Yoshua Bengio：如何缔造出世界上最好的人工智能实验室之一的呢？

编者按：CIFAR是加拿大政府牵头投资的一个先进科学项目研究所，多年来，它致力于为各行各业的佼佼者提供研究资金支持，其中包括机器学习领域的两位先驱：Hinton和Bengio。近日，CIFAR官网刊登了一篇对Yoshua Bengio的专访，在文章中，Bengio不仅讲述了研究实验室从无到有的建设过程，也展示了自己青年时期的彷徨和梦想。

Yoshua Bengio，听到这个名字，相信不少人心中会升起一股钦佩。Hinton、Bengio、LeCun，曾经的加拿大学术界“三剑客”，也是公认的北美地区深度学习“三巨头”。如今他们一个去了Google，一个去了Facebook，连曾经梦想着为工业界输送生力军的Bengio，最后还是走出了大学的三层教学楼，接过微软递来的“橄榄枝”。

但总的来说，Bengio是三人中最看重学术纯粹性的。虽然在微软担任顾问，他现在还是CIFAR机器与大脑学习项目的联合主任，是加拿大计算机科学与运筹学系的全职教授，也是蒙特利尔大学统计学习算法研究主席。

在天下熙熙皆为利来的当前，保持这样一颗教学的初心是不易的。那么，在蒙特利尔大学原本“贫瘠”的土壤中，他是如何缔造出世界上最好的人工智能实验室之一的呢？

唯一的学者

1993年，Yoshua Bengio入职蒙特利尔大学担任教员。在当时，这个法国小伙是学校里唯一一个做机器学习和神经网络的人，所以他对前来询问的学生来者不拒。很快，这份热情就把他压得不堪重负，有了前车之鉴，慢慢的，Bengio逐渐适应了有选择性地答疑。

为了支撑研究进展，除了向学校申请研究资金，Bengio还积极利用校外的社交网络，联系上了在宗师级大牛Michael I.Jordan门下读博士后时有过合作的对象。在这些为数不多的学者中，多伦多大学的Geoffrey Hinton成了他日后的挚友。

时至今日，我们已无法想象独自奋斗的Bengio是怎样一副处境，但在这种情况下，自己拓展，甚至构建“学术圈”似乎是摆脱困境的最好方法。而他是幸运的，蒙特利尔大学在他身上看到了潜力，并迅速给了他教学赞助。

Yoshua Bengio

但缺乏经验的他还是低估了努力奋斗带来的后果。

在学校教学的前7年，Bengio只有两门课，所以有余力去完善自己的人脉网络，花更多时间去做研究。但当第二个孩子出生时，他已经入选加拿大首席研究员计划，教学任务也从两门课也变成了三门课，再加上筹建实验室，他第一次对家庭感到愧疚，也对教师这份工作感到不知所措。

回想起来，我完全可以创造更好的平衡。

我应该向一些年长的教授请教，无论他们和我是不是一个领域的人。如果我不那么内向，我也许能得到更多经验，但当时的我并没有意识到这一点。无论你是哪个部门的人，新教师就应该主动伸出手去建立联系，老教师们通常都很乐意帮忙，只是他们不会主动。

我必须成为专家

虽然没能协调好工作和家庭的关系，但Bengio还是从校外同行身上获得了不少启示。在第一个十年里，他和异地的Hinton进行了大量互动，而正是这些讨论，让他把扰动的心平静下来，专注于自己的研究。

Bengio从Hinton身上学到的经验是不要把自己的努力分散到不同地方。作为一名科研人员，他不应该为了当天的想法忘记自己的长期目标，无论这个想法的背后是否包含金钱、地位诱惑。同时，他每天至少应该为长期目标预留一部分时间，因为这个目标才是事业成功的决定性因素。

想法越多，就越容易陷入困境，也越容易错过重要的东西。

Geoffrey Hinton

在之后的十几年中，机器学习逐渐成了一个“吸金”又“吸睛”的领域，但这个理念一直支撑着Bengio保持“中立”。他认为，每个人都必须找到属于自己的路，如果你的目标是精通某一领域并取得突破，你就必须成为一名专家。因此，如果你是一名年轻的教员，你就应该瞅准一个方向，让自己成为这个领域最强大的人。

这样的观点并不是“站着说话不腰疼”。事实上，早在90年代，神经网络和机器学习就已经引起了工业界的兴趣。当时加拿大政府为了鼓励合作，向研究人员提供了数目可观的科研赞助资金。面对机遇，Bengio自然也无法免俗，当时他找了一些和自己研究契合领域的项目，收了不少赠款。

但这段经历显然给他留下了不良印象。当他向加拿大自然科学和工程研究委员会（NSERC）等组织提出建议时，他发现这些“金主”完全不关心研究人员的想法和意愿，他们只期待几年后的成果报告。

而这还不是更严重的。在学界，科研人员通常没法预测什么是热门课题，自己以后会遇到什么难题。但当你和公司签订协议后，你就可能会丧失研究的纯粹性，转而去迎合公司管理层的喜好。以NSERC的项目为例，Bengio就被要求去做最“先进”的研究，然后不停发表引人注目的研究论文。

对青年研究者来说，这绝对是科研道路上的甜蜜陷阱。

“以人为本”的实验室

凑足经费后，蒙特利尔的人工智能实验室开始步入正轨。早期，由于种种原因，Bengio其实还没有攒够培养博士后的钱，实验室运营捉襟见肘。为了解决这个问题，他尽量招收底子比较扎实的学员，尽快成立了一支强大队伍。至于实验室的管理，他大胆信任学生的自然领导能力，招收实习的博士生、研究生甚至本科生来进行尝试。

我们不应该低估年轻人在管理上的能力，他们可能比年长的人更优秀。

如今，虽然有不少大学都在抱怨科技公司抢走了学校的人才资源，但Bengio并没有为此担心。

相反地，他面对招生一直抱着一种“赌博”的心态。比起计算机科学和机器学习专业的优秀学生，Bengio更喜欢有深厚数学、物理学背景，且对机器学习有极大兴趣的博士。他认为这些人虽然目前进不了Google Brain这样的优质机构，但凭借知识功底，他们可以在短短两三年内就掌握深度学习技术，也能证明自己在这一领域的能力。这是个双赢的结局。

至于这些博士肯不肯来，这完全出于个人选择。如果愿意加入实验室，他们能参与研究，发表论文，大大提高自己对工业界的价值。这也意味着更多的公司选择、更高的职位和更多薪水。当然，有些人也不需要读个博士后来证明自己，他们可以直接入职工作。

另外，对于某些人来说，钱并不是他们的唯一追求。成为博士后带给他们的好处就是了解学术圈的运作方式，参与管理和做一些自己真正喜欢的研究。

机器学习“宗谱”

作为学校的“大老板”，Bengio的实验室已经经历了从最初的3人到现在几十人的蜕变。但这不是一朝一夕就能实现的，他必须学会如何管理更多的人、建立基础设施和管理资金，而这是一个循序渐进的过程。

现如今，许多大型实验室都普遍存在一个问题，就是随着人数增多，实验室发表的论文虽然多了，但教授花在学生身上的时间却少了，那么教授对学生又有什么意义呢？对此，Bengio的做法是把学生从家里拽出来，让他们始终和同学、其他教师互相协作。这样，虽然他们丧失了和教授的一对一关系，但这些人能围绕多个教授形成复杂网络，学到的东西更多。

而这种做法的一个前提就是让学生们亲自到实验室学习，让他们做到物理层面上的靠近。打通他们和陌生教授之间的交流障碍，不断扩大学习小组。

其他事项

既然是跟随导师做研究，研究经费是很多人关注的内容。众多周知，相比美国，加拿大博士的待遇会逊色不少，但这种差距似乎并没有阻止一批批学生投奔Yoshua Bengio的步伐。

在Bengio的实验室里，他采取的方法是把所有资金纳入总的资金池，当学生有科研经费需要时，任何人都会获得资助。换句话说，这其实是让学生放下资金压力，优先把精力投入到合作和研究中，而不是把经费额度作为标尺，衡量自己的科研目标。

当然，这中间必然有一个申请的过程，而资源也一定会向资深教授倾斜，降低他们获得资金的门槛。Bengio认为，如果科研人员不觉得自己受到金钱限制，那么他们一定是抱着快乐和探索的心在研究。

看到这里，也许有读者对跟随Bengio学习已经有所期望。事实上，自从深度学习热度被炒起来后，寻找优质生源对Bengio来说已经成了挑战，因为去年光是申请简历，他就收到了700多份；而今年，这个数字估计会超1000。在这种情况下，他无法做到亲自回复每封电子邮件，学生也没法体现自己的优势。

而Bengio本人也透露了录取率较高的几个途径，一是上他的课，给他留下深刻影响；二是去他的实验室当实习生，毕竟博士学习需要5年，合不合的来，这是件需要实践检验的事情。至于不在加拿大的同学，大家也不必气馁，你们要做的是让自己在顶会中崭露头角，并主动和Bengio本人建立联系。

作为学术派的代表，Bengio多少也会参与一些企业项目。对于这一点，他本人也积累了一些心得：有时候，你的期望与企业的期望合不合拍，这可能是合作了几年后才会知道的东西。但作为研究学者，你要做出一些事先声明，比如学者不是生产产品，也不是在给工业界提供廉价劳动力，他们的价值在于提出改变业务的惊人想法，因此雇佣人才本质上是一种变相投资。

有了这些想法，企业还要组织内部人员进行实现，否则合作很可能就失败了。AI技术很诱人，但企业也必须为此付出相当的代价。

总之，无论是经营实验室，还是治学研究，你都必须保持自信，保持自我独立思考的能力。如果感到困惑，就放下所有事，放下编程，有一些答案总是存在于我们大脑的深处，用一周时间思考让你烦恼的重大问题，有时也很有效果。