李开复发公开信回应大学生质疑 称言行一致


http://www.sina.com.cn 2005年09月24日03:54 新浪科技
<!-- 正文内部文字导航 : begin --><!-- 正文内部文字导航 : end -->

  新浪科技讯 9月23日下午,新任Google中国总裁李开复博士向外界发出发出一封公开信,公开就一位大学生对他的诚信质疑进行了回复。

  在信中,李开复坦率地回顾了过去自己关于“是否将离开微软”说法的表态,解释了自己最终前往Google就职的原因。他认为,离开微软“为了做更有影响力的事情,或者是帮助中国的学生。”以下为其公开信全文:

<!--NEWSZW_HZH_BEGIN-->
<!--NEWSZW_HZH_END-->

  晓钟 :

  谢谢你真诚的信。我希望下面的回答能够让我不负你对我的信任。

  对于执法人员,“知法犯法,罪加一等”。作为人师,如果做出有违自己教导学生的事,也是一样的。对我来说,诚信比生命更重要。做出的诺言,必须遵守。

  一年多前来中国时,有一次我曾经被问到:“你什么时候会不会离开微软?或者出来创业?”

  我的回答是:“我的人生目标是发挥我的影响力。所以我认为微软很可能是我服务的最后一个公司,因为在这里我可以充分地发挥我的影响力。如果哪一天我离开的话,那一定是为了做更有影响力的事情,或者是帮助中国的学生。”

  这个回答我记忆犹新,而且有一位清华的学生还把这段话放入了他的文章里。

  我离开微软是因为我在Google:

  我可以经过Google的创新模式让我和我的同伴们更快地做出更多的创新,也就是科研人员的“影响力”。

  我可以直接培养一批优秀的中国青年,经过这个创新模式,发挥他们的影响力,让一批“有潜力的千里马”真的成为“千里马”。

  公司支持我帮助中国的青年学生,无论是我的网站或者书。

  (请看:www.kaifulee.com/Articles/googleandchina.htm)

  所以,就像上面所说,我离开了微软是因为我“为了做更有影响力的事情,或者是帮助中国的学生。”

  最后,我想补充一点,虽然对这段话,我认为我做到了言行一致,但是我觉得“坦诚的回答”和“诺言”是有差别的。我希望我讲的每一句话都是“坦诚的回答”,但是我认为任何人都很难做到把每一句“坦诚回答”都当作“诺言”。

  附:大学生质疑李开复跳槽公开信:

  李开复老师:

  您好!今天鼓起勇气给您回信,在您到google中国正式赴任之际,在向您道贺官司胜利之余,还想跟您说几句心里话。

  第一,我谨代表我个人向您表达我的敬意。

  第二,我谨代表中国大学生,感谢您给我们写了这么多封信,让我们从中受益匪浅。

  第三,我还想向您表达我的想法,同时也希望您原谅一个青春懵懂的大学生的一些浅薄的见解。作为一名老前辈,相信您对我们IT学子一定寄予厚望,而我也相信您会认真看完我写的文字,并会启动您曾经再也熟悉不过的Windows,在一个叫做"google"的搜索引擎中打上"诚信"两个字。

  《赤兔之死》这篇文章也许您看过,它曾经让我们大学生懂得了诚信的重要。我很开心您给我们中国大学生写的第一封信的第一个观点就是:从诚信谈起。您说做人信条:家父给我最珍贵的遗产是十个字,"有容德乃大,无求品自高"。您又说当老板:如果你做老板,就不能太纵容自己的手下,不然你就会丧失自己的威信;但也不能因此总在人前指责他,那就伤害了他的尊严、他的面子,其结果必然是两败俱伤。您还说人生目标:网友曾问过我,我的人生目标是什么?我说:"人生只有一次,我认为最重要的就是要有最大的影响力,能够帮助自己、帮助家庭、帮助国家、帮助世界、帮助后人,能够让他们的日子过得更有效率,能够为他们带来幸福和快乐。"您说微软:前一阵子有记者问我,什么时候离开微软?我的回答是,我很确定微软是我服务的最后一个商业公司,因为我的目标是做一个有巨大的影响力的人,没有其他的任何公司能帮助我达成这个愿望。

  可是,当我最近从网上了解到您的消息的时候,我不禁有些困惑,请允许我这样直接的向您请教,当然我相信您不会生气,因为不可否认我是您的铁杆儿Fans,也不可否认我对您的尊敬,同样,这种困惑也来源于像我一样许许多多普普通通的大学生。想跟您说的是:您的诺言是不是算数呢?您一直教导我们要诚信,可你这样只会让我们感觉:承诺,是如此的沉重。对您而言如是,对我们亦如是。或者,除非我们之中谁已经不再在意自己到底说了什么。就像某个国家一样,为了自己的利益,可以随时随地的胡说八道,完全不讲任何道德。对于国家而言,不讲信誉是可以理解的,因为国家利益至上。在国家利益面前,个人的得失就显的并不重要了。但对于个人来说,不讲信誉,至少在我的观念里,却怎么也说不过去。

  最近,也许您很忙,忙着应付各路记者各方人士;也许您很寂寞,思想里全是责任。您是一个教育家,是某一阶段我们大学生思想的领导,可是,你官司缠身尚且不论,您却把这些"不顺"都归咎于从西雅图搬家后卖掉的一个观音像身上。是的,您终于把它买回来了,您自己的官司也暂时以胜利告一段落,但是,您知道您输了的又是什么吗?《史记》中说:"得黄金百斤,不如得季布一诺",可谓"一诺千金";"曾子为子杀猪"的故事无论从教育学还是做人方面都堪称"君子",可谓"君子一言,快马一鞭"。曾子说:"婴儿非可与戏也。"婴儿尚如此,我们这些莘莘学子又怎可欺骗呢?

  李老师,您在中国的大学生中的知名度是很高的,也拥有很好的印象和形象,至少对于我而言如是,尤其是您写的那四封信,相信一定感染和鼓励了相当多的曾经处于迷茫中的我们,也更是被很多很多的人收藏。单纯从您来中国建google研究院上来讲是好的,尤其是可以给中国的学生更多的机会,可是从您的作法上讲,我认为:您并不厚道。

  不是我不屑,而是像我这样一个IT大学生根本不相信自己的眼睛,更不相信我们所谓道德的空谈。所以,请您看完我的信,能了解我们大学生的心声,至少是我的心声。我听说两周内,您将到中国的各大高校展开系列演讲,我希望您在为这些走在时代前列却同样为道德所引导的一群可爱的孩子在做报告的时候,能够解释清楚什么叫诚信、什么叫理想?同时,我也再次以道德的范畴礼貌地向您致敬,并祝愿您和您的google能产生更大影响力,并希望这是您所服务的最后一家商业公司。

  观音保佑您可以看到它!谢谢!

  您真诚的学生:高晓钟

  于渤海之滨 软件之城 大连

  2005-9-21

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值