花栗子 编译自 Veronikach量子位 出品 | 公众号 QbitAI
五月了，美国研究生申请季也差不多过去了。不知道大家有没有成功脱离失学儿童团。
Ian Goodfellow是来自谷歌大脑的科学家。作为GAN的爸爸，他也是MIT科技评论选中的"35 under 35"中的一员。
不过，背着金光闪闪履历的他，就是爱讲自己的被拒史。大概，也是想给失落的人类一些虚无的希望吧。
这一次，他光顾了最适合秀失败的场所之一，访谈节目How I Fail，接受了金发碧眼的助理教授维罗妮卡 (Veronika Cheplygina) 的黄金12问。
看看，除了被MIT放凉之外，Goodfellow还享受了怎样的失败——
实践篇
怎样描述自己的工作？
G：我是谷歌的AI研究人员，手底下还有一群小伙伴。我们就是要努力理解，AI是怎样失败的，这样才能建立一套清晰的工程原则，对AI开发负责。
我把大量的精力花在研究怎样让AI更加安全上——比如怎样防止黑客欺骗AI系统，去做他们想做的事情。
怎样描述这份非官方履历？
G：我的小伙伴Moritz Hardt发推告诉大家，一段成功的科研事业，往往是从收到一大摞厉害的研究生院的拒信开始。
然后，我就列出了自己被拒的经历，回应了他。但那些 (上拉至推特截图) 经历并不是我完整的被拒旅程，以下这一份可能比较全——
· 那时候，还在斯坦福读本科的我，生物和化学都略显捉急，但还是打算从事神经学方面的工作。成绩是过得去，但感觉要当教授的话这分数还是不够好。
· 把重心移到计算机上之后，我就申请了几份本科生的实习，谷歌当时没要我。
· 我还申请过一份跟着斯坦福教授工作的实习，申请的时候提交了成绩单。教授回复说，我的课你怎么得的A？
以我的成绩确实拿不到A，我还以为是curve太善良了，然而事实是系统出现了问题。结果学校就把我的成绩改下去了。
· 有几家大型科技公司给了我实习，但不是做机器学习，也不是计算机视觉。简历里面，大家是看不到这些的，只能看到最后的成功。
不过，我也很感谢Willow Garage和斯坦福的CURIS项目，给了我关于机器人视觉的暑期实习机会。
· 读研和读博的时候，我基本上没有过校外的fellowship。这就是说，我得当助教，或者选择专业相关的其他校内工作，很难把精力集中在自己的研究兴趣上。
那时，我一直在申像魁北克的PBEEE这样的fellowship。从09年开始的四年时间里，不停地尝试，从来没成功过。
直到13年，才从谷歌那里拿到了第一个深度学习的Fellowship。
· 读博期间，我的论文投到像ECCV这样的各种视觉会议，基本上都是被拒。我在机器人感知上做了很多，但都是不见天日。
怎样碾压挫折？
G：高中时期，我有三年都在学校的辩论队。两个教练很厉害，一个是Kerry Koda，一个是Thomas King。
我也很惊讶，这段经历居然可以在好几个不同的方面，给我的科研带来帮助。
光是对抗挫折，所有辩手都要训练，怎样从情感上对待失败。每一轮辩论都有输赢，没有谁可以一直赢。
如果长期受到辩论环境的浸染，就会习惯这种节奏，输掉一轮之后很快进入下一轮。输赢都属于动态平衡。
罗列失败=秀优越？
G：我发关于失败的推文，观众似乎都没有这样的感觉。也有一些人，还会谢谢我分享这些经历。
人们有这样的想法我完全可以理解，但我觉得大多数观众还是可以理解，我是希望帮助大家逃脱冒名顶替综合征 (Impostor Syndrome)。
不愿分享成功？
V：另一方面，你觉得人们会不会因为对失败习以为常，而不去分享自己的成功？
G：不会，我们基本上都是被动分享，不管是工作总结，还是申请资金的时候。
往会议和期刊投论文的时候，每个人都会用上自己的全部能量，尽情把成功的地方表现出来，把不太成功的部分都扫到地毯下面去。
我个人还是会尽力削弱这样的动力，但它还是不会很快就消失的。
哲学篇
离散的还是连续的？
V：之前，我们都是用一些离散的点，比如获得职位或者发表论文，来描述成功和失败。有没有其他类型的失败呢？
G：其实，我觉得那些离散的点，大多不是很重要。
我在推特上发过，申研究生的时候拒过我的学校列表，但那都还好，因为还是有很多学校录了我。
比如，2009年我遇到最大的困境，不是收到MIT和CMU的拒信；而是不知道自己能不能在拿到录信的学校，比如斯坦福和伯克利，做起自己想做的研究。
那时候很方，不知道我会跟着哪位教授，因为博士生有轮换制度，录信里面都没有明确的导师。于是，我跑去了蒙特利尔大学，提前把Yoshua Bengio锁定为我的导师。
读博时期，最大的困境是，我的大部分时间都花在，用无监督特征学习方法，来解决计算机视觉的监督学习问题。Alex, Ilya和Geoff赢了ImageNet比赛，我就懵B了。
耗费时间写那种钻进死胡同的论文，可能就是主要的失败了。
我的研究如果能影响其他人，那就是成功，即便被大会拒了也没关系。如果一项研究产生不了什么影响，就算在大会上发表了也可以算失败。
今天你失败了么？
V：有什么正在经历的失败么？或者对未来有什么犹疑？
G：4年了，我一直想了解，为什么神经网络那么容易被input里一点小小的干扰"迷乱心智"。怎么才能在这种情况下，建立一个高准确度的模型，没有谁知道。
从传统观点来看成败，今年ICML审稿很严，感觉我投的论文基本都没戏了。
但在一个美好的日子，我可能会写出三五个想法，然后感觉它们都实现不了。每个想法的时间成本不高，我可以尝试很多完全不同的想法。某些想法上的失败，也就是我工作流程里最普通的一部分。
怎样才算成功？
V：要评判一个研究人员是否成功，你觉得成果的发表应该在评判标准里占到多大比重？有没有其他因素容易被忽略？
G：我们对成功的评判，可能会让这个领域错过许多成功人士。
举个栗子，我们要花很长时间来评估研究成果和研究人员，但我们没有花多少时间去考察这个评估过程本身。
没有谁有义务去保证，大会的审稿是公平的是准确的。
从2014年NIPS的一致性实验里面，可以看出审稿流程还是有不少噪音的。可是从结果来看，并没有人要致力于制定出更好的审查流程。
升华篇
ML的失败，不是普通的失败？
V：你觉得机器学习领域跟失败之间的关系，和其他领域有什么不同？这会不会对不同人群产生不同的影响？
G：机器学习领域的期待值很高，因为这里总是可以快速产生很厉害的研究成果，并且能够帮助其他人快速产生研究成果。
比如，Ilya Sutskever在谷歌学术里，已经被引用过5万多次了；再看数学领域，最近的四位菲尔茨奖得主，没有一个引用数超过5千。
我们这个领域，成功是爆发式的，这一点有些奇怪。一部分原因可能是，我们太爱用Arxiv.org了，而其他领域的研究人员可能更偏爱同行评审过的论文。
不过说实话，我也不知道这个现象会对不同人群产生什么样的影响。
怎么看待ML的负面/阴性结果？
G：机器学习很难从负面结果里获得价值，因为我们一般都不知道负面结果是怎样造成的。
得到负面结果，可能是想法从根本上就错了，也可能是因为一个很小的bug。不幸的算法，各有各的不幸。
想和ML老炮说什么？
G：我想跟他们说，关于某个想法的贡献应该怎样分配，学界需要一个更好的方式来处理争议。
现状是，那些自认没有获得应有的引用或者点名的人，得为自己维权。
如果只是论文作者失误漏掉了，那还好说。但如果双方争执不下，场面就十分尴尬。
没有权威机构来裁决，协商又无果的情况下，大家只能回归"是胡萝卜还是大棒"的选择，可是大多数人也给不起胡萝卜。
一个资深教授，如果要向一个博士生要出处，压力就很大了。我受到的关注越多，也就要花越多的时间处理这种事。
如果某个会议或者期刊能生出一个部门，以第三方视角专门解决这样的争议，情况可能就会乐观很多。
想跟过去的自己说什么？
G：快去用GPU挖矿啊。
采访结束了，重要的信息可能有很多，但我在意的是，为什么我碰不上系统bug给我个A的好事？
— 完 —
欢迎大家关注我们的专栏：量子位 - 知乎专栏
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复"招聘"两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
