AI时代博士成长指南：选导师、科研节奏与传播之道

本期访谈的嘉宾是李磊，一位在大模型领域有丰富经验的研究者，同时也是香港大学在读博士，曾参与大模型后训练相关工作。他一边投身飞速发展的AI行业，一边攻读博士学位，既享受着AI带来的机遇，也面临着由此产生的焦虑。本次访谈围绕AI时代如何在博士阶段取得理想结果展开，探讨了博士路上的诸多关键问题，包括科研节奏的选择、学校与导师的权衡、不同地区深造的考量、研究与实习机会的争取、研究成果的传播、本科阶段进入AI实验室后是否仍需读博等，还提及了博士圈里的“大粉理论”，即个人社交媒体粉丝量超过论文引用数所反映的传播方式变化，以及RSI、数商、Benchmark等近期热点话题。如果你正准备攻读博士，或正为研究、毕业和求职感到焦虑，希望这场对话能为你提供思路，明确下一步值得投入的方向与行动起点。

访谈以快问快答的形式帮助大家了解李磊： 年龄：28岁 MBTI类型与星座：ENTJ，巨蟹座 求学经历：2016年进入西安电子科技大学攻读本科，2020年进入北京大学计算语言学研究所攻读硕士，2023年进入香港大学NLP Group攻读博士。

PhD怎么拿理想结果？

关于博士阶段取得理想结果的核心经验，李磊分享了自己的思考： 首先，是否要读博士是重要的决定。他曾纠结很久，最终认为，如果10年后回顾人生，可能会后悔没有尝试读博，因此选择了这条路。尽管机会成本不小，尤其是工业界与学术界的待遇差距，但他认为可以先专注于自己想做的事，钱的事情可以后续再考虑。 他的博士阶段开局颇具戏剧性：在北大的最后阶段，他与师弟合作获得了最佳论文；入学两个月后，他参加的第一个会议上，师弟的论文中了最佳论文，他自己也有一篇工作入选。不过刚入学时，他曾对能否顺利完成博士考核感到犹豫，但2023年11月入学两个月就获奖的经历，让他一度担心是否“出道即巅峰”。 他总结了自己的博士阶段的核心方法： 一是快速迭代，保持专注高效的工作节奏，积极参与社区交流，向同行或前辈获取反馈； 二是选择“难而正确”的问题。所谓“正确”，一方面是领域内的重要问题，另一方面是有难度的问题。在重要问题上哪怕取得一点进展，也能产生很大的影响力。他补充道，做难而正确的事虽然看起来慢，但只要找到合适的切入点，扎实地推进，就会被后续研究者视为重要的里程碑，不会被过度苛责。

这套方法是否适用于所有人？他认为这套方法能在很大程度上减轻焦虑，但不一定适合所有人。

博士阶段常见的焦虑点包括： 1. 论文发表：顶会系统在AI冲击下似乎难以为继，审稿压力增大； 2. 毕业要求与论文价值：即使发表了很多论文，也可能面临领域被新技术颠覆的情况，比如具身智能领域的变化； 3. 从博士到工作的转换：如何将研究成果转化为工作所需的能力。

应对这些焦虑的建议是： 1. 保持心态放松，相信学术审稿系统的内在生命力，好的内容仍会被录用； 2. 关注研究的实际价值，不要被社交媒体的炒作影响，要深入理解大模型的“锯齿状智能”特点——有些方面表现出色，有些方面则存在不足，需要通过实际的实验和分析去探索，而非只看表面的热度。

比如在具身智能领域，值得研究的问题包括能力的来源，以及模型在不同环境（如模拟器和真机）中的泛化差距等。

AI论文会挤垮顶会吗？

面对学术顶会被AI论文大量涌入的情况，李磊提到了审稿人的压力变化：他做审稿人和领域主席时，审稿量从原来的两三篇增加到约10篇，审稿人的工作量显著增加，导致判断的随机性增大。 社区也在采取措施应对，比如限制投稿数量、让资深审稿人承担更多责任、引入AI辅助决策等，像AAAI要求由两位资深领域主席共同做决定，以提升录用决策的准确性。 不过，他强调不要把论文是否被接收作为最终的评价标准。对于那种用SOTA模型写大量论文尝试“撞大运”的做法，他认为不可取，这相当于对学术系统的“DDoS攻击”，真正有价值的是研究本身，而非论文能否中稿。如果能通过人+AI的组合提出有价值的问题并解决，是否投稿并不重要。

关于新的评价体系，他指出目前已经开始弱化论文发表的作用，但只要存在评价体系，就会有“钻空子”的行为。现在筛选候选人时，论文不再是必需条件，开源项目的贡献、代码和数据的可维护性，以及研究成果的实际影响力（如在相关平台上的下载量），成为更重要的指标。他还提到，下载量可以通过一些方式“作弊”，但成本较高，所以真正有影响力的研究还是会自然获得关注。

PhD为何要做自媒体？

李磊的社交媒体粉丝数达到2.4万，他将其归为博士阶段的“必做之事”之一。他认为社交媒体是快速获得反馈的渠道，能吸引有相同研究兴趣的人交流，形成良好的反馈机制。另外，“大粉理论”也反映了研究成果传播方式的变化——博士的社交媒体粉丝量和点赞量超过论文引用数，就像“注意力是一切的核心”的体现。 现在学术会议的论文数量大幅增加，传统的论文分发机制（如根据关键词和导师推荐）已经无法覆盖所有内容，而社交媒体的推荐系统能让研究获得更多曝光，进而强化研究的价值。 除了“大粉理论”，他还提到“薄肌理论”，即博士阶段要重视身心健康，不要过度消耗自己。

关于如何运营自媒体，他给出了三点建议： 1. 利他：持续产出对他人有帮助的内容，而非只发有争议的观点，这样的影响力才是自然的副产物； 2. 坚持：即使初期粉丝增长缓慢，也要坚持发布，保持真实的状态，吸引同频的人； 3. 做自己：不要模仿他人，找到符合自己风格的内容方向，粉丝数量不是最重要的，找到志同道合的交流群体才是关键。

他的自媒体点赞较多的内容包括获奖经历、高引用论文的解读，以及对其他研究者工作的分析，比如对相关团队研究的解读。

PhD阶段的划分

如果将博士阶段从入学到毕业划分，李磊认为可以分为几个阶段： 1. 掌握研究的基础知识：在开展研究前，需要掌握机器学习、统计学等基础理论，即使现在AI工具普及，自己动手实现基础算法、学习经典课程仍很重要，这些基础知识是后续研究的基石； 2. 知识的传播：包括论文写作、实验设计、验证假设等，AI可以作为辅助工具，帮助提出建议和完善假设； 3. 最大化研究的影响力：做好自媒体宣传、开源项目、博客分享等，将研究成果传播出去，这是博士阶段需要掌握的基本功； 4. 领导力培养：在掌握研究流程后，要学会指导更 junior 的同学，从“执行者”转变为“指导者”，根据不同同学的特点给予不同的引导； 5. 从学术界到工业界的转变：适应更现实、竞争维度更多的工作环境，这也是他正在学习的内容。

没资源，研究怎么起步？

对于博士阶段的冷启动，李磊分享了自己的经历：大三时他勇敢地向多位老师发送邮件，最终获得了一位老师的实习机会，得以进入研究领域，进而发顶会论文、顺利保研。 现在的情况更难，有名气的教授邮箱里全是申请邮件，工业界的算力和资源也更稀缺。他建议，要想办法提升自己的影响力，不仅看论文，还要看实际产出，比如GitHub项目、好用的工具包、有价值的应用等，这些对算力需求较低，适合发挥创造力。 如果是研究岗位，要注重基础能力的打磨，写好研究博客，做小实验推导和改进，即使没有大量算力，也能产出有价值的成果。他提到相关研究者早期的博客全是推导，没有大量算力，却提出了重要方法，现在被广泛使用。 他强调，要主动联系他人，即使很多人不回复，也要坚持输出，积累作品集，就像“只要一直build，就有好事发生”的观点，这和他的经历一致。

关于成功的博士案例，他提到了伯克利的Eric Wallace，他曾做大模型安全研究，毕业后进入相关企业，在相关事件中作为内部研究员复盘，其研究思路清晰，能在合适的时机提出并定义重要问题。

选学校还是选导师？

选择博士阶段的学校和导师，他认为选导师的优先级远高于选学校。读博士更像传统的师徒制，不同地区的情况不同，国内更偏向上下级关系，其他地区更偏向合作与支持。 学校排名的影响有限，Top30和Top50的学校之间没有太大本质区别，而课题组之间的差异更重要。需要关注校友的成果和精神状态，私下询问在读和毕业的博士生，了解课题组的氛围。 他提到，选择导师时，公开信息可以作为参考，但很多细节需要实际合作才能了解，最好的方式是做RA，一方面能了解课题组的风格，另一方面能打听更多信息。他自己就是通过在上海AI Lab实习，认识了现在的联合导师孔令鹏老师，合作半年后觉得风格匹配。

慢科研，对吗？

对于学生慢科研倡议，他认为这个倡议与当前的升学季考核要求存在冲突。倡议希望本科生不要急于发论文，而是慢下来做研究，老师们也不会把论文作为唯一的筛选标准，倡导有扎实的研究产出和经历，而非为了简历挂名或产出质量不高的论文。 他认为，学生要平衡好课业和科研，心态放松，节奏可以稍慢，但要稳步推进，快慢是相对的。

关于自己的工作节奏，他会花较多时间选择方向，前期花的时间越多，后续越高效。他曾有过失败的经历，做了一个idea但没做好预实验，花了半年时间调算法，最后发现假设错误。现在他会用小的假设做快速验证，选择方向时密集阅读论文、和老师讨论，确定方向后就快速推进，最大化GPU利用率和数据处理速度，用AI辅助并行加速产出。

内地 香港 美国，选哪里？

在不同地区读博士的优劣： - 内地：优势是能更快进入工业界，劣势是部分高校的考核压力可能导致导师动作变形，需要谨慎选择课题组，有的课题组能平衡好运转和学生成长； - 香港：与内地融合密切，有独特的优势，吸引的老师更有活力，但生活压力较大； - 美国：离硅谷和学术圈更近，但签证和实习问题相对痛苦。

适合去美国读博士的人：不挑剔美食，能适应当地文化；适合留在内地和香港的人：能在压力下平衡好各种事情。

现在博士们聚在一起，除了学术，讨论最多的是找工作的待遇，低年级的同学会关注研究方向的价值，希望毕业后能顺利过渡到工作。

关于AI和非AI专业的差异，他认为现在存在“i型分化”，AI领域的人和其他领域之间有很大鸿沟，但AI是平权的，现在可以通过工具获取大量知识，用好AI能提升自己领域的效率，未来不是AI替代人类，而是能用好工具的人胜出，需要积极拥抱变化，结合不同领域的优势。

对于教授创业的浪潮，他认为现在的融资环境以科技为导向，前沿研究者成立公司能更快推进事情，起到杠杆加速的作用，但也需要付出代价，需要权衡不同阶段的需求。

还有必要读 PhD 吗？

是否有必要读博士，取决于个人的期望：如果是为了进入大公司，没有必要，本科生也能进入，比如很多优秀的研究员本科就很出色；但如果希望有一段相对完整、没有太大压力的时间，专注于研究，满足好奇心，培养基础知识和能力，读博士是很有价值的，这是人生特殊的旅程，5年的时间并不漫长。

2026年的AI感悟

2026年的AI带来的Aha Moment： - Agent范式被推到前台，对社会形态的冲击很大，从分类任务到机器翻译，再到现在的Agent能自动化做很多事情，未来会延伸到物理世界； - 大模型后训练直播，大规模RL带来了全面的能力提升，让他感受到了类似早期训练的震撼。

MiMo为何直播后训练？

将大模型后训练直播的初衷，是为了给行业带来正向引导，打破对中国大模型的负面印象。大家之前觉得RL难度高、对资源要求高，他们希望证明这件事可以做，并且效果很好。通过透明的直播，开源相关内容，吸收反馈，改进不足，放大优势。

直播后收到的反馈： - 国内：大家关心花费的费用，看到金额时会有较大冲击； - 国外：对透明度表示震惊，认为这是首次工业级直播，展示了训练过程，对研究者来说很有价值。

RSI、Benchmark相关思考

关于数据行业的估值，他认为估值高是正常的，大模型需要算力、数据和人才，好的数据、算法和基础设施带来好的效果，数据是智能的源头，高质量数据的生产者理应获得回报。 数据公司的可持续性：随着模型能力提升，能持续产出高质量数据的公司会有价值，但模型自己产数据的成本会降低，竞争会加剧，能规模化产出高质量数据的公司会有优势。

关于RSI（模型自己训练自己），他认为信号越来越强烈，模型产生数据帮助自己改进，就是广义的RSI，目前进展迅速，但定义问题的能力还未被很好挖掘，需要研究员来把控方向。

关于Benchmark，他认为需要衡量模型的新能力，数据质量要从实际场景出发，做好易用性，帮助他人节省时间，这样的Benchmark才会被广泛认可。

最后给在读博士和学生的建议：论文迟早会中，要照顾好自己，吃好、喝好、睡好，不要因为研究过度消耗自己。