求职看准公开课 | 薛延波：成为斜杠青年，打开你的无限可能！

作为BOSS直聘的首席科学家，薛延波博士有13年机器学习方面的研究经验，5年量子计算方面研究经验。同时，薛延波博士也是科技界不折不扣的“斜杠青年”，有多次跨学科的研究经验，其中包括控制理论、信号处理、通信、机器学习和量子计算领域，还帮助孵化了四个不同领域的初创公司：包括固态材料AI、蛋白质折叠、化学材料仿真、金融科技。

　　在来到BOSS直聘之前，薛延波博士曾担任商用量子计算机生产商D-WAVE量子计算公司的高级深度学习科学家，从事量子计算机的性能测评、量子计算在深度学习和人工智能领域的应用、基于量子计算的模式识别等项目。期间，薛延波博士还参与了D-Wave内部机器学习上部分Quadrant.AI的研究工作和多伦多大学商学院创业公司孵化项目。

　　不过，他此前履任的机构没有任何一家是与互联网招聘相关的。

　　来到BOSS直聘组建CSL（Career Science Lab,职业科学实验室），又是他的一次大胆“跨界”。这次他不甘心于只在科技界“跳岛”，人文社科研究也一并被纳入他未来的职业版图。

受访者供图（下同）

　　Q:了解到您多年从事于机器学习、量子计算方面的研究，您是如何走上科学家这条路的？

　　A:我们很多时候会陷入一种逆时间看待问题的误区：当一个人成功地走到了某个时间节点，我们会尝试寻找一种理论来解释之前的行为。就我而言，很难说科学家就是我从小就立志要走的路。可能是因为某一个偶然的事件触发了对研究的兴趣，才走到了今天。

　　Q:您做了近20年的学术研究，这么长时间中您是否有想放弃的时候？后来又是如何坚持下来的？

　　A:必须承认，学术研究是一件寂寞的事，困难是学术道路上的“老朋友”，学会如何与困难相处很重要：首先，要正确理解科研，看清其内在的价值。很多人觉得科研“高不可攀”、“曲高和寡”，但是我认为科研的出发点是为了探索出一种理解和解决问题系统方案，并一点一滴地推动人类社会的进步。当你真正热爱所做的事情，并深知其中的价值时，难题都只是暂时的。

　　其次，要培养自己解决问题的能力。我有比较多跨学科的经历，在遇到困难时能够从不同的角度去理解和思考，这对我的科研生涯帮助非常大。

　　Q:您加入BOSS直聘担任首席科学家，成立CSL的契机是什么？

　　A:我和BOSS直聘的CEO赵鹏其实是“网友”，然后奔了现。2017年初，我和赵鹏因共同的爱好《三体》结缘。那会儿，我还在加拿大，我们通过网络从量子物理聊到了人，从人聊到了职业。

　　现在离职越来越快，年轻人可能在一家公司工作 8-12 个月，但找到下一份满意的工作可能要花 1-3 个月，这种时间成本是非常高的。应聘者和招聘方都想将相互试探的时间压缩到最短，但真正找到一个合适的员工和公司却需要对个人及这家公司的长期了解。现在的招聘市场，对公司的介绍往往是一张职业简介（即常说的JD），而应聘者所有的经历往往是一纸简历（即常说的CV）。双方沟通只能局限于这些二维指标，并不能有立体图景。

　　为了解决这个问题，BOSS直聘在行业内迈出了很重要的第一步：率先解决和谁谈（Who）的问题，搭建应聘者和最了解部门需求的 Leader 之间的高效沟通平台，省去 HR 和其他中间环节带来的成本。但还有两个问题尚未得到解决，什么时候谈（When），以及怎么谈（How）。我和老赵在经历了一年多的碰撞后，决定成立CSL来解决这些问题，我来担任CSL的主理人。

　　Q:现在大家都在说“AI”，聊“机器学习研究”，对于普通公众来说，这些听起来可能比较抽象、学术化，结合您的经历，能为我们介绍一下“机器学习”到底是怎样一门研究吗？

　　A:在这里，我需要先帮大家区分一下人工智能（AI）、机器学习。大家对AI听得比较多，但是对人工智能大家都存在一些误解。人工智能的概念是在1956年的达特茅斯会议上提出来的，当时的人工智能更多被当作一种解决问题的目标，而不是解决问题的手段来理解的。

　　从学术的角度来看，我们可以笼统地将任何“由人来定义机器的结构和学习方法，由机器从数据中来学习参数”的研究统称为机器学习。由此可见，不同于“被当作解决问题的目标”的人工智能，机器学习提供的是解决问题的方法。

　　需要注意的是，最近的5-10年间，随着包括GPU、FPGA、ARM等在内的硬件在机器学习中的应用，一门在人工智能初期就出现的特殊的机器学习模型重新焕发了青春，这种模型统称为深度学习：即通过多层的神经网络进行一层层对信号进行抽象和概括，并最终达到“理解”信号的能力。

　　如果用一个简单的公式来表示的话，我们可以说，从涵盖范围上讲：人工智能>机器学习>深度学习。

　　Q:在职业科学研究中也会涉及到对求职市场中招聘者及应聘者各项数据的挖掘及处理，您打算如何对数据进行有效管理和应用？

　　A: 对于如何将这些数据应用在科研上，我可以举一个简单的例子：打个比方，我们如何通过大数据看一个人职业生涯轨迹？BOSS直聘成立才4年多，其实是无法看到“你”十年前或十年后的信息，无法形成“你”的职业生涯轨迹。但是，我们可以通过机器学习的方法（比如协同滤波），对海量大数据进行碎片化处理，根据相似的碎片化信息，拼凑出一个十年前和十年后的“你”，形成一个“你”职业生涯的轨迹。

　　关于数据量来源 国内近几年在大数据的积累上是非常丰富和充足的，几乎可以满足职业科学实验室的相关研究，当然由于CSL的跨学科特性，我们也会遵循社会科学的原则，通过一些付费社会实验获取更多更精准的数据。

　　Q:现在，大学里非常流行双学位的进修方式，然而两个完全不一样的专业同时修读是有一定难度的，作为跨界的“资深玩家”，您是否可以给跨学科修读的学生提供一些建议呢？

　　A:我建议大家不要被未知的困难束住手脚。我曾经在给我的学生讲解“马斯洛的锤子”这个法则的时候，分享了这样一个想法：就是把所有的事情或者要解决的问题看作一个面，然后适当地深究下去就会发现，很多毫不相关的事情其实深层次是可以交叉的。很多时候看似你在学习两门毫不相干的专业，但是当知识和思考积累到一定程度的时候，可能会发现其内在相似的规律，在西方，这就是一个“啊哈时刻”（Aha moment）。相信我，这个时刻是足以抵消之前所有感官上的辛苦的。在大学时代，一定要尽情享受积累和发散所带来的乐趣。

　　Q:毕业后很纠结，不知道该继续学习还是去工作，您有什么建议？

　　A:继续学习还是工作，这基于个人的性格和兴趣。无论做哪个选择，都希望大家是发自内心的喜欢，不要为了任何功利的原因做选择。辩证地来看，无论是在学习时进行一些社会工作，还是在工作中不断的学习新的知识，在当今社会都是一个常态。

　　Q:现在越来越多同学希望通过留学为自己的简历“镀金”，您对这事怎么看？

　　A:非常不建议大家为了“镀金”而去留学，不要为了留学而留学。留学是一个感受异国文化和思维方式的机会，同时也是一次对自己适应不同环境、面对未知的挑战能力的提高。如果起点是基于强烈的学习意愿，那这次留学之旅会很有价值，你也会享受其中。如果只为“镀金”，那你可能迎来一段比较难熬的时光。

图说：更多内容敬请关注9月19日的《新民晚报社区版·大学城》

　　Q:目前人才市场招聘还是传统的简历筛选机制，有很多大学生在校期间参与各项活动等，就是希望在毕业时能够拥有一份漂亮的简历，但也不乏有很多毕业生因为简历不过关，而与喜欢的工作失之交臂。您觉得毕业生面对这种“纸片人”泛滥的求职市场，怎样摆正心态？同时，学生应该在哪些方面增加自己的“厚度”？

　　A:我认为在这个快速发展的时代，“慢”的学生可能会更有竞争力。知识和能力都是需要积累的，积累就意味着要花费时间。我在读书的时候，还不能在网上搜索资料，论文都是自己一点一点在图书馆查找，甚至跑到北京学校图书馆查找，在现在看来似乎就很低效了，你可能一点鼠标就出来相应的文献，很容易就能复制一下。在这个信息大爆炸的时代，每个人都可以获得很多信息，而在很多时候，这些信息是以碎片化的形式获得的，因此处理信息的能力就显得尤为重要。我们需要不断去思考和发散，面对相同的信息，具有独特的见解，这才是更有价值的。我们的精力是有限的，如果在信息的“广度”和“深度”之间必须做出一个选择的话，我相信选择“深度”的意义更大。

　　同学们要相信，未来的招聘市场一定会超越那张A4的简历纸。把目光放得更长远，要在专业知识学扎实的基础上把思维拓开，去看一些更宏观的问题。

　　Q:您招募人才时，最看重什么呢？

　　A:我在招人时，最看重的是其跨学科的能力。跨学科的能力体现的既是一个人在单个学科上的知识深度，又是其独特的思维方式，我很欣赏这种人才。我们也知道，在多个学科里都达到同样的建树很难，一个具备跨学科思维的人才具备把其擅长学科的知识“迁移”到另一个学科的能力。

　　新民晚报实习生 冯琪 见习记者 郜阳