今日有幸与 Professor Lee 聊了会儿天。教授非常亲切，很认真地解决了我的几个困惑。在此分享几个有趣的点，分别关于 AI、实习与科研。

一、关于 AI

AI 的强大让我们兴奋，让我们感觉到自己无所不能。它仿佛破除了能力边界：我们可以快速获取信息，轻易得到答案，快速产出产品。

人们也常常讨论 AI 的弊端：信息的虚假性、答案的欺骗性、产品的表面性等等。

在我看来，AI 对学生最大的问题，也是我作为计算机学生最深有体会的问题：它让我们感到“空虚”。

我们感慨于它能力的强大：在急头白脸一通乱用之后，看着产出的“成果”却感觉自己什么也没学会。我们惧怕于它能力的强大：自己苦思冥想的题目被它快速破解，一遍又一遍地改着不断报错的代码，最后自暴自弃地全部交给 AI。这让我们无力、无奈，以至于空虚。

付出的时间和精力总有收获

听着很鸡汤，但教授分享了自己求学的故事：在那个年代，IDE 没有自动查 bug、代码补全的功能。程序都要跑完才知道有没有错误，错误在哪也要自己来找。他们为了完成任务，只能一遍一遍记忆复杂的程序。但正是这种付出，让他在后来的研究中对错误更敏感，也减少了许多试错成本。

对我们来说也是一样。用好 AI 做一个项目，前提是对项目的每一环有基本概念，能为整个体系建立合理逻辑。我们现在努力学习的那些 AI 早已拥有的知识，会加深我们对于项目的理解，帮助我们未来更好地利用 AI 创造价值。

用 AI，而不是交给 AI

Agent 很强大，但不要全面托付给它。对学生而言，验收任务价值的标准一定是自己学到了什么；做一件事情让你没有进步，那么请停下。

少用 Agent 代替你做事，多用 Chatbot 去和集成了无数信息的智能体对话。多询问，多见识，多思考，多理解。真正参与一个项目，编写一段代码，制作一个界面。纵使内容再简单，也是真真切切实操过。

说实在，听着有点鸡汤，但自己想想也确实是这个理。或许我抱着这个“理”继续，也不失为一种好办法。毕竟人停滞不前，往往是在寻求一种能说服自己的“理”；殊不知，“理”从来都是在不断前行中慢慢完善、慢慢让人信服的。

二、关于实习

本科课程是设计给你毕业的，不是让你以后就业的

话虽然犀利，但并不是指出大学课程没有用，而是强调实习与就业一定需要学习大学内容之外的知识。

你需要有别人没有的能力

想在实习中脱颖而出，需要拥有高于他人的价值：可以是优秀绩点，证明功底远超他人；可以是丰富经验，证明实操优于常人。

教授给了两个直接建议：

1. 学习完整的软件开发流程。从前期调研、策划设计、实操落地、调试 debug，到宣发销售，每一个循环有什么内容、如何衔接。AI 时代每一环都可以借助工具解决，但做的事情和流程没有变。理解整个流程，有助于在实习时融入公司的工作方式。
2. 自己发掘感兴趣的项目。在 GitHub 等开源平台中寻找感兴趣的内容，尝试修改、调整与创造。这个时代评判一个人的能力，不只是解决问题，还包括发现问题、思考方法、解决问题、再提出问题的整个体系效率。

三、关于科研

首先，此“科研”非彼“科研”。很多人进组往往只是随潮流，进去后各种抱怨事情琐碎繁杂、学不到东西，埋怨教授不给支持、没有成果。这些想法源于他们从来没有思考过自己进组的原因和组内的意义。

传统意义上的“科研”是真真实实研究一个内容、创造学术价值，具体成果往往以论文形式呈现。这种科研适合未来目标读博研究，或对某些领域非常感兴趣的人。

第二种科研实际重点在于“进组”。不是为了发顶刊，也不是要在研究内容上有很高造诣，只是让自己能在一个研究组内，在能力、知识、人脉方面有所收获。

教授提到，很多研究组的教授带本科生进组，无非三个目的：寻找能直接参与研究的“好苗子”；带带本科生，让他们在简历上多一笔；或因某种具体需求招进学生。

他分享了一个例子：一位研究脑医疗的教授，苦于每次有新人加入都需要重新讲授文献和资料，于是特意招进几位计算机专业本科生开发对话类 Agent，以减轻重复教学负担。这几位本科生并没有直接参与研究课题，却对项目推进有不可忽视的作用；他们的专业虽然表面上与课题不贴合，也确实在经历中获得了专业能力的提升。

最后，教授提到：本科生科研，不要只按照教授的建议完成教授的任务，而要多想一层，用更特别、更高效的想法解决问题。这正是每位教授都非常欣赏的品质。