十年前，MSRA的夏天，剛開始嘗試機器學習研究的我面對科研巨大的不確定性，感到最多的是困惑和迷茫。十年之后，即將跨出下一步的時候，未來依然是如此不確定，但是期待又更多了一些。這其中的變化也帶著這十年經(jīng)歷的影子。

起始：科研是什么

我從大三開始進入交大APEX實驗室，有幸隨著戴文淵學長做機器學習，當時的我覺得“機器學習”這個名字十分高大上然后選擇了這個方向，但是做了一年之后依然摸不著頭腦，心中十分向往可以做科研，獨立寫論文的生活，卻總是不知道如何下手。

文淵在我進實驗室的一年后去了百度。當時還沒有得到學長真?zhèn)鞯奈遥_始了我科研的第一階段，從大四到碩士的第二年，期間一直自己摸索，不斷地問自己 “科研是什么”。

和課程作業(yè)不同，學術(shù)研究沒有具體的問題，具體的方法，具體的答案。文淵的離開讓我一下子不知道該怎么做，當時的我的想法很簡單，快點尋找一個具體的方向，完成一篇論文。因為ACM班的機會暑假在MSRA的短暫實習，雖然學會了很多東西，但并沒有給我答案。MSRA回來之后，在實驗室薛老師的建議下，我選擇了一個現(xiàn)在看來正確而又錯誤的方向 — 深度學習。

那是AlexNet出現(xiàn)之前兩年，深度學習的主流熱點是非監(jiān)督學習和限制玻爾茲曼機。沒有導師的指導，沒有工具，當時我靠著實驗室的兩塊顯卡和自己寫的CUDA代碼開始了死磕深度學習的兩年半。實驗室的學長問我，你準備要干啥，我說：“我要用卷積RBM去提升ImageNet的分類效率。” 這一個回答開啟了圖書館和實驗室的無數(shù)個日日夜夜，為了給實驗室的老機器多帶一塊高功率的顯卡，我們打開了一臺機器的機箱，在外面多塞了一個外接電源。

我的生活就持續(xù)在調(diào)參的循環(huán)中：可視化權(quán)重的圖片， 看上去那么有點像人臉，但是精度卻總是提不上來，再來一遍。從一開始hack顯卡代碼的興奮，到一年之后的焦慮，再到時不時在樹下踱步想如何加旋轉(zhuǎn)不變的模型的嘗試，在這個方向上，我花費了本科四年級到碩士一年半的所有時間，直到最后還是一無所獲。

現(xiàn)在看來，當時的我犯了一個非常明顯的錯誤 — 常見的科學研究要么是問題驅(qū)動，比如“如何解決ImageNet分類問題”；要么是方法驅(qū)動，如 “RBM可以用來干什么”。當時的我同時鎖死了要解決的問題和用來解決問題的方案，成功的可能性自然不高。如果我在多看一看當時整個領(lǐng)域的各種思路，比如Lecun在很早的時候就已經(jīng)做end to end，或許結(jié)局會不那么一樣吧。

當然沒有如果，賭上了兩年半的時間的我留下的只是何時能夠發(fā)表論文的緊張心情。焦慮的我開始打算換一個方向，因為RBM當時有一個比較經(jīng)典的文章應(yīng)用在了推薦系統(tǒng)上，我開始接觸推薦系統(tǒng)和kddcup。

比較幸運的是，這一次我并沒有把RBM作為唯一的一個方法，而是更加廣泛地去看了推薦系統(tǒng)中的矩陣分解類的算法，并且在實驗室搭建了一個比較泛用的矩陣分解系統(tǒng)。推薦系統(tǒng)方向的耕耘逐漸有了收獲，我們在兩年KDDCup11中獲得了不錯的成績。KDD12在北京，放棄了一個過年的時間，我完成了第一篇關(guān)于基于特征的分布式矩陣分解論文，并且非常興奮地投到了KDD。

四月底的時候，我們收到了KDD的提前拒搞通知 — 論文連第一輪評審都沒有過。收到拒搞通知時候的我的心情無比沮喪，因為這是第一篇自己大部分獨立推動完成的文章。

轉(zhuǎn)折在五月，KDDCup12 封榜，我們拿到了第一個track的冠軍，我依然還記得拿到KDDCup12冠軍的那一個瞬間，我在狀態(tài)里面中二地打了excalibur，仿佛碩士期間的所有陰霾一掃而盡。那時候的我依然還不完全知道科研是什么，但是隱隱之中覺得似乎可以繼續(xù)試試。

第零年：可以做什么

我對于科研看法的第一個轉(zhuǎn)折，在于我碩士臨近畢業(yè)的時候。

李航老師來到我們實驗室給了關(guān)于機器學習和信息檢索的報告，并且和我們座談。在報告的過程中，我異常興奮，甚至時不時地想要跳起來，因為發(fā)現(xiàn)我似乎已經(jīng)知道如何可以解決這么多有趣問題的方法，但是之前卻從來沒有想過自己可以做這些問題。

聯(lián)系了李航老師之后，在同一年的夏天，我有幸到香港跟隨李航和楊強老師實習。實驗室的不少學長們曾經(jīng)去香港和楊強老師工作，他們回來之后都仿佛開了光似地在科研上面突飛猛進。去香港之后，我開始明白其中的原因 — 研究視野。經(jīng)過幾年的磨練，那時候的我或許已經(jīng)知道如何去解決一個已有的問題，但是卻缺乏其他一些必要的技能 — 如何選擇一個新穎的研究問題，如何在結(jié)果不盡人意的時候轉(zhuǎn)變方向?qū)ふ倚碌耐黄泣c，如何知道整個領(lǐng)域的問題之間的關(guān)系等等。

“你香港回來以后升級了嘛。” — 來自某大俠的評論。這也許是對于我三個月香港實習的最好概括的吧。香港實習結(jié)束的時候我收獲了第一篇正式的一作會議論文（在當年的ICML）。因為KDDCup的緣故，我認識了我現(xiàn)在博士導師Carlos的postdoc Danny，Danny把我推薦給了Carlos（UW）和Alex（CMU）。我在申請的時候幸運地拿到了UW和CMU的offer。

在CMU visit的時候我見到了傳說中的大神學長李沐，他和我感嘆，現(xiàn)在正是大數(shù)據(jù)大火的時候，但是等到我們畢業(yè)的時候，不知道時代會是如何，不過又反過來說總可以去做更重要的東西。現(xiàn)在想起這段對話依然依然唏噓不已。我最后選擇了UW開始了我六年的博士生活。

感謝博士之前在APEX實驗室和香港的經(jīng)歷，在博士開始的時候我似乎已經(jīng)不再擔心自己可以做什么了。

第一年：意外可以收獲什么

如果給我在UW的第一年一個主題的話，或許是“意外”。在交大時候因為興趣的關(guān)系一直去蹭系統(tǒng)生物研究員敖平老師的組會探討隨機過程和馬爾可夫鏈。到UW的第一個學期，我無意看到一篇探討如何用Lagevin過程做采樣的文章，我想這不就是之前組會上探討過的東西么，原來這些方法也可以用到機器學習上。我直接借用了原來的交大學會的知識完成了第一篇高效采樣HMC的文章。我后來并沒有繼續(xù)在這個方向上面耕耘下去，不過另外一位同在組會的學弟繼續(xù)基于這個方向完成了他的博士論文。

同樣的在這一年，我和導師開始“質(zhì)疑深度學習” — 如果別的的機器學習模型，有足夠大的模型容量和數(shù)據(jù)，是否可以獲得和深度學習一樣的效果呢？當時Carlos看好kernel methods，而我因為過去的一些經(jīng)歷決定嘗試Tree Boosting。雖然最后在vision領(lǐng)域依然被卷積網(wǎng)絡(luò)打敗而嘗試挑戰(zhàn)失敗，但是為了挑戰(zhàn)這一假說而實現(xiàn)高效Tree boosting的系統(tǒng)經(jīng)過小伙伴建議開源成為了后來的XGBoost。

在第一年暑假結(jié)束的時候，因為偶然的原因，我開始對quantile sketch算法感興趣。這里主要的問題是如何設(shè)計一個近似的可以合并的數(shù)據(jù)結(jié)構(gòu)用來查找quantile。這個方向有一個經(jīng)典的方案GK-sketch的論文，但是只能夠解決數(shù)據(jù)點沒有權(quán)重的情況。經(jīng)過一兩天的推導，我在一次去爬山的路上終于把結(jié)論推廣到了有權(quán)重的情況。有趣的是新的證明比起原來的證明看起來簡單很多。這個結(jié)論沒有單獨發(fā)表，但是后來意想不到地被用到了分布式XGBoost算法中，證明也收錄在了XGboost文章的附錄中。

△ 陳天奇在XGBoost Workshop上演講

研究并不是一朝一夕，做想做的事情把它做好，開始的時候興趣使然，而在幾年之后意想不到的地方獲得的收獲，這樣的感覺走非常不錯。

第二年和第三年：選擇做什么

在新生聚會上，Carlos對我說，你已經(jīng)有論文的發(fā)表經(jīng)歷了，接下來要靜下心來做發(fā)大的，“只做best paper水平的研究”。和很多nice的導師不同，Carlos對于學生的要求非常嚴格，說話也是非常直白甚至于“尖刻“。很多的老師不論我們提出什么樣的想法，總會先肯定一番，而Carlos則會非常直接地提出質(zhì)疑。一開始的時候會非常不習慣，感覺到信心受到了打擊，但是慢慢習慣之后開始習慣這樣風格。到現(xiàn)在看來，誠實的反饋的確是我收益最大的東西。我進入博士的一年之后，主要在想的問題是做什么樣的問題，可以值得自己深入付出，做扎實有影響力的工作。

在博士的第三年，Carlos在建議我把XGBoost寫成論文，用他的話說：“寫一篇讓讀者可以學到東西的文章”。和傳統(tǒng)的寫法不同，我們在文章的每一個章節(jié)插入了實驗結(jié)果驗證當章節(jié)提出的觀點。而他對于做圖的處理也成為了我現(xiàn)在的習慣，直接在圖里面插入箭頭注釋，減少讀者的閱讀負擔。經(jīng)過幾次打磨論文終于成為了我們想要的模樣。

博士前對于深度學習遺憾讓我又逐漸把目光轉(zhuǎn)回到深度學習。這個時候，我選擇了不再一個人作戰(zhàn)，在博士的第二年和第三年，我和興趣使然的小伙伴們合作，一起開始了MXNet的項目。項目從零開始，在短短的一年時間里面做出完整的架構(gòu)。我第一次看到集合了大家的力量齊心協(xié)力可以創(chuàng)造出什么樣的東西。研究的樂趣不光是發(fā)表論文，更多還是可以給別人帶來什么，或者更加大膽地說 — 如何一起改變世界。

博士第二年暑假，我在小伙伴的介紹下進入Google Brain跟隨Ian Goodfellow實習。當時GAN的論文剛剛發(fā)表，我也有幸在成為Ian的第一個實習生。

實習的開始，我們討論需要做的問題，Ian和我把可能要做的項目畫在一個風險和回報的曲線上，讓我選擇。到最后我選擇了自己提出的一個課題，在這個曲線里面風險最高，回報也最高。

我一直有一個理想，希望可以構(gòu)建一個終身學習的機器學習系統(tǒng)，并且解決其中可能出現(xiàn)的問題。這個理想過于模糊，但是我們想辦法拿出其中的一個可能小的目標 — 知識遷移。如果一個機器學習系統(tǒng)要終生學習，那么在不斷收集數(shù)據(jù)之后必然需要擴充模型的規(guī)模來學習更廣或者更深，按照現(xiàn)在的做法我們在模型改變之后只能拋棄原來的模型重新訓練，這顯然是不夠高效的。

是否有一個方法可以從已經(jīng)訓練好的網(wǎng)絡(luò)上面進行知識遷移也就成為了一個重要的問題。我先花了一個半月的時間嘗試了比較顯然的Knowledge distillation的方法一直沒有得到正面的結(jié)果。在最后的一個月，我改變了思路。實習結(jié)束的前一個星期，我打開Tensorborard上最近一組實驗的結(jié)果：實驗表明新的思路正面的效果。這最后幾步的幸運也讓我的這一個冒險之旅有了一個相對圓滿的結(jié)果。這篇論文最后被發(fā)表在了ICLR上，也是我最喜歡的結(jié)果之一。

博士的第三年，我和小伙伴們開發(fā)了一種可以用低于線性復雜度就可以訓練更深模型的內(nèi)存優(yōu)化算法。當時我非常興奮地把這一結(jié)果寫下來然后把稿子后給導師看。他和我說：Hmm，這個結(jié)果如果投到NeurIPS的話或許可以中一篇poster，但是這并不是特別有意思。在我沉默之后他又補充了一句：論文并非越多越好，相反你可能要嘗試優(yōu)化你的論文里面最低質(zhì)量的那一篇。最后我們只是把這篇論文掛在了Arxiv上。Carlos的說法或許比較極端（這篇論文依然影響了不少后面的工作），但也的確是對的，用李沐之前說過的一句話概括，保證每一篇論文的質(zhì)量接近單調(diào)提升，已經(jīng)是一件難以做到但是又值得最求的事情。

選擇做什么眼光和做出好結(jié)果的能力一樣重要，眼界決定了工作影響力的上界，能力決定了到底是否到達那個上界。交大時敖平老師曾經(jīng)和我說過，一個人做一件簡單的事情和困難的事情其實是要花費一樣多的時間。因為即使再簡單的問題也有很多瑣碎的地方。要想拿到一些東西，就必然意味著要放棄一些其他東西，既然如此，為什么不一直選擇跳出舒適區(qū)，選一個最讓自己興奮的問題呢。

第四年之后：堅持做什么

博士第三年，我和小伙伴們參加GTC，結(jié)束后老黃party的角落里，我一個人在發(fā)呆。深度學習的框架發(fā)展已經(jīng)鋪開，可接下來應(yīng)該做什么，我一下子感到迷茫。第三年的暑假我沒有去實習，而是決定一個人在學校嘗試開發(fā)腦海中顯現(xiàn)的抽象概念 — 深度學習中間表示。暑假結(jié)束之后，我完成了第一個版本，可以比較靈活地支持深度學習系統(tǒng)里面的計算圖內(nèi)存優(yōu)化。但是總是覺得還缺少著什么 — 系統(tǒng)的瓶頸依然在更接近底層的算子實現(xiàn)上。暑假之后在去加州的飛機上，我嘗試在紙上畫出為了優(yōu)化矩陣乘法可能的循環(huán)變換，回來之后，我們決定推動一個更加大膽的項目 — 嘗試用自動編譯生成的方式優(yōu)化機器學習的底層代碼。

這個項目早在之前我也有一些想法，但是一直沒有敢去吃這個螃蟹。原因是它的兩個特點：從零開始，橫跨多領(lǐng)域。因為要做底層代碼生成和想要支持新的硬件，我們需要重新重新搞清楚很多在之前被現(xiàn)有的操作系統(tǒng)和驅(qū)動隱藏掉的問題，這就好象是在一個荒島上一無所有重新搭建起一個城堡一樣。而這里面也涉及了系統(tǒng)，程序語言，體系結(jié)構(gòu)和機器學習等領(lǐng)域。

這讓我想起之前在ACM班時候重頭搭建編譯器和MIPS處理器并且連接起來的經(jīng)歷。也是那段經(jīng)歷讓我覺得為了解決問題去吃多個領(lǐng)域的螃蟹是個讓人興奮的事情。那段經(jīng)歷給我留下的第二個印記是理解了合作和傳承的重要性。這門課程設(shè)計有一個傳統(tǒng)，每一門課程的老師都由上一屆學長擔任。每一屆的同學都會在之前的基礎(chǔ)上有所改進。我也曾經(jīng)為這門課做過一些微小的貢獻。演化到現(xiàn)在，這門課程已經(jīng)從只做簡單的答辯，到現(xiàn)在已經(jīng)有在線評測的OJ。大家一起的合作塑造了這個課程。推動新的機器學習系統(tǒng)和塑造這門課程一行，需要各個團隊的同學合作，足夠時間的耐心關(guān)注和不斷地改進。

我的合作者們也被“卷入”到了這個項目中。我的體系結(jié)構(gòu)合作者一直想要設(shè)計新的AI硬件，我在雛形完成之后花了大量的時間討論如何協(xié)同設(shè)計新的硬件的問題。我們開始討論怎么管理片上內(nèi)存，怎么可以比較容易地生成指令集，甚至怎么調(diào)度內(nèi)存讀寫和計算并行的問題都暴露出來。有一天，我和合作者說我們需要引入虛擬線程的概念來隱藏內(nèi)存讀寫開銷，然后他很快和我說，這是體系結(jié)構(gòu)里面經(jīng)典的超線程技術(shù)，發(fā)明人正是我們的系主任Hank。我們也在不斷地重新發(fā)現(xiàn)經(jīng)典的問題的解決方法在新場景的應(yīng)用，讓我覺得上了一堂最好的體系結(jié)構(gòu)課程。

兩年間的不少關(guān)鍵技術(shù)問題的突破都是在有趣的時候發(fā)生的。我在排隊參觀西雅圖藝術(shù)博物館的infinity mirror展覽的途中把加速器內(nèi)存拷貝支持的第一個方案寫在了一張星巴克的餐巾紙上。到后來是程序語言方向的同學們也繼續(xù)參與進來。我們爭論最多的是如何如何平衡函數(shù)式語言和經(jīng)典計算圖做讓大家都可以搞懂的中間表達，這一討論還在不斷繼續(xù)。經(jīng)過大家的努力，TVM的第一篇論文在項目開始的兩年之后終于發(fā)表。兩年間參與項目的同學也從兩個人，到一個團隊，再到一個新的lab和一個社區(qū)，這兩年也是我博士期間最充實的兩年。

因為做了不少“跨界”的工作，我常被問起你到底屬于哪個領(lǐng)域。過去半年一直在各地給報告，報告這樣開頭：算法突破，數(shù)據(jù)的爆發(fā)，計算硬件的提升三者支撐了機器學習的變革，而整合這三者的，則是機器學習系統(tǒng)。這也是為什么我要做機器學習系統(tǒng)的原因。曾經(jīng)一個教授問我這樣的問題，如果明天有一樣新的化學反應(yīng)過程可能帶來機器學習的變革，你會怎么做。我答道：“我投入會去學習研究這個化學過程”。雖然我不知道遙遠的未來會需要什么，到底是系統(tǒng)，算法，還是化學，從問題出發(fā)，用盡所有可能的方法去最好地解決機器學習問題，應(yīng)該這就是我想要堅持的研究風格吧。

總結(jié)

在寫這篇總結(jié)的時候，心中有不少感嘆。我常想，如果我在焦慮死磕深度學習的時候我多開竅一些會發(fā)生什么，如果我并沒有在實習結(jié)束的時候完成當時的實驗，又會是什么。但現(xiàn)在看來，很多困難和無助都是隨機的漲落的一部分，付出足夠多的時間和耐心，隨機過程總會收斂到和付出相對的穩(wěn)態(tài)。

每個人的研究道路都各不相同，我的經(jīng)歷應(yīng)該也是千萬條道路中其中一條罷了。博士的經(jīng)歷就好像是用五年多時間作為籌碼投資給自己，去突破自己做自己原來想不到的事情。中不管坎坷曲折都是無可替代的一部分。

科研從來不是一個人的事情，對于我來說特別是如此。我在交大的時候和一群年輕的同學一起摸索推薦系統(tǒng)的算法，而在博士期間搭建的每一個系統(tǒng)都包含了很多合作者一起的努力。也正是大家一起的努力才帶來了現(xiàn)在的成果。我個人在這十年間受到了不少老師，同學，家人的鼓勵和幫助，感謝他們他們給予了我這無比珍貴的十年時光。