CMU王赟寫在入職Facebook之前的八年博士生涯心路歷程

2010年-2018年，他在卡內(nèi)基梅隆大學(xué)語言技術(shù)研究所(LTI)經(jīng)歷了兩年碩士、六年的博士生涯。在入職Facebook語音組之前，和大家深入分享了在CMU讀博多年的心路歷程，與大家共勉。有學(xué)術(shù)科研經(jīng)驗也有休閑娛樂生活，非常值得大家借鑒。

學(xué)術(shù)篇

下周一我就要開始在 Facebook 上班了。趁入職之前，我想寫一寫我博士生涯的感悟，再不寫就要涼啦。

從2010年8 月到2018年10月，我把我最好的青春年華都獻(xiàn)給了卡內(nèi)基梅隆大學(xué)(CMU)的語言技術(shù)研究所(LTI)。其中前兩年是碩士，但由于 LTI 的碩士生活跟博士并沒有太大區(qū)別，都要做研究，所以說是八年博士也并不過分吧。單從長度就能看出，我的博士生涯并不是一帆風(fēng)順的；之所以讀了這么久，主要原因是換了兩次研究項目。這三個研究項目，各自給了我不同的體驗和感悟。

從入學(xué)到 2012 年春天，我跟隨金琴教授研究說話人識別。在這將近兩年的時間里，我用 Matlab 語言親自實(shí)現(xiàn)了十幾種語音特征的提取，以及基于 GMM、GMM-UBM、SVM、JFA 等技術(shù)的多種說話人識別系統(tǒng)。然而，我在這段時間里的研究進(jìn)展十分緩慢，最終并沒有追上當(dāng)時的前沿；我的研究結(jié)果也并沒能寫成論文發(fā)表出來，而只是形成了一篇技術(shù)報告。這里面的原因，大概是因為我還沒能從「學(xué)習(xí)者」的心態(tài)轉(zhuǎn)換成「研究者」的心態(tài)。我總是想著把基礎(chǔ)打扎實(shí)，從而在理解和復(fù)現(xiàn)已有的技術(shù)上花了太多的時間——2011 年的夏天，我曾經(jīng)花了一個多星期來推導(dǎo) JFA 里那些復(fù)雜的矩陣運(yùn)算。在實(shí)驗設(shè)計上，我也沒能做到「抓大放小」，而是曾經(jīng)拘泥于一些小細(xì)節(jié)，比如訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的劃分。這些原因，導(dǎo)致我還沒來得及走到「創(chuàng)新」這一步，研究項目就結(jié)束了。

金琴教授于 2012 年春天調(diào)到了中國人民大學(xué)，于是我就轉(zhuǎn)到了同一個實(shí)驗室的 Florian Metze 教授名下讀博士。Florian 是一位高高胖胖的德國教授，在中文語境里，我通常稱他為「花哥」。我在花哥手下做的第一個項目叫 Babel，其任務(wù)是在多種小語種語音里檢索關(guān)鍵詞。與之前的我一個人做的說話人識別項目不同，Babel 項目是由全美國乃至全世界許多大學(xué)和公司共同參與的。若干個大學(xué)或公司通過合作關(guān)系結(jié)成隊伍，而隊伍與隊伍之間則是競爭關(guān)系。我在這個項目中的體驗，與其說是像科研，不如說是像工作，因為項目前期的主要任務(wù)，是要先搭建出一個還能用的系統(tǒng)，之后才能在此基礎(chǔ)上慢慢地創(chuàng)新。一個關(guān)鍵詞檢索系統(tǒng)通常由兩個模塊組成：前端模塊是語音識別，負(fù)責(zé)給出多種可能的識別結(jié)果；后端模塊是檢索，負(fù)責(zé)在識別結(jié)果中搜索關(guān)鍵詞并對其可靠性打分。我在這個項目中承擔(dān)了很多工程性的工作：整個后端模塊基本上都由我來維護(hù)；我還開發(fā)了一些可視化工具，用來分析系統(tǒng)犯的錯誤。但是，從科研的角度來講，我的工作的科技含量并不高：檢索模塊使用的技術(shù)，說白了只是一個倒排索引而已。直到 2014 年，我們實(shí)驗室才脫離純工程性的開發(fā)，開始研究一些有科研價值的問題，比如如何更準(zhǔn)確地給檢索到的每個關(guān)鍵詞的可靠性打分，以盡量減少漏報和誤報；比如如何檢索像專有名詞這樣詞典里并沒有的關(guān)鍵詞。然而，2014 年 6 月，當(dāng)我在韓國臨津閣的觀光隊伍中排隊的時候，我從 Facebook 上收到了實(shí)驗室的同學(xué)發(fā)來的噩耗：由于 CMU 所在的隊伍開發(fā)的系統(tǒng)在年度測評中表現(xiàn)不佳，我們的隊伍被淘汰了。到此時為止，我只發(fā)出了一篇一作論文；另一篇一作論文在此后經(jīng)歷了五次拒稿，終于被我塵封。知乎上有一個這樣的問題：博士第三年還沒有發(fā)論文是一種怎樣的體驗？我想我是適合回答的，但終究沒有勇氣回答。

2014 年的下半年，算是我博士生涯的一段過渡期，這段時間我沒有什么科研產(chǎn)出，而是把精力用在了給自己充電上。憑借著唯一的一篇一作論文，我參加了 2014 年 9 月在新加坡舉行的 Interspeech 會議。在會上，我嗅到了深度學(xué)習(xí)正在崛起的信號。整個秋季學(xué)期，我閱讀了會議上的近百篇論文，還在 Coursera 上學(xué)習(xí)了 Geoffrey Hinton 的深度學(xué)習(xí)課程。這讓我的博士生涯柳暗花明又一村。

關(guān)于博士生涯最終的研究課題，花哥當(dāng)時給了我三個選擇。我已經(jīng)不記得另外兩個選擇是什么了；我選擇了「事件檢測」，只是因為它有去 Facebook 實(shí)習(xí)的機(jī)會。我在 2015 年 1 月至 4 月在 Facebook 進(jìn)行了一次實(shí)習(xí)，這也是我唯一一次實(shí)習(xí)。由于版權(quán)的限制，我在 Facebook 并沒能使用 CMU 的數(shù)據(jù)真正進(jìn)行「事件檢測」的研究，而只是改進(jìn)了 Facebook 原有的語音/噪音分辨系統(tǒng)。從科研上來說，這次實(shí)習(xí)只是我對深度學(xué)習(xí)的一次練手；但它讓我在灣區(qū)交到了好多朋友，讓我覺得灣區(qū)是個好地方，從而產(chǎn)生了去 Facebook 工作的理想。這個理想，現(xiàn)在就要實(shí)現(xiàn)了。

回到 CMU 以后，我才真正開始研究「事件檢測」。在研究的初期，我對「事件」還沒有明確的定義，既想檢測比較底層的事件，比如貓叫、狗叫、開門、關(guān)門，又想檢測比較高層的事件，比如球賽、婚禮、聚會等等。這些高層事件的檢測，是當(dāng)時 CMU 正在參與的另一個研究項目 Aladdin 的目標(biāo)；直到 2016 年 Aladdin 項目漸漸收尾，我才把研究的焦點(diǎn)集中到底層事件的檢測上來。之所以選擇研究底層事件，是因為它們是檢測高層事件的基礎(chǔ)，在還檢測不了底層事件時就去檢測高層事件，步子就邁得有點(diǎn)兒太大了。而隨著深度學(xué)習(xí)用于語音識別的最后一滴水漸漸被榨干，人們自然會開始嘗試把深度學(xué)習(xí)用于別的東西的識別，底層事件檢測的研究條件已經(jīng)成熟了：在 2016 年 3 月的 ICASSP 會議上，芬蘭 Tempere 理工大學(xué)的研究組與我同時發(fā)表了用深度學(xué)習(xí)做底層事件檢測的論文。

2016 年，我的研究一直被一個困難所困擾，就是數(shù)據(jù)太少。我使用的數(shù)據(jù)，是實(shí)驗室里的工作人員手工標(biāo)注的，總共只有十幾個小時，根本無法用于深度學(xué)習(xí)。2017 年 3 月，Google 發(fā)布了 Audio Set 數(shù)據(jù)集，它拯救了我的研究，讓我畢業(yè)的事情終于有了眉目。Audio Set 這個數(shù)據(jù)集的特點(diǎn)首先就是「大」。它含有 200 萬條長度為 10 秒的 YouTube 視頻選段，我光是下載這些數(shù)據(jù)就用了整整一個月。這樣的大數(shù)據(jù)，正適合深度學(xué)習(xí)。但 Audio Set 還有一個重要的特點(diǎn)，就是「弱標(biāo)注」：它沒有標(biāo)注每一個事件的起止時間，而只標(biāo)注了每段音頻中的事件種類。這種標(biāo)注，直接帶火了一個研究領(lǐng)域——「弱標(biāo)注下的音頻事件檢測」，這也幾乎就是我的博士論文標(biāo)題。從此，我的博士論文課題就明確了：爭取在已有的、利用弱標(biāo)注做事件檢測的方法的基礎(chǔ)上進(jìn)行創(chuàng)新，做到比已有方法更好。

剩下的事情，就是與預(yù)期的博士畢業(yè)時間爭分奪秒了。這段時間過得十分刺激。我原定于 2017 年 9 月博士開題，實(shí)際開題時間是 10 月 9 日，還算勉強(qiáng)趕上。今年 2、3 月的時候，我又一次鉆進(jìn)了一個細(xì)節(jié)的牛角尖（PyTorch 與 Theano 的性能差距），浪費(fèi)了兩個月的時間。到了 4 月份，我注意到英國 Surrey 大學(xué)的孔秋強(qiáng)同學(xué)已經(jīng)做出了一種基于注意力機(jī)制的、利用弱標(biāo)注做事件檢測的新方法。這讓我幡然醒悟，跳出牛角尖，回到研究的主線上來。我的論文中最重要的兩章之一，就是比較了若干種利用弱標(biāo)注做事件檢測的方法的優(yōu)劣，并深入剖析性能差距產(chǎn)生的原因。這一章是 2018 年 6 月底完成的，與計劃的時間完全一致；而另一章的核心問題，則是 8 月 16 號在散步時才想出解決辦法的。9 月，我一邊繼續(xù)跑著一點(diǎn)兒本該在 8 月就跑完的實(shí)驗，一邊撰寫畢業(yè)論文的文本；而 10 月 5 號答辯用的幻燈片，則是 9 月 30 號才做完初稿的。這場賽跑，直到 10 月 26 日晚上，我把畢業(yè)論文最終定稿、把代碼整理好才結(jié)束。而此時，距離我爸媽來美國看我已經(jīng)只剩 5 天了。

縱覽八年的博士生涯，不難發(fā)現(xiàn)，我由于自身及外界的各種因素，走了不少彎路。在三個研究項目中，只有最后一個，才有博士研究的樣子。偶爾，我也會想：如果從一開始就做第三個項目就好了，這樣我就可以在四年之內(nèi)畢業(yè)了。但我不會沉浸在這種情緒中。正如吃完第三個包子飽了不代表前兩個包子就白吃了一樣，我并不覺得我在 CMU 的前四年是荒廢了的。整整八年的學(xué)習(xí)，讓我對語音識別、深度學(xué)習(xí)等各個領(lǐng)域的理論基礎(chǔ)有了扎實(shí)的掌握?；ǜ玳_了一門語音識別課，其中說話人識別那一講固定由我來講，學(xué)生們紛紛反饋說我講得比花哥清楚多了。同時，正是因為我涉獵過多個研究項目，我對與語音相關(guān)的多個研究領(lǐng)域都有了解并抱有興趣。開學(xué)術(shù)會議的時候，我總能挑出許多想聽的報告，馬不停蹄地輾轉(zhuǎn)于各個會場之間。而這種深度與廣度，則是不付出時間不可兼得的。

娛樂篇

CMU LTI 網(wǎng)站上的學(xué)生名單，曾經(jīng)列出了每個博士生的年級。有一屆「CMU 好聲音」的一張非官方宣傳海報，就把一二年級新生和七八年級老博士的名單并列在一起，并配上了這樣一句廣告詞：「Sing while you can」。一說起我博士讀了八年，可能大多數(shù)人心里想到的第一個字就是「苦」。在漫長的博士生涯中，總會有實(shí)驗不順利、論文被拒等遭受挫折的時候；到了后期，也會常常為畢業(yè)而發(fā)愁。不過，認(rèn)識我的人大概會知道，我的身上似乎從來沒有散發(fā)出一種「苦」的氣息，而是整天樂呵呵的。八年下來，我身邊的朋友們換了一撥又一撥，有人戲稱為「流水的 CMU，鐵打的 Maigo」。我跟朋友們把匹茲堡以及美國東北地區(qū)玩得有滋有味，跟他們在一起，我很少感到寂寞。這些朋友又以碩士生居多，他們身上的朝氣，讓我保持了心理上的年輕。

我在匹茲堡的第一年，就加入了三個組織。第一個，是 CMU 的中國學(xué)生學(xué)者聯(lián)誼會（CSSA）。CSSA 每年中秋的時候會舉辦一場才藝比賽，隨著「中國好聲音」的開播，這個比賽也改名為「CMU 好聲音」；每年春節(jié)的時候，還會舉辦一場春節(jié)晚會。第一年的中秋，我就默默無聞地當(dāng)了一個吃瓜觀眾。春晚征集節(jié)目的時候，我?guī)еゴ蛄艘淮吾u油，沒想到我彈唱的《老男孩》獲得了一致好評。我在春晚現(xiàn)場與韓吉鵬同學(xué)一同彈唱了這首《老男孩》，這讓我一炮走紅。我也順勢加入了 CSSA，擔(dān)任網(wǎng)管；不過我更重要的角色，就是每年春晚的固定演員了。我也參加過幾屆 CMU 好聲音，其中跟@Gus 夏合作的《The Sound of Silence》受到了最多的歡迎。

《The Sound of Silence》表演現(xiàn)場

第二個組織，叫做 Pittsburgh pLayboycLub。這是CMU和隔壁匹大的幾個學(xué)生組建的，最初就是打打狼人殺之類的桌游。那時候狼人殺還沒有發(fā)展出那么多術(shù)語和套路，一群小白在一起玩還是挺有意思的。除了狼人殺，我們后來還在一起做飯、滑冰、逛博物館，還坐灰狗巴士去華盛頓看了櫻花。我的知乎頭像，就是在華盛頓看櫻花時拍的。后來，組織中的男生和女生兩兩結(jié)成了對，活動就漸漸減少了；而我因為當(dāng)時在國內(nèi)還有一個女朋友，就成了剩下的那一個。

第三個組織，是 Carnegie Library of Pittsburgh（我一般稱這個圖書館為「恐龍圖書館」，因為館門口有一架恐龍雕塑）的日語角。日語角每兩周活動一次，參加者有日本人，也有像我這樣學(xué)習(xí)日語的外國人。我在這里找回了在清華參加日語角的感覺。恐龍圖書館有英、西、法、德、意、俄、日、漢等多種語言角（對，還有漢語角?。?。除了日語角以外，我還曾在西語角和法語角跟外國人談笑風(fēng)生。

2012 年「世界末日」的時候，我在一位小伙伴的號召下，跟他一起去歐洲旅了一次游。這是我到當(dāng)時為止少有的純粹的（即沒有比賽或者學(xué)術(shù)會議等目的的）出國旅游。我們在西班牙和意大利各呆了一周時間，玩了巴塞羅那、馬德里、羅馬、佛羅倫薩四個城市。這次旅游點(diǎn)燃了我出國旅游的興趣。在后來的幾年里，我跟小伙伴們一起或者獨(dú)自訪問了波多黎各、韓國、新加坡、夏威夷、坎昆、阿根廷等地（嘛，雖然有些并不算出國）。最初幾次旅游，我都給世界各地的朋友們寄了明信片，最多的一次是在韓國寄了 38 張。起初，我還堅持每天（用當(dāng)?shù)卣Z言）寫日記，到最后終于堅持不下去了。想到寫出來的日記也沒有人看，我轉(zhuǎn)而開始寫游記，這篇坎昆游記我覺得寫得還是不錯噠。

我在波多黎各、韓國、新加坡寫的日記

2013 年夏天，我認(rèn)識了我在美國最神奇的一位朋友——韓國大叔 Jason。Jason 大約應(yīng)該是個 65 后，然而至今未婚；他的職業(yè)是碼農(nóng)，但跟我一樣愛好廣泛。我跟 Jason 相識就是在恐龍圖書館的日語角，除了日語以外，他還喜歡騎車、保齡球、網(wǎng)球、滑雪等多種運(yùn)動，以及做飯、唱歌和旅游。這些項目，除了網(wǎng)球以外，也都是我喜歡甚至擅長的，我倆很快就打成了一片。Jason 還有很廣的朋友圈。他在來匹茲堡之前，還曾經(jīng)在德州的奧斯汀和弗吉尼亞州北部華盛頓附近住過。不管在哪里，只要他一在 meetup.com 上組織活動，總能一呼百應(yīng)。這些朋友來自世界各地，年齡也從 20 歲到 70 歲不等，單是跟他們聊天，都很長見識。我在 CMU 的中國學(xué)生中，可以算是跟非中國人交往較多的了；其中很大一部分，都來自 Jason 的朋友圈。

我從 2013 年秋天起，跟 Jason 和朋友們一起在匹茲堡的多條自行車小路上騎車。此前，我在匹茲堡騎過的最遠(yuǎn)距離是 34 英里，這是從松鼠山往返北公園（那里也有櫻花）的距離。跟 Jason 在一起，我開始挑戰(zhàn)更遠(yuǎn)的距離，用了一年多的時間，達(dá)到了一天之內(nèi)騎 80 英里的水平。2015 年 5 月，我跟 Jason、室友@ 鐘音和一個印度小哥挑戰(zhàn)了從華盛頓到匹茲堡的整條自行車道，全長約 335 英里，我們用了四天時間挑戰(zhàn)成功。騎這條自行車道，成了我一年一度的保留項目；而 Jason 則可能一年騎多次，甚至在 2016 年用 9 天時間騎了一次往返。

初次挑戰(zhàn)全程，在「山頂洞」合影留念

Jason 在 2017 年初因為工作變動，又搬回了弗吉尼亞州。不過他的各種活動，依然在匹茲堡延續(xù)。我跟朋友們在匹茲堡依然每周打一次保齡球；我還曾經(jīng)帶著許多 CMU 的小伙伴去弗吉尼亞州北部的韓國城大快朵頤。這個月初，我?guī)О謰屧诿绹鴸|北部旅游的時候，請 Jason 吃了一頓晚飯。我爸媽說，很感謝 Jason 帶我探索了許多新玩法，大大開闊了我的眼界。

我跟我的妹子@機(jī)器熊的緣分，就開始于 2017 年 4 月一同去韓國城游玩。她跟我一樣享受「讀萬卷書，行萬里路」的體驗。我們一起坐灰狗巴士去過紐約，還曾駕車穿越過死亡谷的沙漠；更厲害的是，她在僅僅訓(xùn)練了一個多月之后，就跟我一起騎車從匹茲堡到了華盛頓。我在匹茲堡的最后兩年，我們常常跟一群以數(shù)學(xué)系博士生為主的小伙伴們一起玩。這群小伙伴里有一位野營達(dá)人，我們跟著他又開發(fā)了不少新去處。

我現(xiàn)在搬到灣區(qū)來了，在這里我永遠(yuǎn)不會缺朋友。跟我同時期入學(xué) CMU 的碩士生們，有許多都在這里工作了，甚至還有許多清華校友也在這里。2015 年春天，我在 Facebook 實(shí)習(xí)的時候，還參加了一個「周日早起登山」群，又認(rèn)識了不少人。等到 12 月，我在灣區(qū)這邊安頓下來之后，就又可以約起來啦！

周日早起登山

我在跟妹子交流人生的時候，曾經(jīng)說出過這樣一段「名言」。我說，博士生涯（乃至整個人生），就像是在波濤洶涌的大海上航行。大海的基調(diào)是悲苦的，但我們卻是在一條游輪上。我們的角色，既是掌舵人，又是乘客。固然，在關(guān)鍵的時刻，我們需要掌控游輪的航向，直面洶涌的波濤；但在平時，我們不妨就做一名乘客，在平穩(wěn)的甲板上悠閑地曬曬太陽，不必?fù)?dān)心船底下的海浪。正是這樣的一種樂觀的心態(tài)，支撐著我度過了精彩的八年博士時光。