讲堂 | 刘铁岩：科研到底怎么做？什么是高质量研究？
编者按：科研，顾名思义，就是科学研究。小到生活用品，大到宇宙航天，生活中处处不缺由科学研究转化而来的成果。而在科学研究的背后，是一群默默无闻、专心学术的科学家们。从科研小白到科研大佬的科研之旅，这背后的故事，你了解多少？
在 Ada Camp 2021 上，微软亚洲研究院副院长刘铁岩博士，就“科学研究“这个话题结合自身科研之路，以及这一路以来的心得体会，为大家分享了科学研究到底该怎么做、想做好科研到底该具备哪些技能。希望即将走向或者正在进行科研的你，能够从这次讲堂中收获满满，为自己的科研之路增添更多色彩！
微软亚洲研究院副院长刘铁岩
非常荣幸参加“未来由妳 Ada Camp 2021”活动。今天，我想结合一下自己的求学和工作经历，来跟大家分享一下我们应该如何去做科学研究，以及在做科研中可能遇到的问题和疑惑，希望能给大家的科研生活带来一定的帮助和启发。
我本人的学术生涯非常简单，我是一个典型的科研工作者，如果用两个数字来形容的话，就是9和18 —— 9年的清华学习之旅和18年的微软亚洲研究院工作之路。在过去的这27年里，我跟大家一样，也是从一个懵懂的学生开始，之后在学术之路上不断攀登，一步一步取得了很多学术成果，逐渐被国际学术界所认可。
其实原因非常简单，我们都知道科学技术是第一生产力，而科学研究则可以推动和改变人类的社会，塑造我们的未来。大家可能都非常熟悉人类社会经历的4次工业革命，从机械化、电气化到现在的信息化、智能化。我们的生产效率得到了极大的提升，生活质量也有了巨大的改善。这4次工业革命的背后，都是科学技术的飞跃性发展，而这些技术的发明都离不开幕后的英雄——默默无闻地从事着科学研究的科学家们。
如果说工业革命塑造了我们的昨天、今天，甚至是明天，那么自然科学的发展则更决定了我们人类长久的未来。《科学（Science）》杂志在其125周年的时候刊发了一期专刊，列举了关乎宇宙奥秘、生命机理以及人类生存和可持续发展的125个最重要的现代科学问题。每一个问题都非常深刻，直击灵魂。比如，宇宙是由什么构成的？意识的生物基础是什么？人类为什么只有那么少量的基因，却有这么丰富的形态和这么高的智能？是否存在着大一统的物理定律等等。
虽然这些问题非常艰深，但是科学家们一直都没有停止探索这些问题的脚步，也不断地通过自己的努力推进着人类认识科学的边界。
这其中很多的女性科学家也为我们人类的发展做出了巨大的贡献。比如，居里夫人、迈特纳、埃利昂等等。当然还有我们中国的屠呦呦，因为发现了青蒿素，挽救了全球特别是发展中国家数百万人的生命。
可能有的同学会说，这些伟大的科学家离我们太伟大、太遥远了，我们实在没有勇气成为他们那样的人。的确，想要在科学领域成为有辉煌成就的科学家不是件容易的事情，不仅需要靠努力，而且还有一些运气的成分。
不过今天我想告诉大家，迈进科学的大门没有那么难，也没有那么遥远。我相信不少同学儿时都有一个成为科学家的梦想。而且我们每个人其实都有成为科学家的潜质，因为我们从孩提时就对周围的一切都充满了好奇心，对现实和虚幻的世界都充满了想象力。而这两点正是从事科学研究最最重要的特质。
当然，科学家还需要更多的素质，比如，观察敏锐，善于从细节中寻找到蛛丝马迹，发现被别人忽略的线索；大胆假说，针对这些发现勇于提出自己的假设，能够依据知识和直觉，指出这些发现背后可能存在的重大规律；小心求证，假说人人都可以提，但是只有被验证了的假说才是科学道理，这也是科学和迷信的分水岭；严谨勤奋，无论是假说还是求证，都要建立在大量的知识积累和严谨的推导之上；精确诚实，科学是没有捷径的，造假、抄袭、敷衍的行为绝对不会造就真正的科学家；最后就是长期坚持，科学之路不会一帆风顺。
我们经常说，如果你做10个研究项目，有9个失败了1个成功，这是正常规律。但是，如果你9个甚至10个都成功，那就说明你选的研究题目太简单。所以我们必须要理解科学研究背后的规律，它不是一蹴而成的，甚至可能需要几十年如一日的坚持，常常会大器晚成。
正是因为前面提到的这些原因，从事科学研究的人构成了一座金字塔。中国拥有博士学位的人数以百万计；在国际顶级会议或者期刊上发表过论文的中国学者可能只有几万名；而国际知名的中国学者则更少，可能也就几千人。从这个意义上讲，“研究”其实是存在着一定“风险系数”的职业。我们需要一步一步攀登高峰，才能够从获得博士学位逐步成长为一位国际知名的科学家。
为了实现这个目的，我们首先要来看一看什么是好的科学研究，然后再探讨如何能够做出这样的科学研究。
今天很多同学都是来自于计算机或者相关专业的，我们在这个行业里面是非常幸运的。因为计算机科学是发展最快的学科之一，它与国际接轨，影响面广，关注度高，就业前景宽广。
那么好的计算机研究到底是什么样子的？不知道大家有没有听过这样一种对学者层次的生动描述。
所谓一流学者，就是要去引领学术领域发展的，其可贵之处在于能够洞察趋势，提出重要问题。二流学者，虽然没有那么深的洞察力，但是有非常好的功底和知识技能，可以把别人提出的问题解得很好，这对于学术研究也是一个非常重要的推动力。而三流学者，通常是跟随潮流、小步慢跑。虽然他们的工作可能没有那么大的创新性，也没有解决重大的科学问题，但是他们也有很大的价值，因为他们试了很多错，对学术界也做出了一定的贡献。无论是哪种学者，我想大家内心里都希望能够做出高质量的研究。
到底什么是高质量的研究呢？我认为高质量的研究可以有很多种不同的类型，它既可以是提出全新的重要问题，也可以是首次解决一个公认的难题。这里举几个我自己的例子，让大家有个形象的认识。
第一个例子，发生在大约15年前，那个时候搜索引擎刚刚兴起，像 Google、百度这些公司都还是新兴公司。在那个年代，搜索引擎背后的技术其实是比较落后的，很多人都是靠拍脑袋，想出一些经验的、启发式的公式。针对这样的情况，包括我在内的一些学者共同提出了一个科学问题：我们能否用计算机自动学习一个性能优异的排序模型，而不是靠人为用启发式去定义排序公式呢？
这个问题后来就引出了一个新的学术分支，我们称之为 Learning to Rank（排序学习）。简而言之，就是利用机器学习的技术，依据人为标注的正确答案，或者用户在线与搜索引擎交互的点击数据，学到针对特定的查询词，对网页相关性进行排序的一个最优的模型。
在我们的倡导下，很多学者都加入了我们，一起在这些方面做了大量的研究。而所有这些学者的共同努力也成就了今天主流的商业搜索引擎，它们背后的技术几乎无一不是排序学习，而排序学习就是典型的“提出重要问题”的研究。
第二个例子，发生在大概五六年前，那时候人工智能的技术有着突飞猛进的发展，解决了很多实际的问题。不过，那时主流的机器学习技术，需要大量人为标注的样本。以机器翻译为例，通常需要上千万的双语语对来作为训练数据，才能训练出一个性能优良的机器翻译模型。然而，不是所有的人工智能任务都能够获得这样丰富的数据。比如，很多小语种全世界可能会讲这个语言的人都没有几个，更不要说找到人来标注大量的双语数据了。在这个背景下，我们就提出了一个科学问题：是否可以利用机器翻译这类人工智能任务的某种结构特点，在不需要大量标注样本，甚至不需要任何标注样本的前提下，就能够学到有效的人工智能模型？
这个问题的提出并不是天方夜谭。我们注意到，类似机器翻译这样的人工智能任务，其实是一个双向的交互任务，比如中英翻译的反向任务是英中翻译，语音识别的反向任务是语音合成。一旦我们有了双向的交互就可以形成一个闭环的信息流，而这种闭环就可能使得我们不需要任何人为标注，就能获得驱动机器学习模型训练的信号，我们称这个技术范式为对偶学习。我们开发了一系列对偶学习的技术，在机器翻译、图像识别、语音合成等多个领域达到了世界上当时最好的效果，超越了人类专家的水平。
另外，在新冠疫情肆虐全球的时候，我们利用新型的机器学习技术，精确预测了病毒抗原到人类免疫细胞之间的映射关系。基于这个核心技术，我们和合作伙伴一起完成了首个由 FDA 批准的基于人类免疫细胞的早期新冠疾病的检测系统，其安全性、准确性、及时性与常用的核酸检测和抗体检测相比都有明显的优势。
除了前面提到的几种高质量研究以外，如果你通过自己的不懈努力，显著地超越了前人的工作，比如比前人工作的精度更高，比前人工作的速度更快，或者是在某些层面上比前人的工作具有了更深的洞察，那么恭喜你，你的研究也是一份质量非常高的研究。
受时间所限，这里我就举几个速度显著超越前人工作的例子供大家参考。过去这几年里，坊间流传着一种方法论，就是所谓的“大力出奇迹”。也就是使用大量的计算资源去训练一个非常大的模型，用以解决现实中人类可能只需要用非常小的努力就能解决的问题。这种“大力出奇迹”的范式，从某种意义上讲，有它的科学价值。但是它的实用性是值得质疑的，因为我们不可能为了翻译一句话，使用几百美金、几千美金的成本。
心怀对“大力出奇迹”的质疑，我们微软亚洲研究院的研究员们从事了一系列“四两拨千斤”的研究，比如2015年我们的团队发明了 LightLDA，这是当时世界上速度最快、效率最高的主题模型。所谓主题模型，就是从文本数据中自动分析主题的一种算法。我们通过一项新技术把每个文本符号的采样复杂度降到了O(1)，也就是和想要学出的主题的数目无关。在 LightLDA 出现之前，全球最大规模的主题模型用了1万个 CPU 核，挖掘出了大约10万个主题。而我们的 LightLDA 只需要300多个 CPU 核就可以挖掘出一百万个主题，并且可以处理的文本数据的大小也比前人的大一个数量级。之后，我们还陆续提出了 LightGBM，比之前最快的梯度提升决策树的算法快了将近10倍，FastSpeech 比之前最快的神经语音合成模型快了300倍，以及 FastBERT 比知名的预训练语言模型 BERT 快了大概10倍，而且所有这些模型的精度都几乎没有损失。
通过这些研究，我们把之前最好的算法的速度提高了一个到几个数量级，帮助人们节省了大量的计算成本，从而大大提升了这些技术的实用价值。从这个意义上讲，它们也是高质量的研究。
刚刚我用了一些典型的例子给大家展示了什么是高质量的研究，那么如何才能做出这样的研究呢？今天我想跟大家分享一些科学研究的原则和思想。我觉得这些可能对于引导大家走上科研道路，真正有勇气去攀登学术高峰，会很有帮助。
在去年诺贝尔奖官方平台发布的一个视频*中，几位诺贝尔奖获得者与年轻学者分享了几个重要的做研究的原则，包括：Work Hard（努力），Learning by doing（边做边学），以及 do something you love（做你喜欢的事情）。（*感兴趣的读者，可点击链接观看：https://www.youtube.com/watch?v=9GIsSn_LUh0）除了这些以外，我还为大家总结了以下几点。
第一、终身学习，是学者的宿命。回顾我自己20多年的研究历程，从最初的信号处理、视频内容分析、网络搜索、机器学习、算法博弈论、深度学习、强化学习、金融、物流、生物、制药、智能科学，一路走来没有停止过学习。在这个过程中，自己变得越来越博学、越来越丰富，对世界的影响也越来越大。所以我建议所有的同学们多学习、多了解，不要放弃学习的脚步。
第二、研究很苦，有很多的困难，具有好奇心、热情甚至信仰，才是驱动我们、支撑我们在研究道路上不断前行的动力。我给大家举一个例子，我们研究组在过去的两三年时间里，逐渐对计算生物学有了浓厚的兴趣，并且投入了很多的精力和资源。在这些方面的探索与我们的好奇心密切相关，因为我们发现生物领域有趣且深奥。比如微生物菌群，大家可能想象不到，你体内的微生物比你自己的细胞还多，我们从某种意义上讲是被这些微生物控制的，我们爱吃什么、我们的生活习惯、我们的健康状况，都与这些微生物息息相关。所以我们想要做到真正的精准医疗，必须对这些微生物有深入的了解。另一个例子是表观遗传，我们每个细胞里的基因都是相同的，可是有些细胞最终发展成了我们的皮肤，有些发展成了我们的大脑，有些变成了内脏。是谁对基因表达进行了如此神奇的调控呢？正是基于对这些问题的好奇心，我们在三年前成立了计算生物学组，并且在这些方向上取得了非常令人鼓舞的成果。
第三、研究对创新有着非常高的要求，这件事情说起来容易，做起来却很难。我发现很多同学特别愿意在自己的“小盒子”里面，如果你想要跳出这个小盒子，那么就必须要知道外面的世界是什么样子的，这与我们前面提到的终身学习密切相关。当你有了深入的研究，同时有了宽阔的视野时，你通常会做出可以让别人非常惊讶的研究成果。
第四、质重于量，精益求精。因为我们每个人的时间和精力是非常有限的，要学会合理分配。我们可以用同样的时间做100项不同的研究，每一项都浅尝辄止；也可以集中尽力做一件事，非常深入，取得世界瞩目的成绩。
最后，我想要鼓励大家不怕失败。人不可能不犯错，不可能没有失败，只要我们能够从失败中学习，其实失败会给你提供更多的经验，让你能够把事情做得更好。
科学研究是很神圣的，但是科学研究的道路并不是高不可攀的。我们只要有正确的动机，有效的方法论，完全可以在科研道路上不断地创造成功，不断做出自己的贡献。
你也许还想看：