宾大是什么大学(宾大在美国哪个城市)

第一次见到苏的时候，和很多年轻学者一样，外表温文尔雅，略显羞涩，但说起学术和AI的未来发展，却是激情满满。

看他的简历，他的成长经历一直一帆风顺:本科就读于著名的北京大学数学科学研究所，之后在美国斯坦福大学攻读博士学位，师从美国国家科学院院士、麦克阿瑟天才奖获得者伊曼纽尔·坎戴斯(Emmanuel Candès)和美国国家科学院院士、工程院院士辛西娅·德沃克(Cynthia Dwork)。然后，他跳过博士后阶段，在培养了埃隆·马斯克和沃伦·巴菲特的沃顿商学院任教，并在常春藤联盟的宾夕法尼亚大学共同指导机器学习的发展。

他的团队在机器学习优化算法、可信AI、高维数据分析等领域做了大量原创性甚至突破性的工作，部分成果已经应用于行业。但苏谦虚地说，与同时期的其他人工智能学者相比，他的论文数量很少。事实上，他“相对较少”的工作已经为他赢得了NSF事业奖、斯隆研究奖、SIAM数据科学青年奖等诸多荣誉。获得其中一个奖项已经是田小牛了，苏比一般人早工作了两三年。显然，苏是靠“质量”取胜的。

他的学生曾在北京大学、罗彻斯特大学、曼彻斯特大学等著名大学的计算机系任教或将任教，也曾在谷歌、脸书等硅谷大公司的研究部门任教。虽然距离博士毕业只有五年多的时间，但苏已经朝着她“拥有一个桃李满天下”的梦想迈出了一大步。

在这些成就的背后，苏的研究历程是否一帆风顺？对于对AI感兴趣的同学来说，还有哪些故事值得学习？

1.农村成长经历

虽然没有相关统计，但知名的AI青年学者，在农村长大的比例一定很小。苏就是其中之一。

他关于农村成长经历的文字充满了幸福感。苏从小就帮父母干农活。在夏季和秋季水稻种植和收获期间，学校会有一个“繁忙的农场假期”。这时候摸蜗牛抓鳝鱼是他的最爱。从学校回家的路上，苏会路过家的两亩地，打开水渠灌溉水稻。小学期间，他家没有房子住，全家人就暂时住在村里废弃的供销社旧房子里。让他高兴的是，这栋老房子中间有一块空的地，每天回家可以花很多时间种一些花草。

在农村长大，几乎没有什么学业压力，苏有更多的机会亲近自然。但这掩盖不了物质匮乏的事实。与城市学校相比，苏就读的农村小学和初中的教学资源少得多，基础设施也差得多。比如他初中操场没有400米跑道。体育课练跳远的时候，全校连卷尺都没有，他也没有机会接触电脑。甚至在他一年级开始学英语的时候，他就用汉字来做注音。所以我身边的同学普遍对学习改变命运缺乏信心和兴趣。经济条件较好的学生往往会中途转学到市区学校。

现在，由于农村学龄人口减少等原因，苏曾经就读的两所学校已经关闭。

以及缺少机会。他没上过幼儿园。在他本该上小学的时候，农村孩子因为教学资源不足，不得不晚一年上学。因此，他在高中和大学时普遍比他的同学年龄大。苏笑着提到，有一种误解，有人以为他是复读生。

在贫困中长大，苏从小就体会到生活的艰辛，特别珍惜机会，感谢别人的帮助。

苏所在的农村属于宁波余姚市，是全国经济最发达的县级市之一，商业创业氛围浓厚。尤其是在农村，人们认为最好早点做生意赚钱。读书是一种低性价比的生活选择。这也是建国以来江浙中科院院士比例不断下降的原因之一。

这些经历，有很大的概率，会让苏走上一条不同的道路。

2.在追求知识中“充实”

改变苏人生方向的第一个节点，是在小学五年级。那一年，他妈妈从村里培养专科生的邻居那里借了两本教材，一本是微积分，一本是线性代数。带着强烈的好奇心，一年后，他在没有帮助的情况下读完了这两本书。之后父亲在一年级的时候带他去了宁波和杭州，买了很多高等数学和热力学，量子力学，狭义相对论等物理书籍。苏浸泡在远远超出他年龄的知识海洋中，当时的并没有真正懂得多少，但他对知识的渴求已经深深地扎根在他的心里。

诚然，书籍是治疗匮乏的最佳良药。苏经常长时间骑自行车去市图书馆，借阅各种书籍，如数学、物理、天文和地理。通过阅读《古今数学思想》、《为了人类心灵的光辉》等数学家传记，苏为高斯、欧拉、黎曼、庞加莱的事迹所激动，为拉马努金、爱多士等现代数学家的故事所倾倒。有一次，他想买《中国大百科全书》的浓缩版，200多块钱，等了半年才向父母提出。那一次，他把一本厚厚的书放在自行车后座，从新华书店回家，那是他记忆中最快乐的一次骑行。

丰富的知识很快就会有回报。从未接受过竞赛训练的苏，在初二的初三数学竞赛中拿了一个奖，收到了市里一所初中的请柬，要求转学。之后上了余姚中学，家乡最好的一所。尽管他的家乡一直在农村，苏的求学生涯却永远地告别了田园时光。

更大的回报很快就会到来。高一第一学期，苏参加了三年级的数学竞赛。他的剑一出鞘，就获得了全省第六名，代表浙江省参加中国数学奥林匹克，这让这个单纯的农村男孩激动得不敢相信这是真的。之后，苏去杭州、福州等地参加培训，这是他第一次真正离开家乡余姚。在和全国各地优秀学生交流的过程中，他感受到了差距，尤其是在学识和谈吐上，让他对当时的自己失去了信心。

但最终苏在决赛中发挥出色，获得银牌，浙江省第二名，保送到清华大学数理基础班。这是家乡百万人口县级市的高一学生第一次走到清北。因此获得“宁波十佳学生”称号，在家乡引起轰动。苏在他的家乡仍然享有很高的声誉。

高三时，苏再次代表浙江省参加中国数学奥林匹克竞赛，获得全国第二名，保送北大数学科学研究所，进入国家集训队。集训队的大部分队员都是在高中之前加入国家队的，苏是他所在的高中第一个也是唯一一个加入数学国家集训队的。

所以母校的老师对他寄予厚望，希望他能顺利进入IMO国家队，为余姚中学带来第一枚国际学科竞赛金牌。然而，在集训队的最后两次试训中，苏发挥不佳，与国家队失之交臂。十几年过去了，他仍然为此感到有些遗憾，但不是因为个人荣誉的得失，而是因为高中时辜负了母校的期望。

参加数学竞赛给了这个农村男孩难以想象的丰富机会。虽然失败很多，但这让他更加珍惜来之不易的机会。苏觉得自己很幸运，因为他一路上没有做任何计划，只是单纯地追随自己内心对数学之美的激情。

3.从数学开始梦想，与AI结缘

在北大数学研究所学习的四年里，稀缺性已经远去，取而代之的是丰富的数学知识海洋。苏全身心投入到这场盛宴中，不敢懈怠。基本上他不玩游戏。每天都是和在燕园度过第一周的女友和现任妻子在图书馆自习。

在生活方面，北大为苏提供助学金，加上他每年获得的最高奖学金，完全可以承担学费和生活费。他一直记着这份恩情。

在北大数学学院，意味着和全国最优秀的同龄人生活在一起。这种感觉很奇妙。有什么问题，只要一和同学交流，就会豁然开朗，甚至意识到以前没有注意到的问题，会有一点压力，会让你更加努力。

北京大学的苏在很多方面都发生了变化，这也深深地烙上了他的思维方式。数学思维就是深入探索，直面真正的难题，努力揭开事物的本质。苏日后的科研风格也如出一辙，长期专注于一些重要的、基础性的问题，很少做推动他人的工作。

实现儿时的数学梦想近在咫尺，但随着高三出国申请季的到来，苏对未来有些犹豫，陷入了难以抉择的境地。数学无与伦比的纯粹性、简洁性和普适性深深吸引了他，而申请纯数学博士学位是成为数学家的必要条件，也是实现自己数学梦想的必由之路。同时，苏在北大数学研究所的方向也是基础数学。核心课程平均分97分，年级第一。再加上他在丘成桐大学生数学竞赛中的优异成绩，他可以申请最好的基础数学博士项目。

但苏此时的，随着年龄和阅历的增加，已经有了不同的思维。

是北京大学的综合性大学。他有机会学习机器学习、计算数学和统计学的课程，并参加相关讲座。他还获得了林毅夫教授创立的国家发展研究所的经济学双学位。这些在另一个维度的经历让苏知道了数学在其他领域的作用，可以帮助解决重要的实际问题。

另一个因素是苏在大三(2010)的暑假得到了去微软亚洲研究院实习的机会。这时候机器学习方兴未艾。在微软亚洲研究院，苏了解了机器学习的前沿方向和应用，并产生了浓厚的兴趣。当时人们并不怎么用AI这个词，但回想起来，他对AI的第一印象真的来自于这次实习经历。这段经历也让苏结交了很多计算机专业的同行，体会到了不同学科之间思维方式的差异。

描述:2010年夏天，苏(最左)在微软亚洲研究院实习。

但最终决定苏决心走一条不同道路的是他的成长经历。在农村长大的经历，让苏希望自己未来的职业生涯能更贴近行业，有机会改善父母的生活。经过一番思想斗争，我最终放弃了纯数学作为个人职业。

苏后来选择了斯坦福大学的统计系继续他的学术梦想，因此他不再是狭义的数学家。但他以后的学术风格、思维方式、学术情怀，从来没有离开过数学。

4.硅谷成熟的AI学术风格

怀着对未来的憧憬，苏于2011年漂洋过海来到美国硅谷，在斯坦福研究生奖学金的资助下开始了她的博士学习。苏的统计系教授不到20人，但其中有近10人是美国科学院院士，所以“院士只是平均水平”。系里的老师一般都有电子工程系、医学院、计算机系、数学系的正式职务，是名副其实的数据科学。

此时，斯坦福和附近的谷歌等公司仍处于AI快速发展的前夜。这种多样性和动态性的完美结合使苏韦杰能够接触到机器学习和数据科学的前沿。

在斯坦福众多顶尖学者中，他选择了Emmanuel Candès教授作为自己的博士生导师。艾曼纽是一个真正的天才。他获得了麦克阿瑟天才奖和其他奖项。他的研究涵盖计算数学、机器学习、统计学、信息论、信号处理和优化等多个领域。他在很小的时候就被选为美国国家科学院的院士。2020年，他与陶哲轩一起获得了IEEE Jack S. Kilby信号处理奖章(信号处理领域的最高荣誉)。

2014年，苏雨洁在微软研究院硅谷分院实习。她的导师是辛西娅·德沃克，她是美国国家科学院和工程院的院士。她是一个第一眼就觉得“我的朋友”的老太太。她早年在密码学和分布式计算方面做了奠基性的工作，开启了工作量证明的研究方向，为后来的区块链打下了一定的理论基础。近年来，Cynthia领导了可信AI(尤其是隐私数据保护和算法公平性)的蓬勃发展的领域，Su也在她的指导下进入了这一领域。此后，她一直给予苏学术上的指导和支持，是他实际意义上的导师。同时，辛西娅是早期一代女性计算机科学家。早年，作为一名女性，她不得不克服许多学习计算机的困难。来自农村的苏感受到了很多挫折，因此产生了共鸣。

图注:辛西娅·德沃克

这两位教授领域不同，但学术观点相近，共同塑造了苏今天的学术风格。这并不是说苏从艾曼纽和辛西娅那里学到了许多具体的知识点。坦白说，作为北大数学所的高材生，他的知识储备在本科阶段已经基本完成。但是，做学问远不止是知识的积累。更重要的是学术风格的确立，以及对什么是好学术的理解。

首先，要以解决问题为导向，而不是用纪律来限制自己。当艾曼纽和陶哲轩一起发明压缩传感时，是为了加速磁共振成像的实际问题。这份工作兼具数学美和实用美，非常难得。在研究过程中，他运用了信号处理、信息论、最优化、统计学等多门学科的思想和方法。Cynthia早期的领域是理论计算机，但近年来，当她开始研究隐私数据保护和算法公平性领域时，她深入引入了统计技术和社会学思想。

还有很重要的一点，就是坚持做自己认为重要的事情。艾曼纽告诉苏，他基本上不看arXiv上的最新论文，而是做自己认为重要的事情，不轻易被外界声音改变。如果过于跟风，总是模仿，很容易迷失在论文的汪洋大海中，研究内容也很难有自己的特色，无法产生深远的影响。十几年前Cynthia开始涉足隐私数据保护领域的时候，业内有不同的声音，但是经过十几年的不断耕耘，已经在业界得到了广泛的应用。

此外，我们应该注重质量而不是数量。苏韦杰回忆说，艾曼纽几次告诉他不要写一些论文，希望把它们从简历中删除。苏当时相当惊讶，因为这些论文中有上百条引文。独立工作后，他意识到现在学术圈的问题是论文太多，但真正高质量的论文比例并不高。艾曼纽告诫他，一篇论文好不好，要看5年甚至10年后是否还有参考价值。

这些言行让苏受益匪浅，体现在他的研究不局限于某一特定学科，往往跨越机器学习、优化、统计等多个领域，习惯于不断研究问题，专注于“种树”而非“摘果”。虽然“种树”的成功率不高，但这种工作一旦成功，往往会为这个领域提供新的问题和机会。

因为带学生的压力，他也有一些纯粹为了发表而发表的论文，但他要求自己至少要写一篇五年后才会有人看的论文。现在苏有40多篇论文，但他坦言其中只有3、4篇是自己真正喜欢的，有长期价值的。正是这为数不多的高质量论文，为苏赢得了诸多荣誉，其成果在包括宾夕法尼亚大学、麻省理工学院、加州大学伯克利分校、斯坦福大学、普林斯顿大学、耶鲁大学、北京大学、UCSD、UIUC等多所高校的数据科学和机器学习课程中授课。一个朋友告诉他，“未来可以写进教科书。」

除了学业，两位导师在生活上也很关心苏。伊曼纽尔有着法国学者常见的冷酷气质，但他内心非常关心自己的学生。每个学期，他都邀请学生去他家参加聚会。有一次，他得知苏在遇到经济困难后，主动提出给予经济帮助。辛西娅经常问苏她在工作中是否快乐。她在2017年加入哈佛大学后提到，如果苏想来“波士顿的那两所学校”，可以随时告诉她。

5.收获文章

2016年，苏博士毕业，论文获得首届斯坦福·西奥多·安德森奖。在艾曼纽和辛西娅的推荐下，他们加入了常春藤联盟的宾夕法尼亚大学，开始了他们在东海岸的独立工作。

图:苏和夫人与艾曼纽·坎迪斯合影。

带着对人工智能的热情和深厚的数学情怀，苏开始迎来了学术上的收获。

苏的主要课题之一是揭示深度学习背后的机制，并理解为什么深度神经网络有时工作得很好，有时却不行。也许是因为他的数学背景，他不仅重视提高效果，更强调“知道是什么，为什么”。

他这样评价AI技术:

有人说深度学习是炼金术。这对人脸识别、下围棋甚至蛋白质折叠可能不会有特别大的影响，但对高风险的AI应用来说至关重要。最近DeepMind将深度强化学习应用于核聚变，结果令人振奋。但在我们完全理解深度学习的机制之前，即使成功率达到99.99%，我们能承受这0.01%的概率成为一颗小氢弹吗？

这是一个重要且非常活跃的研究领域，但没有一个理论得到学术界的广泛认可。经过多年思考，苏及其团队提出了深度神经网络的“局部弹性”理论，为神经网络的泛化和优化提供了一个简单的唯象理论。

这个理论可以用一个很简单的例子来介绍:神经网络在看到一张波斯猫的图片后更新它的参数，然后我们在更新后的另一张图片中观察神经网络预测的变化。发现变化的大小取决于新图片与波斯猫的相似度:暹罗猫的变化最大，老虎次之，汽车最小。形象地说，深度神经网络像橡皮泥一样具有局部弹性。

直观上，苏认为这种现象学的理论是通向最终理论的必由之路，但它还不够完善，还需要大量的后续工作来进一步研究。