2021 年 12 月，机器之心经官方授权，举办了 2021 NeurIPS Meetup China。在 Meetup 中，我们五位「永远年轻的老朋友」：加州大学圣巴巴拉分校（UCSB）计算机科学系副教授李磊、亚马逊资深首席科学家李沐、清华大学交叉信息研讨院助理教授吴翼、英国伦敦大学国王学院（KCL）计算机系助理教授杨耀东、循环智能（Recurrent AI）联合创始人，清华大学交叉信息院助理教授杨植麟，组了一桌「学长 Chat」，围绕着 AI Research 的价值该如何采用和落地？和大家聊了聊读完博士生涯后的研讨采用。
博士后的 AI Research 该如何采用？
「 2011 年从 CMU 博士毕业后，采用了去做博后，2014 年在伯克利做完了3年博后之后，去到了百度美研，2016 年做了第三次采用加入字节跳动，以及 2021 年决定离开字节跳动采用去 UCSB 做教职。从学界到业界再到学界，中间的这几次采用李磊教员跟我们分享其中考虑的关键在于：人、做的事件以及要加入的团队。」
李磊：人、做的事件以及要加入的团队，这三个点是我感觉做所有职业采用内部对照重要的三个点，但是能够还有人会加上另外一点，就是待遇。今年我是从企业回到学校，这个跟我长期的想法还是一致的，因为我长期是希望可以或许去做研讨，同时我还希望可以或许去培养下一代的人才。做研讨这一点，在学校做和在企业做本来都可以做，各有优势，在企业能够资源会更多，也许会做出更实用的一些事务。在学校可以做一些更基础的研讨，可以脱离一些束缚，这个各有优势。但是从培养人才从教育的角度讲，这个就会有十分大不一样。我们知道企业它是要为商业成功去服务的，是要可以或许盈利的，为股东负责、为用户负责的，要做出好的产品的，但学校尤其是顶尖的大学，最重要的是两个功能：第一个是教育，我们要把学生教育好，第二个是我们要做出一流的研讨。我认为这两点是符合我长期想做的事件的。然后我们再看人的话，那我要看未来去合作的一群人，是不是我十分愿意去跟他们一起合作。我在这个组织内部是不是可以或许得到足够的资源、足够的支持去完成我希望可以或许做到的事件。那如果从人、事、组织、团队这几点都可以或许跟个人的职业目标一致起来，那这就是对照好的一个机会，这是我的思考。
「 这些年 AI 领域，博士毕业后直接去守业的情况也不少，李沐长辈在加入 AWS 前有一段 7 个月的守业经历，杨植麟长辈在 2017 年读博期间就创立了循环智能。关于守业，杨植麟长辈是出于简单的动机：他认为 AI 技巧的研讨最终它的落脚点是产生社会价值，这能够才是最有意义的事件。李沐教员认为守业是一个很好的进修机会。」
杨植麟：本来一开始想做这个事件，我感觉也是出于一些简单的动机。因为我感觉我们做的这些研讨本来还是能够偏技巧，我会分成有一些是技巧，有一些是科学，有一些是一些偏理论的器械。我感觉每一个它的终点会不太一样。 AI 本来有许多这种技巧的研讨，我感觉最终它的落脚点肯定还是要去产生一些社会价值，这能够才是最有意义的事件，它是一种价值落地的方式。不管说是去做什么事件，能够我最终关注的还是会去填补这种技巧和社会价值之间的 gap ，有能够中间是有一些落地的事件，也有能够必要一些更根本的技巧上的突破，你才有能够能真正最后实现这个 mission ，但是我感觉这个能够最终的目标是对照清楚的。
具体在这个守业的过程中能够会有几点确实会跟纯学术界的研讨有一些不同。
第一个不同是如何结合业务场景。例如，训练盘古大模型本来跟用一种学术的角度去训一个 GPT 的模型还是有很大的不同；还必要考虑许多业务场景，包括几千个业务内部的 task ，但如果是在学术界的环境下，本来很难找到这么多开源的数据集。如果最后就想在这几千个数据集上做到 zero shot 或者 few shot 的结果，那这时 pretrain model 应该怎么去 design ，包括在整个开发测试的过程中具体的算法和框架的采用，都是一个很不同的点，要求我们去结合一些业务场景，然后以终为始地去想这个事件。
第二点不同是课题不再单一是算法。比如，如果当某一个 AI 的模型或者技巧必要去落地的时候，往往必要去改造它的这个运营流程。再比如，未来要做一个新的模型，那你能够你从数据的标注到怎么去使用这个 LP 平台的各种流程去上线本来都能够发生改变。它跟直接去研讨一个模型去刷个榜，确实不太一样。
第三点不同在于推进不同部门之间的协作。一个人的能力是有限的，真正的研讨和落地必要有一个好的组织架构，可以或许去推进组织不同部门之间的协同，包括运营侧、产品侧、工程侧，还有算法侧，再通过一些 OKR 的手段去推进部门之间的协同、分工和拆解。
李沐：我守业是在五六年前了，也是刚读完博士第四年的时候，我感觉读完博士去守业是十分十分好的，你没有太多的心理压力，没有在乎失败还是成功。我感觉守业特别第一个守业，你就把它当作一个进修的机会是对照好的。未来回头看那一年，我感觉我虽然在技巧方面当然是不错，但在管理方面不行，不知道如何带一个团队。PhD 出来往往是做技巧，而不是产品。然而，实际上技巧到产品落地是有一个十分大的 gap。在大厂能够会好一点，因为公司已经帮你将整个产品定型了，你只要把技巧像拿个钉子敲进去一样，相对会容易点。但在守业公司什么都没有的情况下，如何去做，这个本来是挺难的。
我感觉每个都是一个进修的机会，是通过守业来学，还是通过去大厂来学都可以，都是一个很宝贵的进修的机会。如果未来回头看，我感觉还是很困难，就算未来知道一点器械，再回过头再去做也是很难的一件事件，所以我感觉如果大家想博士毕业去守业，或者读完书出来去守业是挺好的。你就是要抱着一个 99% 能够失败且会走许多弯路的心态，但这是十分好的进修机会。当然去大厂也是一样可以学许多器械，大厂相对给你的是一个更安静的环境，相对舒适，这也是一个很好的进修机会。所以无论是毕业要去守业还是去大厂，都挺好的，都是不错的采用，都应该试一试。
「 观众提问环节：博士毕业之后工业界学术界怎么采用呢？杨耀东教员认为必要耐心的去思考机器进修本质的课题到底是什么，那这个思考的过程能够从学界出发才能看的更本质，又或者从业界实际课题出发能看得更透彻，想出的解法也更实际。吴翼教员指出学术界的岗位就远比工业界可以或许提供的岗位要少，自然竞争会远比工业界要大。所以当你真的要采用学术界的时候，你必须在心里明确，为了（学术）自由，自己能否展现强大的驱动力，承受实际的收入情况。」
杨耀东：本来两者并不是非此即彼的割裂的。学术界的科学课题往往抽象得好，能凝练出一系列课题的元课题并进行解决，而工业界碰到的课题往往更加接地气，能带来直接经济价值。事实上在 AI 这个领域，一个好的研讨人员会往往有学界的背景，一个好的学者往往在某段时间会学术休假加入业界。核心我感觉是要能在自己所在领域做出有影响力的事务，或者说是出圈的事务。这些事务往往不是 A+B 或者把 A paper 的 trick 放到 B 方法里就能达成的，是必要耐心的去思考机器进修本质的课题到底是什么，那这个思考的过程能够从学界出发才能看的更本质，又或者从业界实际课题出发能看得更透彻，想出的解法也更实际。我身边的经历是，许多朋友，长辈，教员，都有着在学术生涯不同阶段参与到不同的科研机构的经历，包括我自己的导师和我自己也是。嘉宾如李磊也是。
吴翼：我记得我们院张焕晨教授在知乎上写过一个类似的回答，写的很不错我给他打个广告。这里也说一下我自己的观点，当然和他的十分类似。首先，我要明确一点，学术界是远比工业界困难的（虽然这个很反直觉，又累钱又少，但是这是事实）。最简单来说，学术界的岗位就远比工业界可以或许提供的岗位要少，自然竞争会远比工业界要大。所以，当你真的要采用学术界的时候，你必须在心里明确，为了（学术）自由，你是不是愿意面对：更大的自我驱动的压力；更低的工资；更多杂活（学生管理，教学，经费申请）等等。如果你对于这些课题都能给出明确的态度甚至乐在其中，那么结论本来往往是明确的。一般来说，如果有一个同学对于上述的角度存在犹豫心理，那么我一般会直接建议他们不要多虑了，去工业界赚钱吧，挺好的，起码可以多吃不少好吃的。
如何平衡事务&科研？
「 李磊长辈在字节跳动这样高速成长的公司任职多年同时还进行研讨事务，关于平衡事务和科研，李磊教员分享到一个是选题，一个是时间精力分配，我感觉这两点对作为企业忠诚的执行者、管理者来说是十分重要的。」
李磊：在字节跳动的事务职责就是要建立和打造一个团队。这个团队要可以或许兼具两方面的功能，跟完全的研讨模式还有点不一样，它不是纯粹的一个研讨，它既必要去做跟产品有关的一些方向的前沿技巧研讨，同时还必要去把一部分技巧直接转化到产品内部，或者甚至直接打造产品。那我们可以看到许多的尤其是国内的像 BAT 这一些企业，它的许多的研讨院几乎都是这样的模式，就是一半研讨加上一半工程技巧转化或者直接打造产品。
那这内部要做好本来就取决于选题，选题是十分十分重要的。这个是十分考验说你作为这个研讨院或实验室的负责人，这是你必要去把握的，你不能说我就直接去做产品，我直接选一个产品的方向，那你就和产品部门完全一样了。
另外一点是时间精力的分配。我曾经的 manager 马维英，他当时给我一个十分好的建议，就是当你的团队十分大的时候，你能够本能的一个意愿是什么？是去帮助你团队内那些能够绩效不太好的人，让他们绩效更好。但是马教员给我一个建议说，恰恰相反，你应该把你的时间去花在你的团队内部最重要的项目上以及最有潜力的身上，你不应该平均的分配时间，也不应该把时间去补漏，应该去把这个优势发挥得更好，而不是平均去分配这两点。
一个是选题，一个是时间精力分配，我感觉这两点对作为企业忠诚的执行者、管理者来说是十分重要的。
「 杨植麟长辈在 CMU 攻读博士期间创立了循环智能，未来也在清华继续教职科研事务，他谈到同时管理守业公司和开展研讨事务，重要的是在于人才的培养或者团队的搭建从而有一个更好的组织的思维去做这个事件。」
杨植麟：坦白的说，我内心住的一个这个纠结的灵魂，我感觉许多课题本来跟刚才这个李沐教员，包括许多其他教员说的，我感觉是对照本质的，这内部本来许多是这种长期的 vision 和中短期的 plan 之间的这种取舍。就是你到底是要去做这种更长期的器械，还是一些更中短期的这个落地？那有没有能够在这两个器械之间去取得平衡。
我感觉这个内部他不同的采用能够会有不同的这个好处和坏处。比如说如果是只做长期的一个事件的话，那那他会面临一个课题，你的 vision 是从哪里来的？这个是我之前一直没有解决的课题，我不明白我的这个所谓的长期的 vision 是从哪里来的，因为我始终相信这个技巧它最终是要去解决课题的，我们能够要先明白这个课题是什么。
另外我感觉这个中间本来还是有一个能够可以互相借力的地方，可以从一些实践内部去找它的未来的技巧的样子，然后去找到一些对于终局的判断，反过来去驱使长期的投入和发展。我感觉这种是能够一个对照理想的情况。
还有就是能够许多情况下不管是守业还是学术研讨，我感觉重要的是在于人才的培养或者团队的搭建，最终还是要尽人之智，而不是说尽己之力。这个能够是一个很重要的一个点，就是必要去有一个更好的组织的思维去做这个事件，而不是能够想这个凭一己之力去做这个事。
「杨耀东长辈攻读博士前曾在世界金融中心（伦敦）从事了一段时间的量化金融的事务，但之后却没有继续在金融行业发展，而在事务期间开始攻读计算机博士，博士期间虽然也随导师在大型 ICT 企业担任要职，但也一直没有离开高校。这段经历中关于事务和科研的平衡，杨耀东长辈指出无论是从读博的这个角度，能从接地气的课题里归纳出有效的科学课题并进行解决，还是从企业的角度，能提升从点到面的交流的能力。」
杨耀东：我感觉同时做一些纯科研的器械和在企业做一点项目之类的这个器械，它们之间的鸿沟还是对照大的。你像企业的话，它一定是想要做一些落地的器械，无论是在科技企业还是在金融企业。读博这边的科研的话，更多的是一些阳春白雪的器械，大部分的时候并不能用 A 加 B 加 C 来解决，相反能够一些落地的课题，能用 A 加 B 加 C 的这个思维去解决。
从做博士这个角度来看，当企业有许多的落地压力的时候，你应该找准自己的位置，不去做太多下里巴人的事务和诗和远方的器械。但是从企业的角度上来讲，我感觉在企业的经历也的确是给了我一些能够纯读博士的这个阶段收获不了的一些能力，尤其是在企业更培养了一个从点到面的能力。
事实上我感觉从点到面，这个是我自己在企业受到十分多培训的地方，也是在后续我找教职过程中，在系主任反馈中他们也十分意外且 appreciate 这个能力，所以我感觉无论是从读博的这个角度，能从接地气的课题里归纳出有效的科学课题并进行解决，还是从企业的角度，能提升从点到面的交流的能力，是我能够过去几年收获对照大的一些经验。
「带团队发 paper、搞开源、授课、奶娃四不耽误，李沐长辈谈到，他挺赞同李磊教员说的，要知道你要干什么，你在一个团队内部，你的角色是干什么事件，你带人时你的角色干什么事件。」
李沐：难点就一点，我在读博士的时候，我很喜欢叔本华讲的一句话：人生就是在痛苦和无聊之间徘徊。每次做一个 paper、做一个 project 就特别痛苦，因为能够实验跑不出来， idea 想不出来，paper 写不出来等，但做完之后投完论文之后的那一瞬间整个人会很满足，有种积累在脑子中的器械发泄出去的感觉。这个时候你就会有一段很平静的时间，就感觉不能再写了，但是你熬了几天之后，你就会感觉很无聊没有事件干。无聊之后，你就开始一个新的轮回，叫痛苦的轮回。
然后事务之后，我发现养娃这个事件比读博士难多了，我特别佩服人类是怎么延续下来的。未来我的感觉是说人生就只有痛苦，没有无聊了。养蛙不会说你还有一个阶段性的享受的过程，在一个痛苦到另外一个痛苦之间，一个很 smooth 的变化，就是人不再无聊了，时时刻刻每分每钟都会塞满你的所有的时间。这时你只能在那个时间内部去挤出一点时间事务。事务的时候我感觉我挺赞同李磊说的，你要知道你要干什么，你在一个团队内部，你的角色是干什么事件，你带人时你的角色干什么事件。我对自己的定位是我手不如别人快了，我感觉我手速没有变慢，但我时间更少了，而且我感觉我招的人，我团队内部人都特别强，手速比我厉害一些。
那么我能干什么事件呢？我能干的事件就是多到处看一看。因为一个团队，特别一个研讨团队，如果没有一个特定的产品、没有给公司创造特定的价值，那么在公司内部是很难生存的。如果你纯发论文的话，你也落不了地，因此你要会去看去找到你的生存的那个缝在什么地方，然后你要扎进这个缝里，然后才可以或许把资源慢慢地整合起来。这个是我对自己的一个定位，我对自己定位从来不是把一个器械做出来，只是做一点器械有效果，再说服另外一两个同学做一点有效果，然后再说服老板，让老板们说这个器械有效果，我们再继续做。
如何保持对 AI research 的坚持
「吴翼教员有没有想放弃 research 的时候，如何坚持下来？有哪些爱好？」
吴翼：本来是有的。如果大家去翻一下我的 publication list 能够可以看出来我自己在读博士的时候是有一个明显的方向转变的。我是14年开始读博士的，到 NIPS2016 我发表了第一篇强化进修论文，能够大家会好奇中间两年我在做什么。我申请博士的时候，深度进修刚刚出现，贝叶斯进修（比如 Topic Model; MCMC）的热潮还没有完全褪去，我一开始的研讨方向是 Probabilistic Programming，是希望搭建一套以贝叶斯推理算法为核心的通用编程语言（某种意义上和 MXNet 很像，MXNet 采用 Gradient Descent 作为通用算法，以一套抽象语言描述神经网络；我当时参与开发的语言叫 Bayesian Logic，是以 MCMC 算法作为通用算法，以 Logic 作为语言描述贝叶斯逻辑和图模型的）。当然我们不去细说贝叶斯和深度进修的优劣了。至少从时代的发展来看，未来纯贝叶斯进修是对照式微的（虽然以后说不定） ，那么在当时一个刚开始读博的学生来说，本来是蛮痛苦的，感觉学术圈赏识的人越来越少了，十分迷茫，尤其当时我们组还接了一个 DARPA 的项目，必要我带着许多本科生完成项目指派，这是很累人的。再加上论文的不停拒稿，有一段时间确实是整夜整夜睡不着觉。
我当时论文投稿大概是投了 9 次中了一篇。我当时给自己说，我要是达成 10 中 1 这个堪比巅峰科比（joke 我本来很喜欢科比）的命中率，我就 quit。不过感觉能够上天确实不希望我 quit，最后 10 中 2。未来我的学生 paper 被拒了经常想放弃，我就会以自己的经历开导他们，我当年比他们惨多了。
当然除了不停的投稿之外，我感觉很重要的事件是，在自己做好自己的本职事务的同时（这点很重要），要多去跟人聊，多去寻找机会。这里也十分感谢我开明的导师以及伯克利十分开放合作的风气。我大概是 2016 年年初去敲的 Pieter 教员的门，说我想试试 Deep RL。Pieter教员十分热情接待了我，给了我几个课题采用，同时再三叮嘱 “You should keep your advisor on track”。当时也很巧，我采用了 Value Iteration Network 这个项目去做，最后拿到了 Best Paper。当然那段时间压力也很大，因为必要进修 Deep Learning，进修 Deep RL；同时还要兼顾 DARPA 的项目，但是很幸运最后这些事件都做好了，之后当然还有蛮多波折，但是总体看来就慢慢变好了。未来回过头看看，多沟通多交流多合作确实是很重要的，一个人很容易走入一个局部最后出不来，最后不断的给自己负反馈，最后不停的质疑自己之前的采用，然后越来越沮丧。许多时候能够得强迫自己走出一些之前的舒适圈。当然想走出去是不容易的，人是也有 momentum 的，所以许多时候就必要付出双倍的努力。当然，这里也要感谢许多朋友，比如李磊，当时我心情不好了就去李磊家蹭吃蹭喝来着。
「吴翼教员，做交叉研讨必要把各个涉及到的学科都学深入吗？交叉学科与单纯研讨机器进修理论有什么区别？如果是想在AI做出成果的话，您建议本科学交叉学科还是学数学这样的基础学科？像数学出身的去研讨AI必要注意哪些？」
吴翼：如果一个人可以或许深入研讨两个甚至更多的领域，那是最好不过了。比如姚先生，当年是物理出身，后来转行投身理论计算机研讨，在量子信息领域也作出了许多颠覆性事务。所以，如果真的有机会可以或许许多行业都深入研讨，那也是太棒了。AI 领域也有许多跨界的，比如 Max Welling 教授就是物理博士出身；Eric Xing 教员是生物博士出身等等。当然我感觉大部分对这个课题有疑惑的人，应该是还没有机会对于一个领域可以或许走到上述教授那么深入的。对于未来大家提倡交叉学科，如果是想作出对照有影响力的事务，那么我的建议是应该至少对于一个子领域先可以或许深入的了解，对于其他的领域有一些大致的了解或者有一些其他领域的可以请教的朋友（比如你不会了可以给他们打电话的这种，这种朋友大家在学校里多交一点。如果一上来就每个领域浅尝辄止，恐怕最后往往做了搭积木的事务了。所以，不论学什么专业，一定要有侧重，选一个方向去好好学深。）
至于数学的话，学数学转行做 AI 的当然十分多了，而且，要学好 AI，一些基本的数学训练还是很必须的（起码你得知道怎么严格写证明，什么数学上是对的什么是错的，许多未来做 AI 的同学能够相对缺乏严格的数学训练）。但是这里也要提醒一点，AI 这个领域但凡和应用沾边，都必要很强的工程能力，如果以后想做应用的话（纯理论或者纯学术研讨不用管这些，好好学数学就好了，我感觉对于数学专业的同学最好可以或许花一点时间去提高自己的动手能力，编程能力，工程能力。）
未来科研方向的关注点
「关注的 Research 方向、Research Community 有什么样的 Vision 和发展期待？」
李磊：我们未来大家都在谈大模型训练，关注度十分十分高，但我更希望看到未来能有更多的人来关注一下小模型如何做好，以及如何做的更通用，可以或许在更少数据的情况下去做好，而不简简单单只有一招大力出奇迹。
李沐：我感觉本来如果大力出奇迹可以或许便宜点就好，大力出奇迹也不是个坏事件。因为我对一个科学的发展的看法是：先把它做出效果来，这是一个突破，不要管成本等因素，但是接下来硬件会往前，软件编译器会往前，然后你的训练技巧以及模型的构建技巧也会降，然后后面会有一个长期的过程，把它做得更 work 更便宜。
杨耀东：我本来特别期待看到大模型加大数据的天花板的效应，能迁移到 RL 内部。尤其是明年 NeuralPS，我相信也会越来越多的 paper 出来把大模型加大数据的这个增益效果放到 RL 内部去，我也十分期待能看到如何造数据、如何去训练大模型的课题得以解决。
吴翼：我未来开始想的是强化进修的一个特别好玩的事件，如果有一天这个器械要跟人在一块玩的时候，这个会是很有意思的事件。大家能够做监督进修，做预测，它是没有人的，就是预测对了就是对了，错了就是错了。但如果有人的话，人会给你反馈，人犯了错会有人说你这错了，然后就希望 AI 同样有这个反馈，然后 AI 根据这个反馈去调整。这个 AI 最后怎么样把 human utility 放进去，会对照有意思。
杨植麟：我感觉第一个是预训练微调，能够未来在 NLP 和 Vision 都已经很成熟或者是正在变得十分成熟的一个方法，但我自己感觉有能够未来这个范式也不是最终的范式，会有能够有一些新的范式出现，包括最近的一些结果表明即使完全不用预训练，本来它的效果完全是有能够做得跟预训练一样好的，但你可以节省两个数量级的 flops。是不是有能够有新的范式，可以去替代或者改进它，这个是我感觉对照兴奋的一点。
然后第二个点是我最近也在看一些跟代码智能有关的器械，因为我感觉这个能够是解决一些认知课题的一个很根本的手段。比如说你用代码去表示之后，它本来是可以用 unit test 直接去判断它到底是对还是错，然后整个过程它是完全 interpretable，它也有许多大的模型可以用 data driven 的方式去优化。因为以前大家能够局限于自然语言的这种不正式性，带来了许多的阻碍，但如果是用这种 code 回归一些传统的比如说 symbolic 的方法，它有能够是一个好的结合。
对学长们的一些好奇——“彩蛋课题”！
「李磊长辈Xiaoming 是谁？为什么 Xiaoming Bot 要起名叫 Xiaoming？当初为什么没有叫狗蛋呢？」
李磊：我记得这是 16 年我们刚开始建立字节跳动人工智能实验室的时候的第二个项目。这个名字是我们当时有两位，一位产品，还有一位 PR 的同事起的。一开始他们希望叫张小明，但这个肯定是不太好的。那么我们就起叫小明吧。我们取一个通俗的大家小学课本里就会看到的小明小亮小红这样的名字，就听起来普通一点，可以或许把这个项目做好。
狗蛋不会写作，我们起个小明做写稿的对吧？如果你们关注了头条上面的小明写稿机器人，那个头像当时也是一个对照像程序员的设计，戴着一个眼镜，跟我们日常的见到的普通的周围身边的人一样。
「李沐长辈计划什么时候带家里小朋友炼个超大号模型？」
李沐：你会发现做人工智能的研讨员，这些人都有一段时间处于十分的自我怀疑的阶段，感觉自己做的器械到底有没有意义？因为发现你养个娃两岁之后，基本上你那些 99% 的模型就干不过他了，5 岁之后基本是不能够的，你会感觉这一辈子都做不到他 5 岁的效果。那未来深度进修在过去在 10 年里发展挺快的，有能做到 5 岁的时候，但我感觉在我的观察内部做到 10 岁几乎是不能够的。所以基本上你带娃的时候千万不要把事务的事件带进来，千万不要去比。
「吴翼长辈最近在社交媒体上对照关注表情包搜集和旅游，请问表情包搜集与对旅游的热爱是否对于你的科研之路亦有贡献呢？」
吴翼：我主要感觉搞 CS 这个领域的最大的好处就是发 paper 的时候可以去开会，然后你就可以旅游，所以我感觉大家在对照穷的时候最大的 motivation 就是公费去开会。一般那时候我对照年轻的时候我就先翻一下，今年的会在哪里？一看在旧金山，这个会不好，再看下一个会是在巴黎，我们就投这个会了。
我感觉因为可以旅游这件事件可以让大家努力发 paper 还蛮不错。此外，每次旅游的时候，可以一年一度跟大家聚会了，这是对照难得的。
表情包本来能够说话对照直接一些，疫情线上和人见不到了之后，能够就会想发个表情包。
「杨耀东长辈在做用 RL 打星际的研讨时，是否有冲动在和朋友打游戏的时候用自己的研讨成果开个挂呢？」
杨耀东：说真的本来我不太会玩星际，星际真的是因为研讨才玩起来的。我对照 old school，我以前玩许多射击类游戏，以前高中的时候对照沉迷，我还打过 WCG， 所以在射击类游戏上我自己就是外挂。然后在那个 Steam 上，本来在欧洲区也经常被 banner IP， 就会被怀疑是作弊。
但是本来在 MOBA 类游戏的话，很难去开外挂，因为 MOBA 类游戏的课题在于你很难一招鲜吃遍天，它这个游戏的设计就是让你不停地沉迷，它的这个不同种玩法，就是能让你互相克制，并且让你许多的玩家就在这种互相克制的策略集内部 lost 自己，然后浪费一堆时间和金钱。这个内部你要去开个外挂是对照复杂的。
「杨植麟长辈之前的乐队叫 Splay，是来源于 Splay Tree；如果再组一个新乐队，会叫什么名字？」
杨植麟：这个是一个很久远的历史了，能够好多好多年了，未来已经不玩了。许多器械都变化得很快，大家能够未来还会听，但是玩乐队时间肯定是没有了。我感觉许多技巧也是这样的，发展得很快，你真的有一个器械可以或许持续一个十几年、二十年并且大家都在用的基本很少。然后像这种乐队的话，我感觉本来未来不是都流行搞 AI 创作，所以我感觉能够以后也不会有什么乐队，所以要不就叫个 transformer 吧，直接自动生成好了。
