advice to a Young Scientist, Freeman Dyson's Disturbing the Universe, Richard Feynmann's Surely You Are Joking, Mr. Feynmann!, George Hardy's A Mathematician's Apology, 和Jim Watson's The Double Helix.
当你完成了一个项目——例如论文——一两个月后，你可能会觉得这一切是那么不值。这种后冲效果是由于长时间被压抑在该问题上，而且觉得本可以做得更好。总是这样的，别太认真。等再过了一两年，回头看看，你会觉得：嘿，真棒！多棒的工作！
尾注
本文包含的思想，文本以及评论来自于Phil Agre, Jonathan Amsterdam, Jeff Anton, Alan Bawden, Danny Bobrow, Kaaren Bock, Jennifer Brooks, Rod Brooks, David Chapman, Jim Davis, Bruce Donald, Ken Forbus, Eric Grimson, Ken Haase, Dan Huttenlocher, Leslie Kaelbling, Mike Lowry, Patrick Sobalvarro, Jeff Shrager, Daniel Weise, and Ramin Zabih。我们要感谢那些对本文作出贡献的人（对我们的论文作出贡献的人，顺便一并致谢），特别是我们的导师。
上面所列举的一些思想来自于John Backus的《On Being a Researcher》和Alan Bundy,
>Ben du Boulay, Jim Howe和Gordon Plotkin的《How to Get a PhD in AI》。
| 
博客登陆
我的分类（专题）
最新日志
最新评论
留 言 板
友情链接
日志信息
