晚点
：技术 “品味” 对探索未知领域很重要。这里的 “品味” 是指——当一个领域没有太多可跟随的参照物时，能自己提出对的问题、做出技术判断，而且自信的能力，尤其是当中间出现波折时，仍能自信。其实你经历过这个过程，1995 年你从清华去伯克利时，目前变成 AI 主流方法的神经网络还很冷门，你是怎么逐渐进入这个领域的？
马毅
：我是先在学生时代意识到了视觉的重要性。当时我在伯克利机器人组，我导师 Shankar（Shankar Sastry），还有师兄李泽湘都在做控制。
那时已经有了双足行走的机器人，能跑、能跳、能上楼梯，但都是提前编程好的，只能做预先设定的动作。
我老师就跟我说，你看这些机器人系统控制做得挺好，但它们是 “瞎” 的，没有大脑、眼睛，反馈，只有动作输出，没有信息输入，怎么闭环呢？这就是瞎动。
所以 Shankar 的组是第一个开始做视觉的，要让机器人能独立适应外部环境，当时我们是研究三维视觉，探索机器如何感知和重建外部世界。
到了我博士毕业找工作时，还是没有这个就业领域。我在伊利诺伊是在系统组教控制，没有 Computer Vision、3D Vision。比三维重建更冷的是视觉识别，所以李飞飞在自传里也说她 2006-2007 毕业时不好找工作。
就是在这样的环境下，一群研究者自发地探索感知、视觉重建、识别等问题。那时 CVPR 开会也就几百人，一个大教室就能坐下。
（注：CVPR 为计算机视觉领域顶级学术会议，2024 年 CVPR 参会者超过 1.2 万人。）
晚点
：在找教职都找不到对口方向时，你还是觉得这个研究方向有前途。这种相信来自什么？
马毅
：证据。科学探索本身充满不确定性，十个想法可能九个都失败，但一旦找对了方向，证据会给你带来自信。自信不是盲目乐观，而是来自数学、实验和逻辑上的验证——哪怕别人暂时还看不懂。
晚点
：什么因素或经历可以帮助塑造更好的技术品味？
马毅
：一是学术价值观。真正做科研要探索未知、打破常规，不应从众。能做出新东西的，往往是特立独行、能看到主流不足、发现现存问题的人，虽然他们一开始往往很难得到认可。
二是通过严谨学术训练，有严密的逻辑和实验能力。我读数学硕士时，老师就跟我说：“做数学家的第一条，就是把自己训练成世界上最难被说服的人。这样，当你找到一个证明并能说服自己时，才足以严谨到说服所有人。” 实验也要很严谨——数据、报告、现象判断以及假设验证，都得严谨，不要轻易下结论。
所以科研要有探索未知的勇气，也要有能力，这是形成科研品味的本钱。只有特立独行、没有训练，可能会变成 “民科”。最可怕的是自己不知道自己是错的。
晚点
：伯克利对你的影响是什么？我们也访谈过你的师兄李泽湘，他当时说，伯克利对他的世界观和做科研的方式影响很大，那儿的氛围特别平等、自由，大家喜欢讨论、争论，不存在权威。
马毅
：这非常了不起。我读博时，导师手下有 18 个学生，来自 13 个国家，大家没有等级观念，就是一心想把事情搞明白。
后来我自己在伯克利当教授，带的一些学生毕业后回来聊天，都说特别怀念这里，因为这儿的交流氛围很好，可以完全跨组开放交流。我组里就十几个学生，但开组会时经常有三四十号人来一起听，没有秘密。这在其他地方并不常见。
晚点
：这也是对品味的一种培养，让研究者有更广阔的视角。
马毅
：对，后来我发现，在伯克利，从同学身上学到的比从老师那儿还多，尤其是实用技能。学生间的合作也常常跨组，一起写论文、改代码、做各自擅长的事，你帮我，我帮你。这能提升人的综合素质。我也特别希望在港大，还有中国其他大学看到这样的氛围。
晚点
：现在一些企业家和创业者并没有系统的 AI 研究背景，但他们在努力学习 AI，比如张一鸣就请冯佳时来讲解 AI 技术。你觉得他们能通过学习，对技术理解到什么程度？这也会影响投资和业务判断。
马毅
：如果只是了解 AI 技术在做什么，有扎实的本科数学和科学背景就够了。要更深入，就需要更深的知识储备。我们去年在港大还真做了一件相关的事。
因为过去几年，不少企业家会来找我和同事请教 AI 问题，大家焦虑于要不要用 AI？怎么用？值不值得投？但我们每个老师也只深入了解自己研究的那部分。所以我们在港大开设了一个面向 CEO 和投资人的专门讲 AI 的班，类似 EMBA，由数据与计算学院主导，一方面让科研老师用通俗方式提供技术介绍和证据，另一方面邀请一线科技企业的人来分享真实的使用 AI 的经验——成功也好，踩过坑也行。
这个班原计划招 40-50 人，结果第一期来了 80 多位，主要是国内头部企业和上市公司创始人、企业高管和投资人。
晚点
：这些 CEO 同学们的科学素养如何？
马毅
：总体很好。他们都是成功的企业家，更想了解技术的本质，学习态度也诚恳，并非来交朋友的。这个班的出勤率很高，前面几个核心模块几乎全勤。
晚点
：他们应该也会问一个问题——判断一个 AI 新成果靠不靠谱，有没有什么简单的原则或方法？
马毅
：看是否有严格的证据，比如真实实验数据，而不是只看自媒体里讲的表现好的案例。我们也会坦诚分享负面案例或不确定的判断。
