查尔斯·伊斯贝尔与迈克尔·利特曼：机器学习与教育

在查尔斯·伊斯贝尔（Charles Isbell）的机器学习课上，你把算法实现对了，得零分。

你没看错。作业要求你实现五种算法，决策树、支持向量机、Boosting、神经网络之类，写代码的部分他想办法让你直接抄。用他本人的话：“我完全不关心你能不能跑通，你花时间纠结边界条件怎么处理、归一化的时候要不要除以某个数，这些我一点都不想管，所以代码你随便拿。”

他真正要看的是另外两件事：你选的这两个数据集，以及你对结果的分析。数据集得“有意思”，标准很苛刻：它必须能暴露不同算法之间的差别，而这两个数据集放在一起，又必须能呈现出不同方向的差别。你还得论证它们为什么有意思，然后从各种角度把整套实验分析一遍。

学生一开始会跟他吵。理由听着也很有道理：算法不自己码一遍，怎么可能真懂？

查理说这是一种非常“程序员”的世界观，默认不亲手把东西写出来就不算理解。这个观点有它的道理，但放在机器学习上会跑偏。排序算法的数据不重要，重要的是算法结构；机器学习的重点几乎全在数据上。你一旦陷进代码细节，就会错过数据想告诉你的东西，也会错过一个更根本的问题：你本来想问的问题，和你的实验实际回答的问题，往往是两回事。

他把这门课的价值观讲得很清楚：要求学生同时带上两个“有意思”的数据集，逼他们感受数据本身的质地，以及数据如何反过来说话。这个教学法听起来简单，背后是二十年磨出来的判断。

而他对学生评价的态度更狠：不能听学生说你这课好不好，来决定你该怎么做。这门课学生是最后才喜欢的。刚上完的时候不算，甚至过一阵子也不算，要很多年之后回头看才觉得值。

统计帮你不对自己撒谎，但它撑不起全部

这场对话从开场就在争一件事：机器学习到底是不是计算统计。

迈克尔·利特曼（Michael Littman）说不是。查理接了一句，说得更准确：光有“计算”不够，光有“统计”也不够，缺的是别的东西。

他要的答案藏在一个很老的师承里。他最早的科研引路人是 Tom Landauer。当年他做的东西老是被统计检验判成“不显著”，他很不服气。Tom 跟他讲了一句话：

统计是你用来防止自己对自己撒谎的一套办法。（Tom Landauer）

这句话他记了一辈子。统计做的事是划出一道诚实边界，告诉你哪些判断你还没资格下。它不负责生产结论。

但它不等于机器学习。迈克尔给了一个很好用的类比：化学说到底只是物理，但你不会因此把化学系改成物理系。层次抽象本身就带着价值。讨论一个问题该停在哪个层次，直接决定你会去关心什么、会去忽略什么。

查理补了个更简练的说法：他想跟统计做朋友，不想被统计吞掉。

他还顺手分了个历史考古。九十年代末到两千年初，ICML（会上大家念成“I smell”）和 NIPS 是两条线。他的观察是：ICML 是计算机科学家做的机器学习，NIPS 则是计算机科学家为了讨统计学家欢心而做的机器学习。人是同一批人，但“你想讨谁欢心”这个差别会真实改变你选择关心什么问题。指标是手段，算不得目的，这句话在那个年代就已经成立了。

软件 2.0 真正改写了什么

神经网络把这件事推到了另一个位置。现在流行一个说法叫 Software 2.0：写程序变成了在超参数空间里做设计，加上收集、清洗、组织数据。

查理在这里加了一层，是他认为最容易被忽略的：调试意味着什么？

如果你把机器学习看成计算物理，你关心的是方程；如果你把它看成计算，你关心的是怎么搭建、怎么开发、怎么把系统跑起来。这两种视角之间没有价值高低，但提出来的问题完全不是一套。数据科学圈和机器学习圈互相看不上的时候，经常是因为他们压根不在问同一个问题。

他自己承认，这个看法跟“在超参数空间里编程”还不完全一样，但方向是一致的：把机器学习当作一门工程实践来对待，会带来一整套完全不同的焦虑和判断标准。

给学生有希望的挣扎，别给绝望的那种

Lex 提了一个老问题：教育里“吃苦”到底扮演什么角色？他的亲身经验是，他爱上数学，是因为先学得很烂，后来才学好。痛苦之后的豁然开朗，那种快乐是加倍的。

所以他不喜欢当下教育话语里那种“怎么把学习弄得更好玩、更有参与感”的口径。他觉得那可能搞错了重点：学习本来就该是难的，难本身放大了学会时的喜悦。

迈克尔先接住了这个前提，然后拆开了一个关键区别：挣扎和受苦，经常被混为一谈，它们其实不是一回事。

他希望学生处在“有希望的挣扎”里。哪怕很痛苦，也看得见出口，还能想象自己走到终点。一旦进入绝望的挣扎，意志被打断，人就放弃了，这时候也没有快乐可言，因为你不会在一件不带来任何快乐的事情上长期投入。

他的分寸感是这样的：要阻挠人，但得让对方相信路还在。

查理顺着这个思路补充：你可以挣扎而不受苦，也可以受苦而不挣扎，这两个东西经常一样，也经常不一样，特别容易搞混。

淹不死才能毕业

这个区别在 Georgia Tech 的校史里有很具体的形态。

Georgia Tech 以前有一门必修课叫 drown-proofing，直译就是“防溺”。你得穿着衣服跳进泳池，游够一定时间不沉下去，才准毕业。有一说是两分钟，迈克尔开玩笑说是在浴缸里考的，查理纠正说是真的泳池，但是真事。这个规矩在他毕业前几年被取消了，他自嘲：要是没取消，他毕不了业。

他说这背后就是 Georgia Tech 的性格：能把你压到接近断裂，然后你从另一头走出来，变得更强。他在那儿当本科生的时候流传一句话：“Georgia Tech 提前一晚建好明天。”给你的任务不可能，你就用几天时间把它做完，因为你过去四五年就是这么活过来的。

迈克尔对此有一句评价，我觉得是全场最生动的吐槽：

“等一等，最后那一分钟之前不是还有时间吗？诀窍是知道最后那一分钟是什么时候。”（Charles Isbell）

他还补了一刀：这是典型的查理式发言，而他一直在努力不让自己变成这样。

布朗大学的气质是另一个极端。按迈克尔的描述：那边更多是照顾和赋权，不是“我们把你碾碎，你还得感谢我们”那一套。他本科读的学校和他现在任教的学校很像，查理也是：查理的本科、任教都在 Georgia Tech，一个“institute”气质的地方。

迈克尔忍不住开了个玩笑：查理只去名字里带 institute 的地方。

那场面试，和一把被故意调低的椅子

两人第一次见面是在 AT&T 实验室，迈克尔来面试。当时他已经在杜克当教授，想搬到新泽西，目标就是贝尔实验室和 AT&T 实验室这一带。

查理当时已经在里面了。他的记忆是：面试还没结束大家就都知道这人一定会被录用，因为所有人都在夸他，说他这里厉害那里厉害。查理还有别的事要忙，忙完回到办公室，迈克尔已经坐在那儿了。

这里有个细节，查理强调它是纯属意外，但迈克尔坚持认为不是：他办公室里是 L 形桌，外面那把访客椅永远比他自己坐的那把低一截。访客坐下来得仰视他。

迈克尔的原话大意是：你后来亲口跟我说那是故意的。查理说他不记得说过。

迈克尔的视角则是另一段：面试当天的报告讲砸了，他觉得糟到必须中止流程。中午他拉住查理说，我觉得对咱俩都好，我现在就走，你就当没请过我来，不然接着聊下去你也会很难看。

查理完全不知道他在说什么。他记得那场报告，记得迈克尔那天状态就跟他现在任何一周差不多，挺好的。

迈克尔后来说，他当时觉得查理不喜欢他。查理说他挺喜欢迈克尔的，问了问题，答了问题，然后他对自己感觉很差。这是很普通的一天。

两人在同一个地方待了好几年，一起做研究的成果其实不多，真正把关系拉近的，是后来一起被裁掉。

“恨透你做的一切”是个太窄的说法

Lex 引了 Marvin Minsky 的一句话，说学术研究成功的关键是恨透你做的一切。

迈克尔的回应是把这句话拆成两半：

“你读研究生的时候基本上就是天天被告知‘我的工作是垃圾’，一遍一遍。然后你去开会，发现所有人的工作都是垃圾，所有人都很垃圾。你心情就好一点了。”（Michael Littman）

他接受“不满意”，但不接受“恨”。区别在于：你得能承认自己往前走了一步，一阶导数是正的，二阶导数最好也是正的。这个“还没到，但在靠近”的感觉本身就是希望，也是继续走下去的动力。把它换成彻底的自我厌恶，很多人就推不动了。

他还说了一件我觉得很实在的事：他很少在干活的过程里喜欢自己手里的东西。做的时候必须足够兴奋才做得完，但真正喜欢通常是很多年之后回头看，或者干脆是某天忽然意识到，原来那件事一直在影响之后所有的选择。

查理的说法是：他跟自己的作品是分开的。他对自己非常苛刻，但不等于他恨自己的作品。有些东西他做得当时就很兴奋，有些是过几年才觉得还行。

贝尔实验室为什么不可能再有了

聊到 AT&T 实验室的那段岁月，两人罕见地用了同一种情绪。

查理给了一个很少被讲出来的解释框架：贝尔实验室本质上是政府的一条胳膊。因为 AT&T 是垄断企业，也带着政府的一部分性质，你每个月交的电话费里有一小笔，本质上是在给贝尔实验室的研究交税。所以他们能发明晶体管、激光，能做出宇宙微波背景辐射的发现，能玩那种消声室：你走进去，周围全是吸音板，人声完全消失，你能听见自己的心跳，那种感觉非常诡异。

他把贝尔实验室形容成“最纯粹意义上的大学，只是没有学生”。暑期会有学生来待三四个月，然后走人。研究员推门出去就能撞见 Michael Kearns 在跟人吵架，吵的是某个东西该用什么方法证明。旁边是 Dave McAllister、Peter Stone、Satinder，后来还有迈克尔。

那套模式能运转的经济学前提是：每过二十五年左右，有人发明一次晶体管，就能把其他所有开销都养起来。只要这个前提在，你就有资本承担风险。等这个前提消失，中层管理换得极快，远在总部的人越来越难被说服，这套模式就撑不住了。

他给了一个很直接的判断：这可能是他这辈子最好的工作，而这样的工作不会再有了，因为贝尔实验室不存在了。微软研究院很好，谷歌也做了不少事，但贝尔实验室是一个时代的高水位线。

研究是社交过程，哪怕它看起来很没意义

Lex 问了一个跟疫情直接相关的问题：大家现在都在远程，物理上的近距离和随机碰撞，到底丢了什么？

查理的回答很干脆：研究是个社交过程。哪怕当下的互动看起来毫无意义，它也是产出的来源。

他描述 AT&T 实验室的物理配置：整面墙都是白板，人走过去就写，写完就有人凑上来吵，你得接受别人对你说的每一个字提出质疑，有时候非常烦人，但多数时候极其有用。那种“看起来没意义”的互动，本身就是目的。

Lex 提到 Josh Tenenbaum，说这人是儿童式的、会把任何话题都拽进来的那种人。不管聊的是不是机器学习，他都能把你拉到最近的能写字的地方，取消掉所有会议，然后聊两个小时某个漫无目的的问题，时间空间都扭曲了。查理接了一句：每次他怀疑贝尔实验室的记忆是不是被美化了，他就去找 Josh 聊一次。

然后他说了一句我很喜欢的话：有些人身上承载着一个机构最好的那部分。而大师通常不知道自己是大使。

被裁的那段时间，他们成了朋友

关系真正拉开是在所有人被裁之后。

公司给了一段过渡期，名义上还在发工资，供人找下家。迈克尔照旧去办公室干活，查理去办公室是为了阻止他干活。迈克尔的记忆是：查理认定给公司继续干活没有意义，因为关系已经结束了。

查理的修正很短：他早就这么觉得了，跟公司本身没关系，是因为那批人没了，那批人在做真正有意思的事，一直如此。

后来他们的上级想再抢救一下，办法是派他们做点“真正有用”的东西：一个能帮你管理日历的自动助理，你告诉它事情，它做出合适的反应，还能把你的各种个人信息整合起来。查理、迈克尔、Peter Stone 三个人组成小队去实现。

时间不够，做出来也救不了他们。但这件事有个尾巴：那位上级叫 Ron Brachman，他离开 AT&T 之后去了 DARPA，启动了一个叫 CALO 的项目，这个项目后来衍生出了 Siri。

迈克尔说，每次因为被史上最好的工作裁掉而难过，他就想想：我们大概算是催生了 Siri。

这段经历后来被压缩成一句话，是迈克尔当时说的：“Luck favors the Charles。”运气偏爱查理。他许个愿，事情基本上就会按他想要的方式发生。

一门 6600 美元的硕士，和一群拿最低工资回来当助教的人

时间线跳到 Georgia Tech。2002 年查理到了那儿，先做本科课程改革，把原本比较窄的计算机课程改成模块化的结构，因为计算机科学早就伸进了很多别的领域，那套老课表撑不住了。他后来做了分管教学的副院长。

然后是这个故事里真正有分量的部分：在线硕士项目 OMSCS。

数据是这样的：招了一万一千名学生，录取率约 60%，整个学位读下来六千六到七千美元，而走同样的项目在校读要四万六。学生可以一边全职工作一边读，家里有房贷有孩子也不耽误。

查理说这个项目真正的价值在于：它给了一批人他们原本以为自己不可能有的机会。不用放弃两年时间，不用放弃已经建起来的生活。

他最有力的证据是问卷以外的东西：现在已经有一百来个毕业生，拿着差不多最低工资回来给这门课当助教，虽然他们都有全职工作。因为他们在乎，他们想成为这件事的一部分。

至于第三代学生十五年后还会不会有这种归属感，他说他不知道，但现在确实有。

更值得说的是这个社区的社交层是怎么长出来的。他们做出了在线课程，却没时间去设计社交工程。学生自己搞定了：第一年就在 Google Plus 上建了三十多个群，按在哪个州、在做什么、什么背景来分。他们穿着项目发的 T 恤满世界拍照，爬上山顶也要套上。归属感没有由学校设计出来，是学生自己搭在已有社交工具上的。

查理用的比喻是“别修人行道，先种草，看人往哪儿走，再铺路”。在这个案例里，路是学生自己走出来的。

他还顺手纠正了一个直觉：这个项目不会取代大学。它在生态里占的是另一个位置。来读的人已经是成年人，本科经历已经走完了，十七岁时的目标和现在不一样。它做了一件非常重要也非常社会化的事，但它跟“十七岁离家去上大学”这件事不是同一件事。

大学真正卖的是什么

Lex 说了一句很准的话：开派对的地方和学微积分的地方会是同一个地方，这件事本身就不太讲得通。

查理顺着这个问往下给了一套解释，核心是他引用了 Georgia Tech 同事 Ian Bogost 在《大西洋月刊》上的一篇文章，标题大意是“美国人为了大学体验什么都愿意牺牲”。

结论是：人们拼命想回校园，想的不是回到教室，是回到那个体验。他们想离开家，想过集体生活，想完成一个成人礼。课堂只是整个包裹里的一部分，而且往往不是最主要的那部分。

疫情干的事，是把“教育”和“地点”强行拆开了一次，把这件事硬塞到所有人脸上。他说我们大多数人其实早就在用行为承认这一点了：当年读本科，有几个人每一节课都去了？

他的判断是：疫情之后，大概 85% 的东西会恢复原状，我们会假装一切照旧，把这轮教训忘掉。真正留下来的，是一套更分散的线上远程供给方式，以及一个新的问题：你打算怎么把“大学生活”里学习的那部分也搬到新的形态里去。

他还特意强调，这些判断是在泡沫里说出来的。多数人根本没上过大学，上过的人也不是十八岁。而多数退学的原因是钱。他真正担心的是：世界会不会进一步分层，一边是拿得到这段经历、拿得到人脉和正反馈循环的人，另一边是连当咖啡师都被要求硕士学位、却永远拿不到那段经历的人。

十个讲师教掉了一半的学分

谈到“教授为什么又要做研究又要教书又要服务”这个结构性问题，查理给了一组很硬的数据。

他所在的计算机学院，终身轨教师九十来个，讲师只有十个到十二个。这批讲师承担了超过 50% 的学分学时。算下来人均工作量是终身轨教师的八九倍。他们中的一些人同时也做研究，但主业是教学。而且他们极受爱戴。

证据来自一次校友调查。调查里有一个开放题：说出一个对你产生过特别影响的人。回答的人从三十年代出生的一直排到上个月毕业的。外包公司做了个词云，做得挺糟，同一个人因为名字写法不同出现了九次。

但查理在里面看到了一个东西：他能认出的五个计算机学院的人里，有四个是讲师。其中两个是相对现代的，都当过计算机教学部门的主任；另外两个是八十年代的讲师。四个里面有两个人的名字被用来命名教学奖。第五个是他自己，他说这个不重要。

他的结论很朴素：学生毕业四十年后还记得的，是那些对他们好的人，是那些教会他们东西的人。所以使命这件事必须挂到台面上来，让使命驱动，而不是让每个人的个人偏好驱动。

线上课堂缺知识吗，缺的是那个转头看旁边的人

迈克尔讲了一个他亲历的细节，我以为是整场里最锋利的观察之一。

他早年给 Udacity 录过一门算法课。整整一周，一个人待在黑屋子里对着屏幕讲，在小手写板上写字。录到一半，制作团队的人跑来说，好像出问题了，你整个人在往下掉。

他自己后来想明白了：他讲笑话，没人笑。每讲一次没反应，表演的能量就被抽走一点。理性上他知道现场根本没有观众，身体不这么认为。

这段经历解释了后来他和查理为什么要一起上课。一个人录课是消耗，两个人可以互相接，可以把场子热起来。他们形成了固定的结构：一个人讲，另一个人扮演学生。讲课的人准备所有材料和测验，扮学生的人进来的时候什么都不知道，就跟在校园里一样。

“Smooth and Curly”这个绰号就是这么来的。查理讲博弈论讲囚徒困境，要画两个囚徒。他画了一个圆圈加山羊胡，另一个画了一头卷发，说这是 Smooth 和 Curly，还强调 Smooth 里那个 V 很重要。后来他又唱了一句迈克尔·杰克逊的 Smooth Criminal。学生非常买账。

于是有了那个“Overfitting Thriller”视频，后来又有了一个系列：两人一起看《西部世界》，每集聊这剧对计算机科学意味着什么。

《西部世界》真正的问题是一群糟糕的调试者

聊到这部剧，查理的批评非常技术，也非常好笑：他们是一群糟糕透顶的调试者。

他的大意是：你改了点东西，然后把它放到真实世界里，然后说“这很危险，因为可能发生可怕的事”。如果你的流程是这样的，那流程本身就说明问题。他说这剧里应该有一个人的全职工作就是到处探头，一遍一遍问“这里能出什么岔子”。

Lex 说他想看一集，讲新来的实习生在那儿调一个新模型，一直失败，然后就变成《硅谷》那种剧。迈克尔接了一句：对，那本质上是个恐怖片。

然后查理说了一段我认为是这场对话里最重要的话。他先说这类作品的问题框架：几乎所有 AI 电影拍的都是“AI 成功了，然后我们控制不住”。他觉得这拍错了地方。

“AI 真正糟糕的部分，是我们现在正在经历的这个东西。是用数据去做糟糕的决定。那个会超越我们的智能并没有那么可怕，可怕的是我们正在造的工具，它们能把那些原本做得很笨拙的糟糕事做得越来越高效。计算机很擅长提升效率，包括提升做坏事的效率。”（Charles Isbell）

他说自己当年正是被那些想法吸引进来的，想造那样的东西。哲学问题挺有意思，但恐惧不从那儿来。恐惧来自日常。

他觉得 HAL 9000 更接近真实一点，因为它像个个人助理。真实的危险是我们在某些根本层面上过度依赖这些不够聪明的助理，把太多自己外包给需要电和网络的东西，于是作为独立个体变得无能。当那个东西开始以细微的方式出错，问题就大了。《2001》把这搬到太空，是因为你没法走开。

Lex 提到 Alex Garland 的《机械姬》，说导演自己讲，结尾他在片子里埋了一个几乎没人注意的细节：机器人转向镜头，短暂地笑了一下。在 Garland 看来，那才是通用版图灵测试，或者说意识测试的定义：为一个不存在的人微笑。

演给谁看并不重要，只是自己跟眼前这段经验发生关系。查理听完说，这个想法他很喜欢，但立刻指出一个技术性反驳：她是在看镜头，那她其实还是在为观众笑，破第四面墙了。迈克尔接了一句：那是媒介的限制。

我们是不是活在模拟里

Lex 问了这个老问题。迈克尔的回答很务实：他觉得这是个思想实验，算不上真正的科学问题。

但他没有就此打住。他反过来把这个问题问得更有意思：你能不能造出一个对人类足够真实的世界？那些造出模拟的存在，多半没有能力造出对他们而言足够真实的模拟，但我们是被模拟的那一方，所以它是真实的。我们完全可以造一个对其中居民足够真实的模拟，只是它未必对我们这些造物者足够真实。

查理的说法是：他不相信我们是被专门造出来的，但他愿意把整个宇宙当成一个模拟来看。他常做的一个练习是：试着用计算机的方式去理解世界，比如量子力学，那玩意儿对他来说完全不自然。如果那算模拟器的 bug，他没意见。

这里有个他很在意的点：bug 是相对于模拟内部的人而言的。对里面的人来说，那就是现实。

他自己给了一个预测：如果把他往前推一百年，最让他意外的世界形态，可能是所有人都不再住在这个物理世界里了。他提到 Robert J. Sawyer 的《Wake》，也提到视频游戏在经济上的规模早就超过电影，还有经济学家能看到游戏对劳动力市场的影响：某个年龄段的年轻男性参与有偿工作的比例低于预期，有人把原因追到了游戏上。

然后他抛了那句我最喜欢的比喻：

“《星际迷航》的问题从来不是曲速引擎，也不是传送机，是那个全息甲板。你进去就再也出不来了。我看到那儿的时候就想，人类文明到此为止了。那才是奇点，不是 AGI。”（Charles Isbell）

给想学编程的人：先把 Y 等于 X 弄明白

Lex 问，对圈外想学编程的人有什么建议。

查理的答案分成两半。

第一半是给他女儿 Jenny 的，她正在上 AP 计算机科学。她跟他说，我想做一个节奏游戏，教我。他的回答是：从小处开始，先学积木，耐心一点，你最后会做出那个节奏游戏的。他自己是读到研究生某一天突然意识到“我是个计算机科学家，我应该在一下午写出吃豆人”。然后他真的用一个下午做出来了，在旧 Apple 机上用 Pascal，还认真研究了幽灵怎么移动。但他很清楚，如果他一开始的目标就是吃豆人，那次尝试大概率会以糟糕的结局收场。那个下午是很多很多年积累之后才可能发生的事。

第二半更像一个认知上的提醒，我觉得是整场里对初学者最有用的东西。

他教过一门 C 语言导论课。每次进教室他都在想，一个半小时讲四个循环，怎么可能讲得满。后来他发现：只有三件事。从变量读、往变量写、条件分支。其他全是语法糖。

但“只有三件事”不等于简单。他现场演示过：

X 等于 3，Y 等于 4。X 是几？3。Y 是几？4。

现在，Y 等于 X。Y 是几？3。

现在，X 等于 7。Y 是几？

这就是最难的地方之一。变量指向内存里的某个位置，有些语言把这层藏起来，让它更接近数学里那个等号。用电子表格长大的人会按引用或按名字去理解，于是给出完全不同的答案。他能讲到学期三分之二，还有学生脑子里没想清楚“Y 等于 X”到底是什么意思，而这完全不影响他们交作业，因为他们的误解从来没有被题目暴露出来。

他早年还讲过一个更极端的例子：硕士论文那段代码有内存溢出的 bug，他查不出来，最后在 main 函数最前面声明了一个 400K 的空数组，让越界写入落进去，程序就跑通了。他没找到 bug，他绕过去了。

所以他的建议可以总结成一句：别被劝退。这确实很难，但所有人都学得会。难点跟可理解性无关，问题在于没人把最基础的那几件事讲明白。

顺便，关于第一门语言，两人的共识是：几乎不重要。Lisp 是唯一的真语言（查理发话），Python 挺好，太小的孩子可以用图形化语言，只要有人围着它建好了教程和基础设施。有一点是明确的：别一上手就上大框架，抽象层级不对。

如果你只带走几句话

这场对话里最动人的一段在结尾。Lex 让两人各说一件最感激对方的事。

迈克尔说，查理看世界的方式跟他足够相似又足够不同，像多活了一辈子。查理会带他去他本来不会去的地方。他用了内积来比喻：不是零，也不是 1，大概是 0.7，刚好够你从对方身上学到东西。

然后他补了一句：查理有时候在他自己都不相信自己的时候相信他。查理身上那种外放的自信太足了，足到他会想，如果查理觉得我还行，那我大概没我自己想的那么糟。

查理说，答案其实很简单：友谊。

这两位一个做了院长，一个做了几十年教授，讲的东西表面上分散在教育、统计、贝尔实验室、AI 电影、模拟假说和编程入门上。但底下是同一条线：人在什么条件下才真的会学东西，以及一个机构什么条件下才真的在培养人。

他们给出的答案都不玄。要难，但要有出口。要数据，但别被代码细节拖走。要效率，但别把连接感砍掉。要工具，但要记得工具提升了效率，坏决定的效率也一起提升。要使命，因为学生四十年后记得住的是人。

如果你要从这两个人身上带走点什么，我的建议是这样的：

• 给你正在教的东西换一个评价轴。如果你在教机器学习、数据分析，甚至任何带工具的课，试着把“能不能跑通”的分数降到零，把分数全压在数据集的选择和结果分析上。学生前两周会骂你，三年后会回来谢你。
• 区分挣扎和受苦。给自己或给学生的任务可以很难，但要留得住“我还看得见出口”这个感觉。看不到出口的那种难，只会带来放弃，不会带来成长。
• 别用“恨自己做的事”当动力。Minsky 那句话被传得太狠了。更可用的版本是“不满意，但承认自己往前走了一步”。一阶导数正，二阶导数最好也正。
• 如果你是初学者，先花一晚上把 Y 等于 X 想明白。别在你还没搞清楚赋值和相等之前就去写框架、搭项目。真正卡住你的从来不是语法，是那个你不敢承认自己没懂的基础概念。
• 如果你是做在线教育或远程协作的，别只优化内容。学生觉得自己学得一样好，但他们不开心，缺的是连接感。连接感可以来自别的地方：两个人一起上课、一个讲一个当学生，让学生自己长出社群，发一件他们愿意穿着去爬山的 T 恤。
• 如果你是做 AI 安全的，把一部分注意力从“超级智能失控”挪到“日常工具把糟糕的决定做得越来越高效”。前者是电影，后者是现在。
• 如果你手上有一件“看起来毫无意义”的闲聊或碰撞，别急着取消它。研究是社交过程，那些白板前的争论、走廊里的搭话、被人拉去聊两小时没用的东西，往往才是你日后真正记得住的产出源头。