Anonymous

[Scholarship for PhD @ScholarshipfPhd]

In the end, the greatest achievement of a PhD is not the thesis you submit or the degree you earn. It is the mindset you develop.

A mind that is curious, analytical, humble and never stops learning.

[🥑 @yujitach]

数日前ポスドクさんに最近PRLに「量子力学は複素数なしで実数で掛ける」というのが出て、editor's suggestion に加えさらにアメリカ物理学会web雑誌に紹介記事まで出ていると聞いてびっくりした。紹介記事は https://t.co/dfjSfukWQj で論文は https://t.co/8NL6FlEX84 です。さて読んでみると単に

[Progress Bar 2026 @ProgressBar202_]

2026 is 50% complete.

[实践哥MinLi @MinLiBuilds]

我希望我本科研究生阶段能读到这么好的文章，我的职业发展会完全不一样。

这是她做 research 的方法论，非常聪明扎实，有复利性。

译文：

vivek
@itsreallyvivek
如何做好研究（how to be good at research）
并没有人真正教过你如何做研究。你得到一张办公桌、一个别人挑好的问题，以及一个“做出点新东西”的模糊指令。因此，大多数人通过他们能看到的东西（比如论文、帖子和公告）对这份工作进行逆向工程，最终他们学到的只是如何“看起来”像个研究员，而不是如何“成为”一个研究员。真正的研究能力是一系列小技能的堆叠，而几乎每一项都可以通过刻意练习来培养。
挑选你自己的问题
理查德·汉明（Richard Hamming）在贝尔实验室有个习惯，这让他在午餐时很不受欢迎。他会问坐在旁边的人，他们领域里重要的问题是什么，然后问他们为什么不去研究这些问题。于是大家纷纷换桌吃饭。这个问题很刺人，因为我们大多数人都给不出好答案。我们不是在选择问题，而是在吸收问题——从导师那里吸收，从某个大实验室上个季度发布的公告里吸收，从这周大家都在转发引用的论文里吸收。
吸收来的问题，麻烦在于你只握有结论，却不知其背后的推理逻辑。你知道某个著名实验室关心某个方向，但你不知道为什么，不知道他们期望发现什么，也不知道什么情况会让他们放弃这个方向。当他们转向时，你一年后才会察觉。而且，在一个已经流行起来的问题上，你是在和一千个起步比你早、算力比你多的人赛跑。
约翰·舒尔曼（John Schulman）的机器学习研究指南将这项工作分为两种模式。第一种，你阅读文献并寻找可以改进的地方。第二种，**你选择一个你真心希望实现的结果，然后反推去设计实验。**他主张第二种，其隐晦的原因在于这能制造出原创性。一个你真正关心的目标，会把你拖入任何综述论文都未曾覆盖的领地。
至于“品味”（taste），人们常把它当成一种天赋来讨论。但它表现得其实更像是一块肌肉。在运行每次实验前，先预测它的结果；遮住一篇论文的结果部分，仅凭它的方法来猜测数据；记下这个月发布的哪些成果在两年后依然重要，以后再来验证你的命中率。一次预测加上一次纠错，重复几百次——每一个好模型都是这样训练出来的，包括你脑子里的那个。
升级你的输入
共享的阅读清单产生共享的想法。如果你的信息口粮只是 arXiv 的热门榜单加上群聊筛选后剩下来的东西，你必然会跟所有人同时得出同样的结论，这也使得这些结论几乎一文不值。
旧资料的价值被严重低估了。这个领域总是延时重演自己的过去：混合专家模型（MoE）可追溯到 1991 年，LSTM 到 1997 年，反向传播在 1986 年就成了主流。理查德·萨顿（Rich Sutton）在 2019 年只用了一千来字就写出了《苦涩的教训》（The Bitter Lesson），而它对该领域发展轨迹的预测，比篇幅长它十倍的综述还要准。克劳德·香农（Claude Shannon）在 1952 年做过一场关于创造性思维的演讲，他的第一招就是把问题缩小到几乎微不足道的程度，破解这个缩小版，然后再将难度一点一点地加回去。单凭这一招，就能帮你撞破比任何现代生产力建议都要多的墙。
**广度和深度一样重要。**可解释性研究毫不掩饰地借鉴了神经科学；评测（Eval）设计就是披着白大褂的机制设计；只要对 GPU 到底如何移动内存有实际的认知，你就能在基准测试结果出来之前判断出哪些架构论文注定会失败；而诚实的统计学可能已经是机器学习领域最稀缺的技能了，在这里，许多公开发表的“严谨”，不过是带有误差棒的“感觉”。
还有一件事。**去读论文本身，而不是读总结它的帖子。**附录才是埋藏秘密的地方，而“局限性”部分通常是整篇文档中最诚实的一段。

把一切都写下来
保罗·格雷厄姆（Paul Graham）指出，一个想法在你试图把它变成文字之前，总感觉已经非常成熟了。但白纸黑字会暴露出你大脑粉饰过的漏洞：你从未测试过的假设、其实并不连贯的步骤、两个悄悄自相矛盾的主张。
费曼（Feynman）的原则是，你必须避免欺骗的第一人就是你自己，因为你是最容易上当的目标。**写作是有史以来发明的最廉价的防御机制。**达尔文走得更远，他将其程序化了：任何违背他理论的事实都会被当场写下来，因为他发现自己的记忆删除不便证据的速度，远比删除有利证据的速度快。你的记忆对你失败的运行记录也是如此。保持做日志的习惯：假设、设置、预期、结果、更新后的认知。重读上个月的记录会让你感到极度谦卑，没有任何审稿人能带来这种效果。

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[rie @ries000]

학부 레벨에서 벼락치기가 안 되는 학과라는 개념은 없음

[Anonymous @PA_EM_dot_G]

기준치가 높다?
난 이미 졌는데 진걸 인정 못하고
몇번이고 리트하고
리트하고

결과는 아무것도 없다.

[Anonymous @PA_EM_dot_G]

약을 안먹은지 두달정도 되었다. 변하는게 없는데 먹어서 어디에 쓰려고.

[Anonymous @PA_EM_dot_G]

ㅋㅋ 이 시간에 텐서곱 하나라도 보면 좋을텐데
왜? 라는 생각이 들어서 아무것도 하고싶지 않다
설명할 수 있는게 아무것도 없다.
언어를 잃어버렸다...

[Anonymous @PA_EM_dot_G]

유로비전에 관심을 가졌던 적이 있었던것 같기도 한데
재미없어졌다

[Anonymous @PA_EM_dot_G]

나는 애니음악이 좋았는데
다 손가락질해서 지금은 애니음악을 좋아하는지 모르겠다
내가 하는건 다 이상한거니까
팝 좋아한다 지금은

[Anonymous @PA_EM_dot_G]

native instrument였네

[Anonymous @PA_EM_dot_G]

악기 데모 사운드 좋아서 히히 했던거 있는데 악기 이름을 까먹었다

[Anonymous @PA_EM_dot_G]

works 스포티파이 업데이트 해줬으면 좋겠다

[Anonymous @PA_EM_dot_G]

쏘닉 노래 좋다
프론티어 OST stillness and motion 피아노 멜로디 좋다
좋다
슬프다
ㅠㅠ

[Anonymous @PA_EM_dot_G]

소신발언하면
어차피 돌고돌아 일렉인거 게임 OST에 좋은 곡 많은 것 같다
헤헤
사운드 덕질은 몰?루 테크노 뮤지션들이 알아서 해줄거야 그런건

[Anonymous @PA_EM_dot_G]

공부하기 싫다.

[Anonymous @PA_EM_dot_G]

사람이 싫어

[Anonymous @PA_EM_dot_G]

내 주변사람들은 다 좋은 사람밖에 없어서 더 슬픔
개똑똑하고, 잘났고, 간지나고, 착하고...
기회도 다 줬는데 혼자 말아먹은건 난데 뭘 탓하려고