“从商科到大模型”：Lena 学姐的学术、职业与人生选择

slug

type

status

date

“从商科到大模型”：Lena 学姐的学术、职业与人生选择

受访者：Lena

主持人：Felix（悉尼大学中国学联）

Lena，悉尼大学商学院一等荣誉学士，全奖直博，目前博三在读，研究方向为人工智能与生成模型。同时，她也曾是字节跳动的算法工程师，曾担任 QBUS2310、QBUS2810、QBUS6850 等多门课程的导师，并在 QBUS3830 与 ELEC5304 担任客座讲师，并发表包含人工智能顶会在内的国际会议/期刊14篇。

本次访谈围绕「学术与研究」「职业发展」「教学与学术平衡」「个人与未来」「择偶与学历」五个维度展开，以下为经整理后的文字实录。

一、学术与研究：从商学院走向人工智能

1. 商学院的经历如何影响你走向 AI？

Lena 认为，商学院最大的特点是开放与多样性。

在本科阶段，商学院允许学生：

选择非商科专业作为 major 或 minor；

在商科学习中选修统计、数学等跨学科课程，拓展视野。

以她自己的商业分析（Business Analytics）专业为例，课程不仅包括传统的商业数据分析，也涵盖了大量统计学、数学与基础机器学习，为后续转向人工智能打下了扎实基础。

她笑称：

“商学院看起来跟 AI 很不相关，但正是它的包容性和开放性，让路没有越走越窄，反而帮我保留了‘往别的方向跑’的可能。”

正是这些基础课程与广度学习，让她在之后选择人工智能时，有了足够的“起跳板”。

2. 博三阶段的研究方向与成果

目前 Lena 主要聚焦两个方向：

大语言模型（LLM）相关研究

与 TikTok 合作，做大模型应用相关的数据 pipeline；

与其他高校合作，研究大模型训练中的 RL 效率与加速问题。

AI for Science（用 AI 解决科学问题）

重点放在物理、医学等领域；

最近的项目包括用模型求解 PDE / ODE、随机微分方程等传统而“硬核”的科学问题；

这一块目前与主流 LLM 架构联系不算特别紧密，更多还是偏传统机器学习与数值方法的结合。

在成果上，她和她的合作者近年在国际顶级会议上陆续发表了多篇论文，包括 ICLR 与 NeurIPS 等顶会。

3. 做大模型/生成模型时最大的挑战是什么？如何克服？

Lena 提到，最大的挑战其实有两个：算力和数据。

① 算力资源的瓶颈

商学院自己没有 GPU 资源，只能和学校的 HPC 平台（如 Artemis）共用，但环境复杂、使用体验一般；

早期她读硕的时候，只能做一些算力要求较小的模型；

到了大模型时代，自己买的几张卡“完全不够看”，根本扛不起 70B 级别的模型。

解决方式主要是：

“靠合作换算力。”

也就是：

自己这边负责 idea、理论推导和主要 coding；

与有算力的大组、公司合作，在他们的平台上完成大规模训练。

② 理论与实践：大模型的“薄理论”和数据问题

在理论上，她认为：

大模型本身的理论基础相对薄弱，某种程度上是“大力出奇迹”；

反而像 diffusion 这类生成模型，与能量模型、flow matching 等传统理论连接更紧。

真正麻烦的是数据：

学术研究中，很多 benchmark 数据集已经被“反复用烂”，质量参差不齐；

在工业界，大公司可以掌握大量高价值的私有数据，但学术界往往接触不到；

即便使用 API，不自己买算力，也会面临更高的成本压力——算账同样很现实。

她的应对思路是：

“如果是做学术，就用被大量使用、经验证的数据集，把经验当成筛选标准；
如果是做应用，就一定要跟该领域真正懂业务的人合作，让他们来帮忙定义：什么数据是可信的、最有价值的。
在 ‘Intelligence’ 之前，我们得先搞清楚 ‘Artificial’ 从哪里来。”

二、职业发展：从“野路子”到“正规军”

4. 从学术到企业：为什么会选择去字节跳动？

Lena 在博二时经历过一段迷茫期：

一方面，算力严重受限，她自费买显卡但依然远远不够；

另一方面，当时做的 GNN 方向应用面比较窄、算力消耗大，她很难看清这个方向未来的价值；

再加上投 NeurIPS 的尝试不如预期，她感觉自己“在一个死胡同里打转”。

在这种困境下，她决定“先跳出去再说”：

偶然刷到 TikTok 的算法岗招聘；

又刚好认识公司内部的人，于是去要了内推；

凭着“有点懵懂的勇气”，在算法面试基础都不太扎实的情况下，硬着头皮上，最后真的拿到了实习机会。

她回头看这段经历时说：

“很多时候，突破困境不一定是等到一个‘万无一失’的方案才出手，而是你先勇敢迈出那一步，然后再一边走一边把路踩实。”

从进公司那一刻起，她感觉很多事情开始发生变化——包括眼界、氛围、做事方式。

5. 学术 vs 工业：最大的差异在哪里？怎么适应？

她总结了几个很典型的差异：

（1）数据：从干净 benchmark 到“惊喜 + 惊吓”

学术里的数据集：干净、规整、有完善文档和现成的 split；

工业界的数据：脏、缺标签、充满各种异常情况。

“在学术里，我们大概知道 ‘应该期待什么’；
在工业里，你会发现每天都有你从来没想到的问题。”

（2）方法：新不新 vs 好不好用

做学术时，大家追求的是 novelty、SOTA、贡献点；

工业里，很多“吹得天花乱坠的新方法”可能并不好用，反而是稳定、简单的 baseline 更可靠；

同时，团队与上级会有业绩、亮点的期待，需要“前沿”和“可落地效果”之间不断平衡。

（3）问题复杂度：从“一道题”到“十道互相打架的题”

在学校里，我们想的是：

“这个 research question 的答案是什么？”

但实际业务场景是：

一个问题牵出十个问题；

技术、产品、成本、组织结构、KPI 之间全都要考虑；

很多问题之间还互相冲突，不可能全都兼顾。

她应对这些差异的核心方法有三点：

先用“学术模式”当 baseline，对比哪里不同；

在公司里多问 mentor 和同事，了解历史做法，用经验补足认知；

在缺乏前人经验时，用“第一性原理”拆解问题，回到本质重新设计方案。

6. 在字节做算法工程师：最喜欢和最具挑战的部分

最喜欢的部分：

充足的算力

公司在悉尼的算力资源充沛；

70B 级别模型可以真正跑起来，不再被算力捆住手脚。

和一群非常聪明的人一起工作

团队成员来自国内名校和海外优秀高校的博士；

在这样的环境里，自己的不足很容易被照亮、被纠正；

也可以不断吸收不同人的思维方式与做事习惯。

“一个人再聪明，视野和时间都是有限的。
把很多聪明人放在一起，就能迅速暴露问题，也能更快迭代解决方案。”

最具挑战的部分：

对她而言，技术本身反而不是最大难点，真正挑战在于：

如何在团队中说服别人接受自己的方案；

如何用一个扎实的 story 告诉大家：

为什么要这么做？
为什么这是当前条件下最合适的方案？
为什么其他看起来“也不错”的方法不选？

她认为，这一点甚至比单纯“把模型调到最好”更难，也是一种全新的能力训练。

7. 她眼中的 AI 突破与未来趋势

Lena 不太愿意给出“最大的突破”这种武断结论，她更愿意谈自己看好的方向，例如：

大模型的 Memory / 模块化能力

通过类似 “记忆模块” 的方式，让模型能在不同任务之间插拔；

像在人脑里“插一块记忆卡”：插上某个模块，就具备一项新能力，拔掉就忘记；

技术上可以通过 LoRA 等方式实现，更强调灵活性与可扩展性。

长上下文处理（Long Context）能力

让模型在处理长文档、复杂推理时更加稳定和高效；

对真实应用场景意义重大。

至于“AI 的终局趋势”，她保持克制和谦逊：

“这种问题可能更适合交给马斯克和奥特曼在峰会上畅想。
对我来说，我更关心的是：AI 能不能真正进入我们的 everyday life，
成为一种可靠的辅助，而不是替代人类。”

她希望看到的是：AI 深入医疗、工厂、日常生活，成为生产和生活的“加速器”，而不是让人失去主体性。

三、教学与学术平衡：在“讲台”和“论文”之间

8. 如何平衡教学（担任Tutor）与科研？在教学中最看重学生什么能力？

在平衡上：

博一那年，她给自己排得很满：一周七天、几乎不休息；

大致安排是：约 5 天做研究，2 天投入教学；

随着课越上越熟，备课成本降低，教学变得更像“自动驾驶”；

当发现自己在教学上已经难以再突破、嗓子也因高强度讲课受损后，她选择逐渐退出这部分，把精力投入到新的探索中。

她在学生身上最看重的能力有两类：

从“老师视角”能直接观察到的：

持之以恒：

能 13 周里来上 10 周以上的课，认真听讲、记笔记、按时完成作业的学生，已经是非常少数；

基本学习习惯与自律，是一个不错学生的“及格线”。

从“学生视角”更本质的能力：

归纳总结能力；

发散思考能力；

团队协作能力；

更重要的是——知道自己要什么。

“不论是上课、做项目还是规划职业，最重要的是：
你清楚自己希望从这件事中得到什么，并且愿意为此持续行动。”

9. 最喜欢和学生聊什么？

严格来说，Lena 并不是那种在课堂里频繁聊人生、聊八卦的老师。

平时学生最常找她讨论的，其实是：

“老师，这题我为什么扣分了？”

但在她更熟悉、也更热爱的话题——例如机器学习——上，她会在课程最后、尤其是期末阶段，多聊一点“课本之外”的内容，例如：

这个模型在工业界是怎么真正被用起来的；

当前这个方向的研究前沿大致走到哪里了；

如果学生未来想在这个领域深挖，可以往哪些方向看。

她坦言，大多数学生其实未必那么关心这些，但她仍然愿意适度“打开一扇窗”，让真正感兴趣的人知道：课本只是起点，不是终点。

四、个人与未来：压力、时间与选择

10. 博士 + 算法工程师，压力大吗？如何管理时间？

她的回答有点出乎意料：

“我其实不太觉得自己压力很大，而且还挺闲的。”

这并不是因为她不忙，而是：

博士研究与算法实习在她这里是高度融合的：

公司知道博士有论文需求，会为研究留出空间；
不会抢一作、通讯作者等学术资源；

对她来说，“工作”和“研究”并不是两件互相抢时间的事，而是同一件事的不同面向。

她更在意的，不是“时间管理”，而是预期管理（alignment）：

什么时候我们会觉得时间不够？

当 A 让我们做这件事、B 让我们做那件事、自己又想做第三件事时。

如果能让导师、公司 mentor 和自己三方的预期尽量对齐，比如：

这个公司项目能否演化成一篇论文？
工作投入的时间和学术产出是否匹配？
自己这一年最核心的“主线任务”是什么？

那么很多“时间冲突”，会自然收敛成“一件事”。

11. 对未来职业规划的看法：学界 vs 工业界？

Lena 坦白说，她现在仍在探索中，没有给自己画一个“非走不可的轨道”。

她的思路是分两层看的：

长期层面：更在意“人生平衡点”

她希望未来能在事业、家庭、时间与经济支持之间找到一个平衡点；

不只是问“我到底要做学术还是进公司？”，而是：

“在某个阶段，我和家人都能有足够的自由，去做自己想做的事情。”

短期层面：聚焦阶段目标

去年，她的短期目标是：“搞清楚算法工程师这份工作的运转方式和部门的运行机制”；

最近，她开始额外关注量化方向，为自己打开另一种可能；

学术与工业目前依然保持一种平衡与互相促进的关系。

她承认这听起来有点“玄学”，但也是出于一种现实的清醒：

“世界太混沌了，时间拉得太长时，任何规划都不稳定。
我能做的是：把当下阶段能做好的事做到最好，然后给未来留一点空位，让机遇来决定拐点。”

五、择偶与学历：关于契合度、标准与“抓大放小”

12. 如何看待“伴侣选择”这件事？（Lena学姐与她老公已经相识7年）

在她看来，择偶中最核心的关键词是：契合度。

契合度并不能用单一、统一的世俗标准来衡量；

每个人真正在意的点都不一样——有人看重事业、有人看重家庭、有人看重情绪价值；

契合的本质，是：在一起时，我是不是舒服、开心的？

以她和丈夫为例：

她更偏事业型，时间和精力很多投在工作和研究上；

丈夫则更愿意承担家庭中的琐碎事务，给她提供稳固的后方支持；

有人笑称她“选男人的思路和传统意义上男人选老婆的思路是一样的”：她也觉得挺准确——她是“主外”的那一方，需要一个愿意“主内”的伙伴。

对于“深造是否会增加择偶难度”，她的态度是：

“我当年认识他时才十九、二十岁，其实完全没想那么远。
只是觉得这个人相处很舒服，那就先试试看，不行就算了——结果就一路走到了现在。”

她不倾向于在一段关系发生之前，就给自己加很多“算计式的焦虑”。

13. 学历在择偶中重要吗？

她的看法是：

“学历不是决定性因素，但有一个隐性的影响。”

高学历与否，本身不应该变成一套僵化的筛选条件；

但不同的人生轨迹（例如一路读博 vs 很早进入社会）确实会塑造不同的价值观、思维方式；

如果两个人的人生轨迹差距过大，三观和思维方式的差异会被放大，契合度自然会下降。

所以她并不赞成用“学历门槛”一刀切地筛人：

“如果一上来就拿一堆条件——身高、学历、年薪、家庭背景——去‘筛简历’，
很可能把真正适合自己的那个人筛出去了。”

她更建议：

先认识真实的人，再看他当下形成的三观与生活方式是否和自己匹配；

至于这些三观和习惯是如何形成的，没必要像心理医生一样往回推太多。

14. 给“高学历但很难找到伴侣”的年轻人的建议

对这类群体，她提供了两个关键词：抓大放小 和 向内总结。

（1）抓大放小：先想好“决不能妥协的点”

每个人真正“绝对不能妥协的点”其实不会太多，最多一两个；

例如：是否愿意共同承担家庭责任、是否能尊重对方的事业选择；

把这些核心原则挑出来，其他条件（比如身高差两厘米、有没有 six-pack 等）就可以适当放松。

她举了一个例子：

“你口头上说‘我一定要 180 以上’，但如果对方 178、穿上鞋、头发再蓬松一点，其实谁也看不出来。
这个就明显是可以放下的小条件。”

（2）从过往经历中总结“自己真正要什么”

对于很多高学历年轻人来说，过去往往不是“完全没有过感情经历”，而是经历过几段不太合适的关系；

与其靠想象列一个完美的择偶清单，不如回头看看：

在之前的关系中，哪些点让自己非常在意、最后无法接受？
哪些优点是自己当时特别珍惜的？

Lena 自己就是这样做的：

在上一段感情中，她意识到有一些点与自己的生活方式不契合；

在下一段关系中，她有意识地避免这些“雷区”，结果契合度自然高了很多。

结语

从商学院到大模型，从“野路子”到“正规军”，从科研到工业，再到对人生与伴侣的选择，Lena 的故事里有非常多现实的矛盾，也有很多务实而清醒的取舍。

她没有给出一条“标准答案式”的人生路线图，但反复强调了几个贯穿始终的底层原则：

保持对自己真正想要什么的清晰认知；

在困境中，先勇敢迈出那一步，再在路上把问题解决；

让预期对齐，让时间聚焦在最有价值的事情上；

在职业与情感中，学会抓大放小，找到对自己真正重要的少数几个点。

这些，或许就是她想留给正在成长道路上的悉大同学们的一些“经验之谈”。

感谢 Lena 学姐的分享，祝大家在学术、职业与人生选择中都能找到属于自己的答案。