成为 AI 研究者意味着什么？如果回到 2015 年，我会毫不犹豫地描绘出一幅光鲜图景：追逐前沿技术、打造酷炫模型、拿着高薪、收获广泛认可。但历经十一年沉淀，从本科实验室的好奇探索到英伟达的职场深耕，我才明白，这条道路远比想象中复杂 —— 它充满了未发表的论文、自我怀疑的深夜，以及无数次在 “随大流” 与 “随本心” 间的挣扎。
这不是一篇成功学指南，而是我用十一年时光换来的经验碎片与反思。希望这些文字，能为正在 AI 路上摸索的你，拨开一点眼前的迷雾。
2015-2017：在探索中确认初心，那些 “低效” 的时光都算数
2015 年，深度学习正以摧枯拉朽之势重塑 AI 领域。CNN 与 RNN 在各类基准测试中屡创佳绩，那种 “让机器从原始数据中自主学习决策” 的魔力，让我瞬间着迷。比起课堂上的理论知识，拆解word2vec的 C/C++ 实现、探索语言模型的内在机制，更让我沉浸。
我人生第一个 “顿悟时刻” 源于一次偶然的 RNN 实验：我发现用拼音作为中文输入的 token，效果竟远超传统分词。但当时的我对 “科研周期” 毫无概念，这个充满潜力的发现最终和其他几个项目一样无疾而终，只留下一篇无人问津的 arXiv 预印本和一堆零散的实验代码。
日本三菱电机的暑期实习，成了我科研路上的第一个转折点。在那里，我看到了两种截然不同的研究员风格：一种擅长头脑风暴，能用精准的逻辑说服他人；另一种则在工程实现上精益求精。我发现自己更偏向前者 —— 只有真正理解一个想法的底层逻辑，我才有持续推进的动力。这让我坚定了攻读博士学位的决心。
但当准备申请材料时，现实给了我沉重一击：我的论文发表数为零。看着身边同龄人早已手握二作、共同一作，我陷入了深深的自我怀疑，觉得自己荒废了最关键的几年。
反思：多年后我才明白，本科那些看似 “低效” 的探索时光，最大的价值是帮我确认了志向所在。科研是一场长达十几年的马拉松，起跑速度无关紧要，能否坚持跑完全程才是关键。本科是容错率极高的探索窗口，一旦进入博士阶段或工业界，系统会倒逼你 “产出” 而非 “洞察”，此时再想找回初心，难度会大得多。
2017-2019：筑牢工程根基，学会 “说服世界” 的科研表达
意识到论文产出的匮乏后，本科最后一年我加入了微软亚洲研究院（MSRA）的目标检测组。那是当时最热门的赛道，身边的队友个个都是顶尖玩家 —— 他们能每周追踪最新 arXiv 动态，一眼识破数据漏洞，甚至能随口背出 ResNet 的特征图维度。
在这里，导师教会了我至关重要的一课：工程能力是科研想法的基石。为了搞定 Faster R-CNN 的复杂实现，我被迫养成了严谨的工程习惯，甚至学会了手写 CUDA kernel 来加速框架不支持的 GPU 操作。虽然实习结束时仍未发表论文，但我已经攒够了冲击顶刊的工程底气。
带着这些技能，我开启了在加拿大的博士生涯。第一个核心项目是开发大规模图节点嵌入训练的多 GPU 系统。经过三个月与编译器漏洞、CUDA 错误的反复博弈，我终于找到将十亿级参数分散在多个 GPU 上的方法 —— 本质上是数据并行与模型并行的创新结合。
但让系统跑起来只是成功了一半。写论文时，我犯了新手最常见的错误：把论文当成 “流水账”，只罗列 “我做了什么”，却不懂如何构建 “为什么这必须发生” 的逻辑论证。导师重写了整篇论文的引言，重新架构了叙事逻辑，而我最初竟以为只是简单的语法修改，甚至在慌乱中覆盖了他的修改版本。最后我们熬了无数个通宵校准逻辑，才在截止日期前提交。几个月后，这篇论文被 WWW 顶会录用。
反思：高效的科研从来不是靠天赋，而是靠专业性。把代码库想象成观测未知宇宙的天文台，只有经过高精度校准、配备完善的实验记录，才能区分 1% 的性能提升是真实信号还是噪音，让科研从 “瞎猜” 变成 “精测”。而一篇优秀的论文，核心是尊重读者 —— 要将研究与领域共同面临的困境关联，否则再惊艳的结果，也只是无人关心的答案。
2019-2020：在稀疏反馈中求生，建立自己的 “能量补给系统”
“博士需要能够独立完成一个项目，这比你目前为止做到的都要难。” 第一篇论文录用后，导师的话让我隐隐不安，但彼时的我天真地以为，只要复刻之前的模式就能顺利前行。
现实很快给了我教训。我先是尝试从语言模型中提取知识图谱，和合作者在零下 20 度的寒冬深夜手动标注数据，结果论文因不懂 “向社区推销新任务” 而被拒；疫情爆发后转向药物联用研究，跑了上百个版本的生物图谱实验，最终还是难逃拒信的命运。
接二连三的失败让我陷入自我怀疑，再加上疫情导致的社交隔离、室友搬走，我成了孤独的 “科研孤岛”—— 英语和中文能力双双退化，甚至开始质疑自己是否适合科研。
为了走出困境，我开始建立不依赖论文录用的正向反馈循环：花数月编写一万多行代码的软件库，在功能实现、性能优化中收获确定的成就感；拿起相机走遍蒙特利尔的角落，在捕捉瞬间美好中缓解科研压力；更意外的是，乌克兰室友的出现成了我的 “自我救赎”—— 我们靠着破碎的英语和维基百科交流，在异国美食与文化碰撞中，找到了久违的快乐。
反思：学术界的奖励信号既稀疏又随机，这对心理是残酷的折磨。研究员必须建立自己的 “能量补给系统”，它可以是读懂硬核论文的成就感，可以是能看到进展的业余爱好，也可以是日常生活的微小喜悦。这段经历也让我真正理解了 “独立研究员” 的核心 —— 不是蛮力执行，而是战略决策：这个问题有影响力吗？有现成数据集吗？评测方式经得起推敲吗？错误的战略判断，会让一整个学期的努力付诸东流。
2021-2023：回归基础原理，找到属于自己的研究节奏
2021 年元旦，我回到中国与家人团聚，也和合作者回到了同一时区。我们从失败的药物研究项目中，打捞起一个名为 “单向传播” 的未验证想法。直觉告诉我们这个方向可行，但缺乏理论支撑让项目举步维艰。
当全世界都在追逐最新的 arXiv 预印本时，我做了一件导师眼中 “疯狂” 的事：埋首数学教材，为假设寻找底层依据。当我终于发现，我们的传播方法等价于图推理必备、而现有 GNN 无法解决的路径问题解时，那种醍醐灌顶的通透感，驱动着我们没日没夜完善实现。最终，这个想法变成了我的第一篇 NeurIPS 论文。
这次成功让我领悟到：最宝贵的见解往往来自经受时间考验的基本原理，而非昙花一现的热点。博士开题时，我重读了《人工智能：现代方法》和《几何深度学习》，发现当前推理模型的泛化能力极差，许多模型只是 “背诵模式”，甚至不如几十年前的经典算法 —— 这让我看到了无限的研究可能。
这段时间，我还遇到了博士期间最好的合作伙伴 —— 一位图机器学习博主（我最初的很多知识都来自他的文章）。我们共同提出一个简单却深刻的问题：为什么经典短路算法只需写一次就能适配所有图，而神经模型每换图就得重练？这个疑问催生了最早的 “图基础模型” 之一，那段时光是读博期间最快乐的日子 —— 我们不是在刷榜，而是在赋予神经网络经典算法般的优雅。
反思：每个人都有适合自己的研究节奏，追逐热点不适合我，深入思考习以为常的事物才让我乐在其中。做 “一流的自己”，远比做 “二流的别人” 容易。而所谓的 “高产期”，背后是稳固的代码库和高效复用 —— 现代机器学习研究 70% 是工程，30% 是发明，当基础架构就绪，新点子的测试是从 70 分起步，而非从零开始。
2023-2024：站在人生十字路口，在迷茫中锚定方向
读博最后一年，在经历三年实习申请屡败屡战后，我终于拿到了 Google 的 offer。湾区的激烈竞争与加拿大的宁静学术生活形成鲜明对比，也让我见识到工业界协作的 “双刃剑”—— 既能通过杠杆扩大影响力，也会因产出不足被快速淘汰。导师教我的 “永远带着具体行动项离开会议”，成了我在工业界的生存准则。
毕业临近，我站在了学术界与工业界的十字路口。和许多对科研抱有热情的博士一样，我申请了上百所高校的教职，反复打磨 Research Statement 到能梦中背诵，但一整天筋疲力尽的面试后，前辈的话让我清醒：年轻教授的核心工作不是科研，而是筹款、管理行政琐事，学术自由只是筹款成功后的 “奖品”。
转战工业界的道路同样坎坷。我推掉多个软件工程师 offer，孤注一掷申请研究员岗位，却遭遇 2024 年裁员潮与招聘冻结，所有面试石沉大海。O1 签证的担保门槛，成了许多公司不愿跨越的鸿沟。就在我濒临绝望时，英伟达的面试机会来了 —— 我知道这是最后的希望。
28 岁生日那天，我收到了英伟达的研究员 offer，20 岁时的梦想终于照进现实。回望过去才发现，那些看似零散的经历早已串联成桥：为第一个项目写的 CUDA kernel、疫情期间开发的获奖软件库、对推理领域的执着探索，恰好契合了英伟达的需求。
反思：学术界的光环背后，是鲜为人知的琐碎磨损。“研究员” 和 “教授” 是两种职业：前者追随好奇心解谜，后者运营 “学术初创公司”。找工作时的挫败感难以避免，但良性市场需要 “拒绝” 来实现最优匹配。保持积极心态不仅是自我调节，更是向招聘团队传递 “准备好迎接挑战” 的信号。
2025：拥抱工业界的 “全栈现实”，重新定义研究员的价值
2025 年，我正式加入英伟达，开启 LLM 后训练领域的研究工作。这次转变让我深刻体会到学界与业界的本质差异：学术界靠影响力和筹款探索未知，工业界靠产品化和营收放大已知；在这里，研究员与工程师的界限变得模糊 —— 基础架构拖后腿就亲自优化，工程难题无方案就转化为研究课题，而这种 “全栈能力”，是大学课程从未教过的。
AI 行业的经济逻辑也已剧变：以前软件公司最大的成本是工程师，现在则是 GPU—— 顶级实验室人均年 GPU 成本高达数百万甚至上千万美元，这催生了 “人可睡、GPU 不可闲” 的残酷运营逻辑，我们仿佛成了永不停歇的机器操作者。
更戏剧化的是，AI 工具的普及正在重塑人才市场。Cursor、Claude Code 等工具让初级岗位大幅缩水，公司门槛普遍提高到博士级别。残酷的现实是：AI Agent 辅助下，一名资深工程师能完成过去一群初级工程师的工作，单纯的知识积累与技能产出正在贬值。
即便身为专业研究员，我也面临知识迭代的压力 —— 曾用来证明 LLM 泛化能力薄弱的经典例子，不到一年就被新模型攻破。我意识到，头脑风暴、写代码、做分析这些 “过程性工作” 终将被 AI 接手，留给人类的，是设定目标的品味、感受世界的本心，以及承担责任的肩膀。
结语：所有散落的点滴，终会在未来连成线
十一年 AI 科研路，我最大的感悟是：通往研究员的道路从非直线，前方的迷雾与变数远超想象。但请相信，在这场真诚的旅途中，没有真正的冤枉路 —— 每一次失败、每一点好奇心、每一次挣扎与坚持，都在构筑你最终立足的土地。
AI 行业的变化越来越快，技术迭代的周期越来越短，但有些东西永远不会过时：对未知的好奇、解决问题的执着、以及在迷茫中坚守本心的勇气。
愿你继续前行，保持好奇。那些当下看似无关的经历，终会在你看不见的未来，串联成属于自己的人生轨迹。