宋謌平：探寻科研，当如三岁之翁，百岁之童 | 我在微软做研发
The following article is from 微软研究院AI头条 Author 微软亚洲研究院
丹棱君有话说：科研工作者如何数十年如一日地保持热忱？如何不断突破自我？如何发现技术研究与生活的内在联系？如何在学得好的同时玩得好……一起来听听这位年过花甲并深度享受科研创新的前辈——微软亚洲研究院首席研究员宋謌平的答案吧。
科学研究任重而道远，有很多人为此贡献了一生。今天，“科学匠人”故事的主人公是这样一位年过花甲但仍然享受科研创新的一线前辈——微软亚洲研究院首席研究员宋謌平博士。已从事语音研究工作近四十年的他，在加入微软亚洲研究院之前，已在贝尔实验室工作了二十年，而今他在微软亚洲研究院也已十余年。
如何能数十年如一日地坚持保持如初的热忱？是否遇到过中年危机，如何度过35岁+的迷茫与彷徨？又如何突破自我，不断寻找新的研究方向？在这里，让我们一起来听一听宋謌平博士的经验分享。
宋謌平，微软亚洲研究院首席研究员
做研究要怡然自得，要另类思考
宋謌平博士从来都不认为自己是所谓的“大师”，他只是一个学习者，一个一直都在学习中的老学生。强大的好奇心驱使他不断探索未知领域，学习新事物，而这正是他在创新研究工作中永葆激情的秘诀。
玩儿好，才能学得开心
明末清初的大学者顾炎武是宋謌平最钦佩的学人。他是杰出的思想家、经学家、史地学家和音韵学家，也是明末清初的“三大儒”之一。最具影响力的代表作品为《日知录》，其中不乏许多名言警句，他在书中说：“保天下者，匹夫之贱，与有责焉”，后来梁启超将其精简为“天下兴亡，匹夫有责”。受当时的政治影响，顾炎武决定周游全中国，将每天看到的新事物、新知识记录下来，经过三十余年编成了《日知录》。
受顾炎武的影响，宋謌平发现，如果能每天找到一两件事让自己保持积极乐观的状态，对于一个人长期坚持投入某项工作将非常有帮助。换句话说，你要学会“自己逗自己玩”。
而“自己逗自己玩”的前提是“独立与独处”，这里并非指社交或物理意义上的隔离，也不是大家常说的经济独立，而是精神上的独立。在宋謌平看来，作为一名治学者，保持着好奇心，不断追寻，需要有自己独立的人格，在精神层面能够坚持，对外与人沟通顺畅，对内怡然自得。
反观周遭，有些人在专业层面、宏观大势层面都相当有见解，但能够用心向内观察自己的时候并不多，甚至不少人对娱乐自己存有误解。宋謌平所提倡的“娱乐”自己，不是简单的吃喝玩乐，而是挖掘自己的兴趣点。这个兴趣点可大、可小、可雅、可俗，但总能看到让自己欣喜的新知识，总能去做让自己愉悦的兴趣之事，在无形当中，其实就形成了自己的学习模式，宋謌平将其称为“细水长流模式”，很多新事物、新知识就像海绵吸水一样，不经意间就渗入了个人的血液中。
宋謌平表示，自己的这一模式可能得益于小时候的经历。宋謌平的父亲是一位书法爱好者，所以从小学开始他就跟随父亲学习书法，尽管表现不错，但也只是一个初级玩家。不过这样的经历，却让宋謌平体会到了“在玩耍中学习”的乐趣，并将这个习惯不经意间扩展到了工作、生活的所有领域，让他总是能够以放松的心态面对一切：学习、坚持、面对挑战…… 所以，有人可能会疑惑那么枯燥而单调的科研生活，他怎么能够坚持几十年不变？不会乏味吗？不会有瓶颈么？但在宋謌平而言，这些都不是问题。
另类思考，探寻事物隐藏的本质
1965年诺贝尔物理学奖获得者 Richard Feynman 曾受邀到贝尔实验室进行量子计算的演讲，宋謌平便从 Feynman 身上学到了另一种思维方式。Feynman 在加州大学任物理学教授时，就曾尝试不使用微积分来教大一物理，他用简单的数学和更直观的方式，让学生感受学习物理的快乐所在。当 Feynman 来贝尔实验室做演讲时，宋謌平对演讲内容不甚理解，却自此爱上了 Feynman 的演讲方式——用最简单的语言去描述一件事物的本质。
“不要被传统的习惯和思维所束缚，在了解新事物、学习新知识的时候，其内在的本质比名词更重要，在字面之后隐藏着更多知识与内涵。就像水一样，表面来看它是流动的、不能根据容器来定义形状，但如果探究其背后的本质会发现，水能够以液体、固体与气体形态出现，所以不要被表象所迷惑，”宋謌平说道。
因此宋謌平认为，成为科学家本身就是一件很有趣的事，无论是科学家、研究者还是工程师，都是在努力发现本质、再创新，使之为人类所用和提升人们的认知水平。“如果我们能够以放松的心态去追寻科研的本质，做研究就最让人开心，”宋謌平表示。这也是为什么他在这个年纪仍然选择做研究的原因，“三岁为翁，百岁为童”学习当与年龄无关，才是他想要的状态。
研究与论文，就是生活中的茶米油盐
很多人都会认为做研究、写论文非常高深，但在宋謌平眼里，它们与日常生活密切相关，生活中看到的规律，在科研中一样存在，不要把他们割裂，工作和生活完全可以融为一体、互相促进。
技术研究：发现其与生活的内在联系
目前，宋謌平所在的微软亚洲研究院语音组正在研究序数回归算法，并将其转化用于微软小英这个辅助英语学习的 AI 产品以及微软 Azure 与语音相关的服务中。而在第一次看到序数回归时，宋謌平其实并不完全了解它，不过在学习之后他发现，关键不只是一个回归问题，还伴随着另一个有趣的话题——作为算法的创造者，研究员们一直在想方设法找到相关度量或方程式，以期望通过最简单的方法实现最好的优化，但在生活中，不是所有东西都是客观、可测试的，还存在了主观感受。
例如，日常的英语演讲比赛需要评委打分，从1-5分中给出分数。评委可能会今天给3分，一觉醒来又变成2分或4分，主观评价会随心情不同而有所变化。同时，还要考虑新评委、新评分加入的可能。这种情况下，就需要改变方法，对评委进行偏好测试。而如果将平均意见分数和偏好测试都应用于序数回归算法中，那么语音编码、语音合成就容易得多，之后再将不同的编码或合成样本放到语句中，组合成不同句子，再次进行评分排序，复杂度就降低了很多，计算机将可以更好地完成这项工作。
其实无论是语音合成的发音，还是图像、视频好坏的标准评判，都存在主观的判断。早年在美国的中文学校教孩子们学中文时，宋謌平就对此深有体会，现在将这些生活中的体会运用到研究中，探索将主观指标转换成数字上可优化的方法，他觉得非常有意思，这也成为微软小英将想法变成现实的最好的训练过程。
写论文就像做中国菜和写菜谱一样
总能从生活中获得灵感的宋謌平还发现，写论文与做饭的本质很类似，尤其是做中国菜、写中国菜谱。他分享了这样一则故事：
上个世纪30-40年代，时居美国的现代著名学者、语言学家、音乐家赵元任先生，他的妻子杨步伟非常擅长厨艺，久而久之便萌生出写菜谱的想法，教外国人学做中国菜、点餐或是选择食材。最初食谱是用汉语写的，后由赵元任和女儿翻译成书，在文字的翻译中，也可以一探做菜的讲究。
例如，“滚刀块”，是指滚动原材料，如茄子、土豆，通过斜刀的方式将其切成大致相同的块状，因此翻译成英文应该是“Rolling knife ingredients”；中国烹饪中的“炒”，赵元任却给出了一长串的翻译，“Big fire, shallow fat, continuous stirring, and cut up material with wet seasoning，quick frying”，也就是大火、少油，持续搅拌，然则将食材切块加入酱汁快炒。最终他用了很别致的两个英文词 “stir fry”。
在宋謌平看来，写论文与做中国菜有异曲同工之妙，就如自创菜式。想要写一篇论文，首先需要收集其他相关论文，可以认为是食材，所处年代、研究方向都无所谓，然后进行筛选，最后再钻研自己的烹饪方法。
“筛选食材”的过程，宋謌平给大家提供了一种方法——猜答案法（Guesstimate）。看到一篇论文，不要着急阅读全文，先只查看标题，看是否可以猜出论文的大概内容；再读摘要，查看是否漏掉了哪些信息，然后根据摘要继续猜测；最后再仔细阅读全文，验证此前的猜测是否正确。有了这个猜测的过程，猜错的话也不要紧，你可以获得一个新的想法或新的算法；而猜对了就表示你能顺藤摸瓜直奔答案，尤其是作为编者，你的二次产出将会在思想上获得新的认知，同样的问题解决不会再照搬复制，更有可开辟的新的方法。
在今天碎片化信息过剩的时代，研究人员都要研读成千上万篇的论文，如果用上述方法去做自己的论文，则可以事半功倍。宋謌平还强调，在遵循“猜答案法”时，也要像做序数回归研究一样的优先级设置，从而做好时间管理，进一步提高效率。
追求极简主义，就是一个创新的过程
“在画布上，任何东西的存在，如果没有建设性，一定有破坏性。”画家林风眠的这句话宋謌平一直记在心里，虽然这是在谈艺术，但对于科学研究，这个道理也是相通的。
宋謌平在美国教中文时就有过类似的体会。对于母语是汉语的宋謌平来说，教中文他本来信心满满。最初，他先教孩子们注音符号，不用汉语拼音，但过了一个暑假，孩子们通通忘光；痛定思痛，他改为教汉语拼音，并发现孩子们非常喜欢，而且因为汉语拼音与英文字母更相近，所以孩子们容易记忆，即使长假过后仍然能够记住。
无独有偶，宋謌平在日本交换研究访问时，沟通中也看到了类似的现象。一方面，日本的汉字与中文相似，意思也很相近，另一方面，日语中很多的外来语，由其它语言简化而成，例如，“ パソコン（个人电脑）”就是 “Personal Computer” 的简化，“ テレビジ（电视）”就是 “Television" 的简写。基于这些发现，再结合上文提到的猜答案法，宋謌平很快就适应了这门异国语言，可与日本朋友无障碍交流。
宋謌平于1987-1988 年在日本 NTT-EC 研究所交换访问时，与接待主人古井贞熙博士合影
这种贴近事物本质的学习方式，宋謌平称之为极简主义。“大道至简，追求极简主义的过程本身就是一个创新与归纳的过程。如何用最少的原则、定理，解释最多的现象，这在人工智能研究的多个领域都十分重要，”宋謌平说，例如机器学习和模型算法的训练，就在研究如何使用少量的参数来整理与记忆大数据集，减少过度的训练和计算资源的消耗，以找到更高效、低成本的训练方法，让 AI 系统更加强大，而不是无限堆叠算力或数据。
了解更多：