Mike Ferguson：我在麻省理工学院人工智能研究实验室工作一年学到了 5 件事

Mike Ferguson ，麻省理工学院大脑和认知科学系 (MIT BCS) 担任研究软件工程师 / ML 工程师。专门研究 Brain-Score（一种衡量类脑 AI 的工具）。他于 2021 年春季毕业于弗吉尼亚大学，获得计算机科学和应用数学学士学位，以及认知科学和哲学学士学位。

图注：Mike Ferguson

在本文中，Mike 分享了在麻省理工学院人工智能实验室一年中学到的 5 件事，包括他生活、成功和知识的一些看法，希望你觉得有趣或有用。

1 承认自己的盲区，质疑一切

Mike 在开始在麻省理工学院工作之前，刚从 UVA 毕业，主修计算机科学和认知科学，并辅修哲学和数学，自我感觉还不错，然而，当他第一次参加麻省理工学院周会时傻眼了 —— 他发现自己最多理解了讨论内容的大约 10-20%，在接下来的几周内他都在怀疑人生：难道智商太低不配进入麻省理工学院吗？为什么看起来只有自己不懂的样子？

Mike 注意到，实验室最聪明的人总是不断地提出问题，仅在第一周，他遇到了 5 或 6 个研究 AI 和神经科学交叉领域的人，研究 AI 和神经科学的交叉点的时间比他活着的时间还长。即使他们在领域以最大的专注度研究的数十年，甚至达到了绝对的巅峰，但还是在不断提出问题，解决问题和验证假设。

他明白自己来麻省理工的目的就是来不断解决不懂之处的。他放弃了伪装自己，坦然承认自己不了解目前进展的工作。

从不停止提问，每个疑问代表着一次机会 —— 可以缩小理解差距，提高自己的知识。正是对自己已有知识的充分认识，思考对立面是什么，才会拓展自己的知识边界。总是支持同事观点，总是希望别人知道他们有多聪明，是缺乏安全感的表现。在一个没有认知冲突的安全环境中，只会将自己的置于温水煮青蛙的境地。

不要想为什么要提问，而是不要停止提问。当你思考永恒、生命和现实背后奇妙结构的奥秘时，你不感到敬畏吗？这就是人类思维的奇迹 —— 使用它的结构、概念和公式作为工具来解释人类的所见、所感和所触。

现在，他已经养成了如果被问到一个问题，他会迅速反映说 “我不确定，我必须调查一下” 或 “很好建议，我必须进行更多试验才能确认”。

2 有时直率效果更好

“不要粉饰狗屎 —— 它只会阻碍科学进步。我们没时间搞那些废话。”

当他被告知在麻省理工学院实验室担任的职位时，Mike 想到了自己本科期间结识的从麻省理工学院 EECS 获得学士和博士学位的教授。他跑去咨询该教授一堆问题：麻省理工学院怎么样？文化上与 UVA 的异同？长相怪异的蒂姆・比弗（Tim Beaver）是怎么回事？波士顿物价为什么这么贵……

教授告诉他很多很棒的技巧，但他特别记得的是他的 “警告”：“在麻省理工学院，直率无处不在。如果你有一个愚蠢的想法，人们会告诉你的。如果你不擅长你所做的事情，人们也会告诉你；如果你的假设是垃圾，对方无论是在几个人的房间里都会对你指出。”

Mike 拿小本本记下，在几个月后召开了他的第一次实验室会议时就领教了其中厉害… 他有一些想法，被大家告知不成熟；他犯了一个技术错误，被人直接叫了出来。麻省理工学院的每个人都会遇到这种情况 —— 无论你在《Science》上发表了 13 篇论文，还是从未发表过。这似乎都是在麻省理工学院会遇到的一种文化。事实上，如果有听众不断插话和提问，这甚至被视为一种尊重的表现 —— 意味着他们很感兴趣！如果自己的演示没有人打断，那可能是一件乏味的事情。

对知识的探索和对科学前沿的推动在 MIT 是神圣的，这种能够获得坦率、客观的反馈尤为推崇。在 MIT，直率沟通的时间和地点是随时随地的，你可以专注于工作，而不必担心批评是对本人的，它们仅仅是对工作的批评。在过去的几个月里，Mike 来寻求这种直率和客观的反馈，随着时间的推移和获得该领域的知识方面提供了最大的 “物有所值”。

我们尝试学习的时间有限尽己所能，那么为什么不去拥抱批评这种直观反馈呢？

3 学徒心态

“反复的失败会让你的精神变得坚强，并以绝对清晰的方式向你展示必须如何去做。”

Mike 有一项坚持了 3 年多的 Book-a-Week 挑战。在近四年的时间里阅读了 170 多本关于人工智能、哲学以及作为人类的意义的书籍。

他从书中获取的是：要成为某事的大师，真正了解一个领域并产生影响，必须经历发展的各个阶段。完成正规教育后，你可以进入 “学徒” 阶段，必须学习做事的方式和规则（无论是明确的还是隐含的）。持续 3 年到 10 年以上，接下来进入创造阶段，在这个阶段可以扩展并发挥自己的创造性和独立性。最后，你进入掌握阶段，掌握一门学科或领域就是一种投资。通过掌握一门学科，以一种有意义的方式发挥您的全部潜力。这是对未来幸福和成就的投资，也是一种避免陷入死胡同或随着年龄增长而感到不快乐的方法。

在深入学习人工智能 / 神经科学领域，Mike 就觉得自己正处于学徒阶段，用他最喜欢的作家 Robert Greene 的话来说，“接受理想的学徒制”。提出问题，热切地寻求知识，在学习事物时永远不要有优越感 —— 任何与自己领域相关的事物，即使是看似无关的事物，都值得学习。

4 成为一个有自主意识的劳动者

人工智能是否可以体验情绪是一个非常有争议的话题，他已经写了很多文章，惹恼了他的实验室伙伴，而且还没有接近答案，「我只知道我们是人类，拥有数千年的进化遗产。我们的幸福、悲伤、希望、胜利和失败等情绪或思维是非常独特的。它们正是使我们成为人类的东西，也是在人工智能中很难很快复制的东西。」

我们的大脑出现故障的方式比正常运行的方式要多，多巴胺水平可能会失控，出现病变，信号丢失或重定向不当…… 故障列表几乎是无穷无尽的，我们都会犯错，这是一件再普通不过的事，我们的所有情绪都是有价值的，是人能够区别于类脑系统和机器的重要部分。

在这个美丽的星球上，我们一直是一个有知觉的人，一个会思考的动物，而这本身就是一种巨大的特权和冒险。

想想之前已经被历史遗忘的所有故事，生存、爱情、苦难、逆境等主题在几个世纪中回响，独特的思维是时空里永恒且独特的纪念。所以，不管你生活中发生的任何其他事情，无论好坏，不管日常无聊的生存任务，不管你个人的得失：只要记住，成为一个有意识的、工作的人就是一项了不起的壮举。

5 科学是一种思维方式，而非知识体系

近来一种 “反科学” 的风气在美国各地兴起，这在很多方面令人非常不安。卡尔・萨根（Carl Sagan），在 1996 年已经惊人地预测到了这种现象：

对于我子孙时代的美国，我有一种预感 —— 那时，美国是一种服务和信息经济，几乎所有的制造业都转移到其他国家；令人敬畏的技术力量掌握在极少数人手中，代表公共利益的人甚至无法理解这些问题；人们失去制定自己议程或明智地质疑当权者的能力；人们的批判能力衰退，关于伪科学和迷信的轻信陈述泛滥，人们几乎不知不觉地滑回迷信和黑暗中去…

—— 卡尔・萨根《恶魔出没的世界：科学就像黑暗中的蜡烛》

一种对科学事业本身的怀疑似乎也越来越流行，怎样对抗这种 “反科学之风”？Mike 根据在 MIT 迄今所观察到的事情提供了一些见解。

首先，就是上文第一节所说 ——质疑一切。没有任何东西可以免于审查和合理的怀疑。当你看到一篇文章时，先看看是谁写的，看看他们之前的工作，是否有资本推动。在得出结论之前，要交叉地参考来源进行确认。问问别人为什么要争论，以及可以得到什么。如果论点存在偏见历史，那么自己很可能只看到事情的一面。

第二，分析论据，寻找逻辑中的常见错误，比如人身攻击、不合逻辑的推理，选择和确认偏差（其中选择性偏好最为要紧，因为它产生的深远影响难以被发现）；跟随作者提出论点的过程，确保论点在哲学上是有效的（correct，前提正确）、合理的（sound，结论从前提中得到）；警惕错误的暗示、毫无根据的主张和被人为控制的图表数据；要为所有论断寻求证据，没有证据就可以断言的东西，也可以在没有证据的情况下被驳回。

最后，认识到人都会犯错。数据往往不完整或有偏差，新的证据出现可能会冲击原本立论。思想是可以改变的，也应该去改变。成熟的做法是 —— 面对新的事实时，让旧观念消失，并承认所犯的任何错误。

图片来源：Greg Rakozy

Mike 希望这些建议可以帮助我们在这个看似 “后真相” 的世界中找到方向，学会深入挖掘论点，对结论的得出方式进行分析。科学是一种思维方式，是开放思想和怀疑主义之间的微妙界线。关键是，只要稍加实践，科学就能深刻地影响一个人的世界观。

---

via:

译文

• 我在 MIT 人工智能研究实验室工作一年学到的 5 件事 数学算法俱乐部 2022 年 05 月 23 日 20:00 北京 来源 ：AI 科技评论

  https://mp.weixin.qq.com/s/IDqhTJQn_gCK40kfghMpxw

  ---

原文：

5 Things I Have Learned Working in an MIT AI Research Lab for a Year

Mike Ferguson

Published in

Towards Data Science

May 4, 2022

How it has changed my views on life, knowledge, truth, and what it means to be human

Me, getting absolutely blasted by wind chill in front of MIT’s dome, January 2022.

Hiall! My name is Mike and I work in the Massachusetts Institute of Technology’s Brain and Cognitive Sciences department (MIT BCS) as a research software engineer/ML Engineer. I specifically work on Brain-Score, a tool to measure how brain-like AIs are. I have been