师从何恺明：MIT博士生邓明扬的科研方法论与AI黑天鹅思考

type

status

date

slug

summary

邓明扬的成长路径令人瞩目，但对他而言，竞赛更多是一种兴趣驱动的“玩”。他分享了一个重要的观点：世界其实是一个“草台班子”。在竞赛中，他意识到并没有什么神秘的解法，大多数问题可以通过观察性质、拼接想法来解决。这种从竞赛中培养出的“观察力”和“归纳能力”，成为了他后来转向机器学习研究的重要基石。

对于那些渴望投身科研的年轻人，邓明扬建议不必过早将自己框定在特定路径中。大学阶段是探索兴趣的黄金期，相比于严谨的证明，AI研究更像是一场实验驱动的“革命”。在这一领域，通过直觉观察发现规律，往往比纯理论推导能更快地推动技术进步。

邓明扬对比了理论计算机科学（TCS）、数学与AI研究的不同体验。他认为，TCS如同谈恋爱，追求内在的逻辑精妙；数学如同发现真理，探索世界的深层维度；而AI则是在“闹革命”。在AI领域，由于各种范式（如Diffusion、大模型等）处于快速竞争和演进中，研究者不仅是在解题，更是在押注未来的技术路线。

他强调，AI研究的魅力在于它能将代码转化为真实运行的系统，这种创造感与他儿时编写游戏时的乐趣如出一辙。对于想要深入AI领域的开发者和研究者，保持对前沿动态的敏锐感知至关重要。更多行业深度观点与最新AI动态，请关注 AI资讯门户。

在谈及大模型的发展模式时，邓明扬提出了一个极具启发性的“黑天鹅理论”。他认为，人类往往低估了随机事件在科技演进中的作用。很多重大进展并非线性、可预测的，而是由所谓的“黑天鹅”事件推动的。

因此，学术界依然具有不可替代的价值。与工业界倾向于优化现有路径不同，学术界由于“温度”更高，更愿意尝试那些非主流、高风险的方向。这种探索精神，正是撞见关键突破点的必要条件。他坚信，很多问题的瓶颈不在于模型容量（capacity），而在于优化（optimization），即如何将正确的模型训练出来。

随着AI工具的普及，科研工作的范式正在发生改变。邓明扬目前已广泛使用AI工具进行辅助编程。他指出，现在的AI模型在代码细节和模块构建上已经表现出极高的效率，研究者更多是在担任“Reviewer”的角色，把控整体架构。

然而，AI距离“自动科研”还有多远？邓明扬认为，人类独有的“few-shot泛化能力”——即基于有限人生经历进行泛化的能力，是当前预训练模型尚未完全具备的特质。未来的AI研究，将是人类直觉与模型算力的深度融合。

邓明扬的经历告诉我们，科研并非枯燥的重复，而是一场充满不确定性的冒险。无论是竞赛选手还是研究人员，拥抱变化、保持好奇心，并敢于在混沌中寻找规律，是通向AGI的必经之路。

想要获取更多关于大模型（LLM）、人工智能（AI）的最新资讯与技术分析，请持续关注我们的 AI门户网站。在这里，我们将持续为您追踪全球最前沿的AI动态，助力您在人工智能时代保持领先。