施一公：如何成为一名优秀的博士生？

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

本文科研大匠综合整理自施一公科学网博客

近日，研究生新生已开始陆续开学，不少同窗问：如何成为一名优秀的博士生？对这个问题，施一公院士曾进行深刻的思考，他结合本身的亲身经历，专门写了两篇长篇博文进行总结，朴实精辟，流传甚广，获得不少导师及学长学姐们的极力推荐，如下为完整版，分享给你们。 

序： 我从得到博士学位至今已经整整16个春秋，但博士阶段的感觉仍然历历在目。我从指导本身独立实验室的第一个博士生到如今也已经13年了，其中的博士研究生和博士后中已经有11人在美国和中国的大学里担任独立实验室的PI。他们的成长过程差异极大，性格、能力也各有不一样。应该说，没有任何一个学生能够简单地遵循另一个优秀科学家的足迹脱颖而出。从这个意义上讲，科学家的成功是不可能复制的。可是，优秀科学家经常具有的共同特色应该对年轻学生有很大启发。

文主要来自我在清华大学研究生入学教育里一次2.5小时的讲座，又综合了一些随后的思考和总结。在那次讲座中，我一再强调，个人目的不是要求研究生彻底按照我讲的去作，而是但愿从根本上冲击、振荡一下研究生的思考角度，启发你们找到最适合本身的成才之路。

时间的付出

全部成功的科学家必定具备的共同点，就是他们必须付出大量的时间和心血。这是一条真理。实际上，不管社会上哪种职业，要想成为本行业中的佼佼者，都必须付出比常人多的时间。有时，个别优秀科学家在回答学生或媒体的问题时，轻描淡写地说本身的成功凭借的是运气，不是苦干。这种回答其实不够客观、也有些不负责任，由于他们有意忽略了本身在时间上的大量付出，而只是强调成功过程当中的一个偶然因素，这样说的效果经常对年轻学生形成很大的误导，由于有些幼稚的学生甚至会所以开始投机取巧、不全力进取而是等待所谓的运气；另一些学生则开始寻找他们的运气，把至关一部分精力和时间用在了与科学研究无关的事情上面。说极端一点：若是真有这样主要凭运气而非时间付出取得成功的科学家，那么他的成功极可能是攫取别人的成果，而本身十有八九不具有真正在领域内领先的学术水平。 

大约在十年前，著名的华人生物学家蒲慕明先生曾经有一封很是著名的email在网上广为流传，这封email是蒲先生写给本身实验室全部博士生和博士后的，其中的观点我彻底赞同。这封email写的语重心长，从中能够看出蒲先生的良苦用心。我不管是在普林斯顿仍是在清华大学都把这封email转给了我实验室的全部学生，让他们体会。其中的一段是这样说的：

“The most important thing is what I consider to be sufficient amount of time and effort in the lab work. I mentioned that about 60 hr working time per week is what I consider the minimal time an average successful young scientist in these days has to put into the lab work……I suggest that everyone puts in at least 6 hr concentrated bench work and 2+ hr reading and other research-related activity each day. Reading papers and books should be done mostly after work.”

我认为最重要的事情就是在实验室里的工做时间，当今一个成功的年轻科学家平均每周要有60小时左右的时间投入到实验室的研究工做......我建议每一个人天天至少有6小时的紧张实验操做和两小时以上的与科研直接有关的阅读等。文献和书籍的阅读应该在这些工做时间以外进行。

蒲慕明

有些学生读完蒲先生的email后告诉我，“看来我不是作学术的料，由于我真的吃不起这份苦。”我经常回复道，“我在你这么大年纪的时候，也会以为长期这样工做难以想象。但在不知不觉之中，你会逐渐被科学研究的精妙所打动，也会为本身的努力和成绩骄傲，你会逐渐适应这种生活方式！”这句话表面上是劝学生，实则是我本身的经历与体会。 

我从小就特别贪玩，并不喜欢学习。但来自学校和父母的教育与压力迫使本身尽可能刻苦读书；我高中就读于河南省实验中学，凭借着比别人更加刻苦的努力，综合成绩始终名列前茅。1984年全国高中数学联赛我得到河南赛区第一名，保送进入清华大学。大学阶段，我保持了刻苦的传统，综合成绩全班第一并提早一年毕业。但这种应试和灌输教育的结果就是我不多真正独立思考、对专业不感兴趣。大学毕业时，我本没有打算从事科学研究，而是一心一意想下海经商。阴差阳错之间，我踏上了赴美留学之路。

 

可想而知，留学的第一年，我情绪波动很大，心里浮躁而迷茫，根本无意念书、作研究，而是花了不少时间在中餐馆打工、选修计算机课程。第二年，我开始逐渐适应科研的“枯燥”，并开始有了一点本身的体会，有时领会了一些精妙之处后会洋洋得意，也会产生“原来不过如此”的想法，逐渐对本身的科研能力有了一点自信。这期间，博士研究生的课程所有修完，我每周五天、天天从上午9点作实验到晚上七、8点，周末也会去两个半天。到了第三年，我已经开始领会到科研的逻辑，有点儿跃跃欲试的感受，在组会上经常提问，而这种“入门”的感受又让我对研究增长了不少兴趣，晚上经常干到11点多，赶最后一班校车从霍普金斯医学院回Homewood campus（我住在附近）。1993年我曾经在本身的实验记录本的日期旁标注“This is the 21st consecutive day of working in the lab.”（这是我连续第21天在实验室工做。）以激励本身。其实，这多少有做秀之嫌，由于其中的一个周末我一共只作了5、六个小时的实验。到第四年之后，我彻底适应了实验室的科研环境，也不会再感觉到枯燥或时间上的压力了。时间安排彻底服从实验的须要，尽可能往前赶。其实，这段时期的实验时间远多于刚刚进实验室的时候，但感受上好多了。

 

研究生阶段后期，个人刻苦在实验室是出了名的。在纽约作博士后时期则是我这辈子最苦的两年，天天晚上作实验到半夜三点左右，回到住处躺下来睡觉时经常已经是四点之后；但天天早晨八点都会被窗外纽约第一大道(First Avenue)上的汽车喧闹声吵醒，九点左右又回到实验室开始了新的一天。天天三餐都在实验室，分别在上午9点、下午3点和晚上九、10点。这样的生活节奏持续11天，从周一到第二个星期的周五，周五晚上作灰狗长途汽车回到巴尔地摩(Baltimore)的家里，周末两天天天睡上近十个小时，弥补过去11天严重缺失的睡眠。周一早晨再开始下一个11天的奋斗。虽然体力上很累，但我内心很知足、很骄傲，我知道本身在用行动打造将来、在创业。有时我也会在日记里鼓励本身。我住在纽约市曼哈顿区65街与第一大道路口附近，离纽约著名的中心公园(Central Park)很近，那里也时有文化娱乐活动，但在纽约工做整整两年，我从未迈进中心公园一步。 

求学时期的施一公，图源：互动百科

我必定会把本身的这段经历讲给每个我本身的学生听，新生经常问我：“老师，您以为本身苦吗？”我一般回答，“只有作本身没有兴趣的事情时候以为很苦。有兴趣之后一点也不以为苦。” 是啊，一个精彩的实验带给个人享受比看一部美国大片强多了。如今回想起当时的刻苦，感受仍很骄傲、很振奋！有时我想：若是本身在博士生、博士后阶段的那七年半不努力进取，而是不加节制地看电影、读小说、找娱乐（当时的互联网远没有如今这么内容丰富），如今该是什么情况？ 

作一个优秀的博士生，时间的付出是必要条件。 

方法论的转变

要想在科学研究上取得突破和成功，只有时间的付出和刻苦，是不够的。批判性分析（critical analysis）是必须具有的一种素质。 

研究生与本科生最大的区别是：本科生以吸收学习人类积累的知识为主、兼顾科学研究和技能训练；而博士生的本质是经过科学研究来发掘创造新知识，当前和以往学习的知识都是为了更好地服务于科学研究。在以学习知识为主的本科生阶段，提出问题当然重要，但答案每每已经存在，因此问题是否critical没有那么关键。博士生阶段则彻底不一样，必须具有critical analysis的能力，不然不可能成为优秀的科学家。这一点，我称之为方法论的转变。 

其实，整个大学和研究生阶段教育的实质就是培养critical analysis的能力，养成可以进行创新科研的方法论。这里的例子很是多，覆盖的范围也很是广，在此举几个让我终生难忘的例子。 

01

正确分析负面结果（negative results）是成功的关键

做为生命学科的一名博士生，若是每个实验都很顺利、能获得预料中的正面结果（positive results），除个别研究领域外，通常只须要6-24个月就应该能够得到博士学位所须要的全部结果了。然而实际上，在美国，生命学科的一个博士研究生，平均须要6年左右的时间才能获得PhD学位。这一数字自己就说明：绝大多数实验结果会与预料不符，或者是负面结果（negative results）。大多数低年级的博士生对负面结果的见解很消极，直接影响了他们critical analysis能力的培养。 

其实，只要有适当的对照实验（control experiments）、判断无误的负面实验结果每每是通往成功的必经之路。通常来讲，任何一个探索型课题的每一步进展都有几种、甚至十几种可能的途径（hypothesis），取得进展的过程基本就是排除不正确、找到正确方向的过程，不少状况下也就是将这几种、甚至十几种可能的途径一一予以尝试、排除，直到找到一条可行之路的过程。在这个过程当中，一个可信的(conclusive)负面结果每每可让咱们信心饱满地放弃目前这一途径，若是运用得当，这种排除法会确保咱们最终走上正确的实验途径。从这个角度讲，负面的实验结果不只很正常、也颇有益于课题的最终成功。 

很是遗憾的是，大多数学生的负面结果并不使人信服，经不起逻辑的推敲！而这一点每每是阻碍科研课题进展的最大阻碍。好比，按照一个常规的 protocol操做时不能获得positive control的相应结果，或者缺少相应的对照实验，或者是对可信的实验结果在分析和判断上产生了失误，从而作出“负面结果”或“不肯定”（inconclusive results）的结论，这种结论对整个课题进展的伤害很是大，经常让学生在从此的实验中不知所措、苦恼不堪。我告诫并鼓励我全部的学生：只要你不断取得conclusive的负面结果，你的课题就会很快走上正路；而在不断分析负面结果的过程当中所掌握的强大的逻辑分析能力也会使你也会很快成熟，成长为一名优秀的科学家。

 

我对一路顺风、不多取得负面结果的学生老是很担忧，由于他们没有真正经历过科研上critical analysis的训练。在个人实验室，偶尔会有这样的学生只用很短的时间（两年左右，有时甚至一年）就完成了PhD论文所须要的结果；对这些学生，我必定会让他们继续承担一些富有挑战性的新课题，让他们经受负面结果的磨练。没有这些磨练，他们很难真正具有critical analysis的能力，未来也很难成为能够独立领导一个实验室的优秀科学家。 

因此，不要惧怕负面结果，关键是如何从分析负面结果中获取正确的信息。 

02

耗费时间的完美主义阻碍创新进取

Nikola Pavletich是个人博士后导师，也是对我影响最大的科学家之一，他有着极强的实验判断力和思惟能力，作出了一系列包括p5三、Rb、CDK complex、SCF complex、BRCA1等在内的里程碑式的研究工做，享誉世界结构生物学界，31岁时即升任正教授。

施一公博士后导师 Nikola Pavletich

1996年4月，我刚到Nikola实验室不久，纯化一个表达量至关高的蛋白Smad4，两天下来，蛋白虽然纯化了，但结果很不理想：获得的产量可能只有应该获得的20%左右。见到Nikola，我很差意思地说：产率很低，我计划继续优化蛋白的纯化方法，提升产率。他反问我：（大意）

Why do you want to improve the yield? Don’t you have enough protein for crystallization trials? 

你为何想提升产率？已有的蛋白不够你作初步的结晶实验吗？

我回敬道：

I do have enough protein for crystallization screen. But I need to optimize the yield first so that I can accumulate more materials.

我有足够的蛋白作结晶筛选，但我须要优化产率以获得更多的蛋白。

他不客气地打断我：

No. The yield is high enough. Your time is more important than yield. Please proceed to crystallization. 

不对。产率够高了，你的时间比产率重要。请尽快开始结晶。

实践证实了Nikola建议的价值。我用仅有的几毫克蛋白进行crystallization screen,很快意识到这个construct并不理想，须要经过protein engineering除去其N-端较flexible的几十个氨基酸。而除去N-端几十个氨基酸的蛋白不只表达量高、并且生化性质稳定，纯化起来很是容易，根本不用担忧产率的问题。 

在大刀阔斧进行创新实验的初期阶段，对每一步实验的设计固然要尽可能仔细，但一旦按计划开始后对其中间步骤的实验结果没必要追求完美，而是应该义无反顾地把实验一步步推到终点，看看能否获得大体与假设相符的整体结果。若是大致上相符，你才应该回过头去仔细地再改进每一步的实验设计。若是大致不符，而整体实验设计和操做都没有错误，那你的假设（或整体方向）极可能是有大问题的。 

这个方法论在每一天的实验中都会用到。好比，结构生物学中，第一次尝试纯化一种新的蛋白不该该追求每一步的产率，而应该尽可能把全部纯化步骤进行到底，看看可否拿到适于结晶的蛋白。第一次尝试limited proteolysis，不该该刻意肯定protease浓度或追求蛋白纯度，而是要关注结果中是否有protease-resistant core domain。从1998年开始本身的独立实验室到如今，我告诉全部学生：切忌一味追求完美主义。 

我把这个方法论推到极限：只要一个实验还能往前走，必定要作到终点，尽可能看到每一步的结果，以后须要时再回头看，逐一解决中间遇到的问题。 

03

科研文献（literature）与学术讲座（seminar）的取与舍

Nikola Pavletich博学多才。在咱们许多博士后的心目中，他必定读不少文章、经常去听seminar。没想到，我最大的惊讶出如今我笃信无疑的这一点。 

在个人博士生阶段，个人导师Jeremy Berg很是重视相关科研文献的阅读，有每周一次的组内journal club，讨论重要的科研进展。刚到Nikola实验室，我曾试图表现一下本身读paper的功底、也想同时与Nikola讨论以获得他的真传。

施一公博士生导师 Jeremy M. Berg

2016年起担任Science杂志主编

96年春季的一天，我精读了一篇《Nature》article，午餐前遇到Nikola，向他描述这篇文章的精妙，同时期待着他的评述。Nikola面色有点尴尬地对我说：对不起，我还没看过这篇文章。噢，也许这篇文章太新，他尚未来得及读。过了几天，我因故阅读了一篇几个月前发表的《Science》research article，又去找Nikola讨论，没想到他又说没看过。几回碰壁以后，我不解地问Nikola：

You know so much. You must read a lot of papers. Why is it that you didn’t read the ones I read?

你知识如此渊博，必定是普遍阅读了大量文献。你为何刚好没有读我提到的这几篇论文呢？

Nikola看着我说: 

I don’t read a lot.我阅读不普遍。

我反问：

If you don’t read a lot, how can you be so good at research? And how can you reference so many papers in your own publications?

若是你不普遍阅读，你的科研怎么会这么好？你怎么能在本身的论文里引用这么多文献？）

Nikola的回答让我完全意外：（大意）

I only read papers that are directly relevant to my research interests, and I only read more papers when it comes to writing my own papers

我只读与个人研究兴趣有直接关系的论文。而且只有在我写论文时才会大量阅读。

我作博士后的单位Memorial Sloan-Kettering Cancer Center有很好的系列学术讲座(Institute Seminar Series)，经常会请来各个生命科学领域的大牛来演讲。有一次，一个诺贝尔奖得主来说Institute seminar,而且点名要与Nikola交谈。在绝大多数人看来，这但是一个不可多得的好机会去接近大人物、取得好印象。Nikola告诉他的秘书：请你替我转达个人歉意，seminar那天我刚好不在。咱们也为Nikola遗憾。让我万万想不到的是，诺贝尔奖得主seminar的那天,Nikola把本身关在办公室里，早晨来了之后直到傍晚一直没有出门，固然也没有去听讲座。固然，这也许是巧合 – Nikola取消了他的出行计划；但以咱们对Nikola的了解，他十有八九是在写paper。后来，咱们也意识到，这样的事情发生在Nikola身上已经见多不怪了。 

在我离开Nikola实验室前，我带着始终没有彻底解开的谜，问他：

若是你不怎么读papers，又不怎么去听讲座，你怎么还能作一个如此出色的科学家？

他回答说：（大意）

个人时间有限，天天只有10小时左右在实验室，权衡利弊以后，我只能把个人有限时间用在我认为最重要的事情上，如解析结构、分析结构、与学生讨论课题、写文章。若是没有足够的时间，我只能少读文章、少听讲座了。 

Nikola的回答表述了一个简单的道理：一我的必须对他作的事情作些取舍，不可能面面俱到。不管是科研文献的阅读仍是学术讲座的听取，都是为了借鉴相关经验、更好地服务于本身的科研课题。 

在博士生阶段，尤为是前两年，我认为必须花足够的时间去听各相关领域的学术讲座、并进行科研文献的普遍阅读，打好critical thinking的基础；但随着科研课题的深刻，对于文献阅读和学术讲座就须要有必定的针对性，也要开始权衡时间的分配了。 

04

挑战传统思惟

从我懂事开始，就受到教育：凡事失败都有其道理，应该找到失败的缘由后再从新开始尝试。直到1996年，我在实验上也遵循这一原则。但在Nikola 的实验室，这一基本原则也受到有理有据的挑战。

 

有一次，一个比较复杂的实验失败了。我很沮丧，准备花几天时间多作一些control实验找到问题所在。没想到，Nikola阻止了我，他皱着眉头问我 （大意）

Tell me why you want to figure out why your experiment failed?

告诉我你为何要搞明白实验为什么失败？

我以为这个问题太没道理，义正词严地回答：

I need to know what went wrong so that I can get it to work next time.  

我得知道哪里错了才能保证下一次能够成功。

Nikola立刻评论道：（大意）

You don’t need to. All you need to do is to carefully repeat your experiment and hopefully it will work next time. Many times figuring out why your previous experiment failed will take much longer time than simply repeating your experiment. For a sophisticated, one-time experiment, the best solution to a failed experiment is to repeat it carefully.

不须要。你真正要作的是把实验重复一遍，也许下次就能够作成。与其花大把时间搞清楚一个实验为什么失败，不如先重复一遍。面对一个失败了的复杂的一次性实验，最好的办法就是认认真真从新作一次。

后来，Nikola又把他的观点升华: （大意）

It is a philosophical decision whether to figure out why an experiment failed. The conventional wisdom of understanding every glitch may not represent the best approach.

仔细想一想，这些话颇有道理。并非全部失败的实验都必定要找到其缘由，尤为是生命科学的实验，过程繁琐复杂；大部分失败的实验是由简单的操做错误引发的，好比PCR忘记加某种成分了，能够仔细从新作一遍；这样每每能够解决问题。只有那些关键的、不找到失败缘由就没法前行的实验才须要刨根究源。 

我选择的这些例子多少有点“极端”，但只有这样才能更好地起到震荡你们思惟的做用。其实，在我本身的实验室里，这几个例子早已经给全部学生反复讲过屡次了，并且每次讲完以后，我都会告诉你们打破迷信、怀疑成规，而关键的关键是：

Follow logic！跟着逻辑走！

我天天在实验室里注定会重复讲的一句话就是：Follow logic！天天对不一样的学生讲，加在一块儿至少有5遍以上吧。而我本身每次与博士生讨论课题也老是遵循严密的逻辑，用推理、排除法找到实验的下一步解决方案。 

严密的逻辑是 critical analysis的根本。

来源：募格学术

本文仅作学术分享，若有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，便可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，便可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，便可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，便可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写做投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写做与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写做与投稿事宜。

同时也可申请加入咱们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流等微信群。

必定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被经过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各种大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打形成集技术与就业为一体的铁杆粉丝汇集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

以为有用，麻烦给个赞和在看~