金融博士推荐信

根据清华大学五道口金融学院关于遴选2021级推荐免试攻读金融学博士生的相关安排，报名系统持续开放。申请人需双系统同时报名，首先通过我院线上申请系统（http://app.pbcsf.tsinghua.e.cn）进行报名和提交电子申请材料，同时需在清华大学研究生网上招生系统（https://yz.tsinghua.e.cn）完成网申。申请截止时间为2020年9月4日下午16:00。申请人需仔细阅读我院官网《关于遴选2021级推荐免试攻读金融学博士生的说明》（http://www.pbcsf.tsinghua.e.cn/portal/article/index/id/4577.html）和《清华大学2021年接受外校优秀应届本科毕业生面试攻读研究生的有关要求》（http://yz.tsinghua.e.cn/publish/yjszs/8562/2020/20200820111541626499805/20200820111541626499805_.html），保证申请材料的真实性。疫情期间学院暂不接收纸质申请材料。请登录院系报名系统在线提交电子扫描版材料。成绩排名、成绩单和专家推荐信等需要盖章或签字的文件，可暂不提供或提交其他证明性文件及说明。材料补交和遴选安排请等待后续通知。欢迎随时关注清华大学五道口金融学院官网，任何有关招生的安排与更新会第一时间进行公布。招生咨询电话：010-62706127/62706130咨询邮箱：admissions@pbcsf.tsinghua.e.cn博士项目宣传片2021级金融学博士推免项目第二批报名即将截止【来源：清华大学五道口金融学院】声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

推荐信是美国留学申请材料的重要组成部分，推荐信的优劣直接关系到美国留学申请的成败。因此，同学们在关注GPA提升，英文考试成绩的同时，也不能忽视留学文书的提升与准备，尤其是注意推荐信的准备。推荐信，顾名思义，就是别人推荐自己的内容。因此，准备推荐信首先需要做的就是挑选一个合适的推荐人。选择推荐人的要点在于在权威和与自己之间关系之间选择合适的度。也就是如果对方既很权威同时又与自己关系很亲密，那样自然最好了。但是如果没有这样的推荐人，我们就要掌握好选择的度。如果选择权威的话，可能推荐信的分量会比较重，但是由于推荐人对自己并不熟悉，因此推荐信的可信性就大打折扣了。而如果选择与自己关系非常好的人，推荐信的可信性自然非常高，但是推荐信的分量可能就没有那么重，尤其是对于申请专业硕士的同学来说。同时，关于推荐人的选择上，一定要与专业相关，且真正了解自己的师长，保证真实性的同时，也保证了专业性和可信性。选择好合适的推荐人之后，同学们要先和推荐人联系，希望对方能够为自己撰写推荐信。如果对方的确很忙的话，也可以由自己来写，请对方过目。同学们在选择推荐人的时候可以多选择几位，避免出现有些推荐人不能为自己提供推荐的时候，有其他人可以帮助自己撰写。推荐信的内容主要是对于推荐人的客观评价，同学们应该提醒推荐人不要刻意撰写一些虚假的内容或者明显与事实不合的内容，这些内容很容易被招生委员会看出来。同时，推荐信撰写也要与其他留学申请材料相契合。同学们可以再得到对方首肯后，将自己的申请材料发过去，让对方对于自己的申请材料有一定了解。

李根 唐旭 发自 凹非寺 量子位 报道 | 公众号 QbitAI3月27日，2018年图灵奖嘉奖正式揭晓：深度学习三巨头Yoshua Bengio、Geoffrey Hinton，Yann LeCun一起荣膺计算机领域的最高荣誉。ACM评委会颁奖词称：表彰他们以概念和工程的突破，让深度神经网络成为计算关键部件。其中，72岁的Geoffrey Hinton更是众望所归，在年盛一年的呼声之后，终于加冕图灵奖。评选揭晓后，量子位获悉，其实今年全球多位AI领域影响力科学家，就已经提名Geoffrey Hinton且撰写了推荐信。按照图灵奖提名推荐流程，推荐人须与被推荐者曾经共事。所以包括Google研究负责人Jeff Dean、创新工场董事长李开复、微软研究院掌舵者Eric Horvitz，以及此次一同获奖的Yann LeCun等，都因曾经共事而提名了Geoffery Hinton。现在，我们获得授权，披露李开复向ACM图灵奖评选委员会提名Geoff Hinton的推荐信。需要说明的是，原件为英文，量子位进行了编译。但强烈推荐学有余力的盆友直接读英文原文(后附)，一方面是因为李开复围绕学术、产业和教育等三大方面，对Geoffrey Hinton进行功绩介绍，字里行间也不乏一些鲜为人知的小故事，还有溢于言表的钦佩和赞美。另一方面，也确实锻炼英文的好机会。OK，Here we go~李开复推荐信（量子位编译版）尊敬的ACM图灵奖评选委员会：我谨以此文表达个人最强烈的推荐和支持，提名Geoff Hinton为本年度的图灵奖候选人。这是人工智能的时代，而在人工智能领域，没人能比Geoff更有资格获得这份嘉奖。我现在是创新工场董事长及CEO，并曾作为高管任职于苹果、SGI、微软和谷歌。我曾是卡内基梅隆大学的助理教授，同时在这所大学获得了博士学位。也正是在CMU，1983年，我作为一名博士生结识了Geoff：修读了他的神经网络课程；并和他的研究团队一起，尝试将神经网络应用于语音识别；我还在他的指导下完成了自己的辅修课程论文（关于将贝叶斯学习应用于博弈游戏），我的博士论文（用机器学习方法进行语音识别），也曾向Geoff和他的团队寻求过建议。△Hinton和李开复2017年会面，量子位配图虽然Geoff并非我的博士生导师，但他对于我博士论文的影响却十分巨大。他的学生Peter Brown（统计机器翻译的共同发明人，如今文艺复兴科技的CEO）当时是我的老师，也正是他教会了我如何把不同种类的机器学习算法应用于语音识别，为我的博士论文打下了基础。其后1988年，我的博士论文实现了当时最好的语音识别模型，也促使语音识别领域，将重心从专家系统方法转移到机器学习方法。鉴于Geoff的才华、坚韧和慷慨，如果我能从Geoff和Peter身上受益如此之多，想必还有成千上万的受益者跟我一样。Geoff对于AI领域的贡献是巨大、无可比拟的。在我最近出版的畅销书 AI Supowerpowers: China, Silicon Valley, and the New World Order（中文名《AI·未来》）中，以通俗的说法描述了Geoff对于AI领域的贡献：曾经，人工神经网络能做的事非常有限。复杂问题若要得出准确的结果，必须构建很多层的人工神经元，但神经元层数增加后，研究人员当时还未找到针对新增神经元有效的训练方法。在21世纪头10年的中期，深度学习这项重大的技术性突破终于到来，知名研究人员杰弗里·辛顿找到了有效训练人工神经网络中新增神经元层的方法。这就像是给旧的神经网络打了一针兴奋剂，使它们的能力倍增，可以执行更多、更复杂的工作，例如语音及物体识别。性能大增的人工神经网络——现在有了新的名字“深度学习”——开始把旧的系统远远甩在身后。多年来对神经网络根深蒂固的成见让人工智能的许多研究人员忽略了这个已经取得出色成果的“边缘群体”，但2012年杰弗里·辛顿的团队在一场国际计算机视觉竞赛中的胜出[1]，让人工神经网络和深度学习重新回到聚光灯下。在边缘地带煎熬了数十年后，以深度学习的形式再次回到公众视野中的神经网络法不仅成功地让人工智能回暖，也第一次把人工智能真正地应用在现实世界中。研究人员、未来学家、科技公司CEO都开始讨论人工智能的巨大潜力：识别人类语言、翻译文件、识别图像、预测消费者行为、辨别欺诈行为、批准贷款、帮助机器人“看”，甚至开车。如果就学术成果而言，Geoff的引用超过25万次，其中一半以上来自于过去5年；他的H指数是惊人的142；他是波茨曼机以及通过梯度下降法实现反向传播（前者与Terry Sejnowski共同发布于1983年，后者则在1986年与David Rumelhart共同发布于《自然》杂志）两项开创性工作的共同发明人，这些工作引入了神经网络中隐藏层的思想，以及一种用于对其附属参数进行训练的优美、易于计算的方法。隐藏层让软件从“人类控制“（如专家系统）下得到解放，而反向传播则让非线性组合系统发现突出特征成为可能，以一种更接近于目标而非人类驱动的方式。然而，这些思想对于其所处时代而言，当时过于超前。因为当时并没有足够的数据和算力，能让这些理论上的方法解决实际生活中的问题，或是在竞争中压倒其他方法。于是在20世纪80年代初期，该领域被专家系统所统治，直到80年代末期，专家系统因过于脆弱和难以扩展成为历史。不过替代专家系统的也并非Geoff提出的构想（那时还太早），而是妥协于少量数据和算力的简化版本的神经网络。我的博士论文（使用了隐马尔科夫模型）讨论的就是其中的一种。这些简化过的方法确实能在一部分应用上作出贡献，但如同专家系统一样，它们并不能在那些最难解决的问题上进行扩展，如下围棋、人类水平的语音和视觉。然而时来运转，从1985年到2015年，全球数据量和算力发生了巨大的增长。举例来说，我在1988年的博士论文使用了当时最大的语音数据库，但它也只有100MB的大小。而今天，最好的语音识别系统要在100TB的数据上进行训练——这是一百万倍的提升。有了数据上如此巨大的提升作为支持，Geoff的思想最终闪耀了起来——他的方法能将层的数量由1增加到1000，而数据量和模型复杂度的提升会使得深度学习系统持续进步。事后再看这些问题，显得异常容易。但在当时，现实却是非常残酷的。20世纪90年代对于像Geoff一样的神经网络研究者而言，是最黑暗的时刻。Geoff早期的理论工作创造出了智能的火花，但数据和算力的匮乏却阻碍了这些深度学习系统展示出更优秀的性能。随着科研经费消耗殆尽，许多神经网络研究者将自己的工作转移到了其他领域。然而，面对黯淡而又浮躁的科研资助环境，Geoff依然作为少数研究者（其他关键性研究者包括Yann LeCun和Yoshua Bengio）坚持了下来，不懈地将神经网络方法继续向前推进。他搬到了加拿大，根据受限的经费环境调整了团队，而后继续努力将科学的边界向前拓展。Geoff在接下来的30年中持续地为神经网络方法做着贡献，其中包括多专家模型、亥姆霍兹机、神经动画生成系统、概率推理模型、随机领域嵌入、邻域组件分析、t-SNE，以及诸多创新思想和研究。鲜有某项技术可以彻底颠覆多个领域的研究，而深度学习就是其中之一。从2010年到2016年，本质上讲，整个感知领域——语音识别、图像识别、计算机视觉都转移到了深度学习的路径上，就是因为Geoff和他的同事们证明了——对于感知而言，深度学习就是最佳也最能普及的方法。在整个人工智能领域，人类的感知能力（听、看和理解）被视作人类独有的天赋，但对于AI而言，这是一个巨大挑战。值得一提的是，还有一项巨大的挑战是下围棋，已经被Deepmind开发的AlphaGo，同样使用深度学习方法攻克了。当时震惊了整个世界，也成了“AI革命”的催化剂。现在回顾，Geoff的团队是如此颠覆计算机视觉研究的：2012年，他的团队构建了一个基于神经网络的系统，在ImageNet 1000个类的物体识别竞赛中将错误率一下降低了40%。在此之前，计算机视觉领域的研究社群已经习惯了每年一小部分的增量提升，而Geoff团队的成绩震惊了整个社群——人们未曾想象过，一个“局外人”会以一种“非传统方法”以如此大的优势赢下竞赛。如果说反向传播是Geoff最重要的理论贡献，那么其团队在ImageNet竞赛中取得的成果则是Geoff最为人认可的贡献。那届ImageNet竞赛结果所掀起的微波，最终成为了深度学习大潮中的滔天巨浪。深度学习的浪潮如今也正在改变每一个行业。举例来说，作为一名身处中国的投资人，我本人也品尝过这股春风带来的甘霖：Geoff在2012年发表的论文以及当年ImageNet上的成果，为4家中国的计算机视觉公司带来了灵感，而现在他们的总估值超过120亿美元。但请记住，这还只是Geoff的工作在一个国家、一个小小的领域内带来的成果。此外，Geoff的工作还使得深度学习颠覆了语音识别领域（也是我博士时期的研究方向），帮助当时加盟百度的吴恩达，在2015年使得机器识别的准确度超越人类。从更广阔的视角上看，世界上的每一家科技巨头（谷歌、微软、IBM、Facebook、亚马逊、百度、腾讯和阿里巴巴）都为深度学习打造了自己的平台，甚至将自己重新标榜为“AI公司”；而在风投领域，我们则见证了深度学习驱动下大批独角兽公司的出现（仅在中国就有超过20家）。同时，由于深度学习需要的强大算力无法从传统的CPU中获得，为了负载深度学习所需的工作量，GPU开始被大规模使用，并由此引发了英伟达的崛起以及半导体工业的复活。最为重要的是，我们的生活已经发生了深刻的变化：从搜索引擎，到社交网络再到电子商务，从无人商店到无人汽车，从金融到医疗，几乎所有能想象到的领域，都被深度学习的力量所重塑，或是颠覆。在任何具有充足数据的领域，深度学习在用户体验、用户粘性、营收和利润方面都带来了极大的提升。深度学习背后的核心思想（始于反向传播）——一个目标函数可以被用来使商业指标最大化——已经对所有行业造成了深刻的影响，并帮助那些拥有数据、拥抱机器学习的公司获得了难以置信的利润。总的说来，人工智能可以说是当今我们能够成熟应用的技术中，最为令人兴奋的一种。普华永道和麦肯锡预计，在2030年以前，AI会给全球GDP带来12到16万亿美元的增长。而AI领域最重要的进展，以及AI技术的成熟度被坚信的首要原因，就是Geoff在深度学习方面的工作成果。诚然，每一位图灵奖的获奖者都对计算机科学领域有着极其重大的影响，但极少数能像Geoff一样，改变了整个世界。在变革者的角色之外，Geoff还是一位真正的思想领袖。虽然他总是言辞温和，他却是一位真正塑造并重塑整个研究社群的精神领袖。他不知疲倦地教诲，不只是对他的学生，更是对这个世界。正如他1986年创办联结主义学院时，亲自与在计算机视觉和语音处理领域的人们去进行沟通，说服他们去理解并拥抱机器学习。然而，当2018年所有的工作都获得了成功，整个世界都投入了深度学习的怀抱之时，他还继续指出一条全新的道路。在行业纷纷向深度学习靠拢，大公司们不断收集更多的数据并开始引领深度学习的“工业化”之时，他却号召人们向前一步，去创造“下一个深度学习”。换而言之，解决AI根本问题的一种全新方法，帮助机器更接近真正的人类智慧。他在思想上的领袖魅力来源于他毕生的愿景，以及对于更好地去理解人类认知能力的追寻。尽管深度学习是一项正在改变世界的重大突破，他却仅仅将其视为实现自己长期愿景路途中的一块踏脚石。他最近在胶囊网络方面的新工作，也正再一次让研究者们重新审视自身在Geoff愿景中的角色和责任。我坚信，Geoff就是今天的人工智能领域内最重要的人物，没有之一。他对于学界和业界的贡献同样地突出。他不仅是一位优秀的、引领性的学者，亦是一位孜孜以求、慷慨、坚韧、优雅、有原则的绅士。他是所有年轻计算机科学家的楷模。他的工作大大超越了神经网络和机器学习的范畴，极大地影响了计算机视觉、语音及信号处理、统计学、认知科学以及神经科学。我想不出其他任何人比他更有资格获得图灵奖，并在此敦促评选委员会在今年选择Geoff作为获奖人。英文原件内容Dear ACM Turing Award Committee Members:I am writing to give my strongest recommendation to support Geoff Hinton’s nomination for Turing Award. This is the decade of Artificial Intelligence, and there is no one more qualified than Geoff in AI.I am the Chairman and CEO of Sinovation Ventures, and have previously held executive positions at Apple, Microsoft, SGI, and Google. I was an assistant professor at Carnegie Mellon, and also received my Ph.D. there. I got to know Geoff at Carnegie Mellon, when I entered as a Ph.D. student in 1983. I took classes on neural networks from him, worked with his research team on applying neural networks to speech recognition, and was supervised by him for my minor thesis (on applying Bayesian learning to game-playing), and consulted him and his team on my Ph.D. thesis (machine learning approach to speech recognition).While Geoff was not my Ph.D. advisor, his impact on my Ph.D. thesis was tremendous. His student Peter Brown (co-inventor of statistical machine translation, now CEO of Renaissance Technologies) was my mentor, and taught me how to apply various types of machine learning algorithms to speech recognition. This was a primary reason that helped my Ph.D. thesis to become the best-performing speech recognizer in 1988, which helped shift the speech recognition field from expert-systems approach to machine-learning approach. If I have benefited so much from Geoff and Peter, there must be thousands of other beneficiaries, given Geoff’s brilliance, persistence, and generosity.Geoff’s contributions to AI are immense and incomparable. In my recent best-selling book AI Supowerpowers: China, Silicon Valley, and the New World Order, I described Geoff’s contribution as follows, in layman’s language:Deep learning’s big technical break finally arrived in the mid-2000s, when leading researcher Geoffrey Hinton discovered a way to efficiently train those new layers in neural networks. The result was like giving steroids to the old neural networks, multiplying their power to perform tasks such as speech and object recognition.Soon, these juiced-up neural networks—now rebranded as “deep learning”—could outperform older models at a variety of tasks. But years of ingrained prejudice against the neural networks approach led many AI researchers to overlook this “fringe” group that claimed outstanding results. The turning point came in 2012, when a neural network built by Hinton’s team demolished the competition in an international computer vision contest.In the twelve years since Geoffrey Hinton and his colleagues’ landmark paper on deep learning, I haven’t seen anything that represents a similar sea change in machine intelligence.In terms of academic accomplishments, Geoff has more than 250,000 citations, with more than half in the last five years. He has an astoundingly high H-index of 142. He was the co-inventor of the seminal work on Boltzmann Machines and backpropagation using gradient descent (published in 1983 with Terry Sejnowski, and the Nature paper with David Rumelhart in 1986). This work introced the idea of hidden layers in neural networks, along with a mathematically elegant and computational tractable way to train their affiliated parameters. Hidden layers freed the software from “human control” (such as expert systems) and back propagation allowed non-linear combination to essentially discover prominent features (in a more goal-directed way than humans) in the process. However, it turned out that these ideas were before their time, as there were not enough data or computing power to enable these theoretical approaches to solve real-world problems or beat other approaches in competitions. The early-1980’s were dominated by expert systems, which became discredited in by late-1980’s when they were proven to be brittle and unscalable. What displaced expert systems was not Geoff’s proposals (which were too early), but simplified versions of neural networks which were compromised to work with less data and computation. My Ph.D. thesis (using hidden Markov models) was among them, and these simplified approaches were able to make some contributions with some applications, but like expert systems, they were not able to scale to the hardest problems (such as playing Go, human-level speech or vision).From 1985 to 2015, the amount of data and computation increased tremendously. For example, my 1988 Ph.D. thesis used the largest speech database at the time, which was only 100 MB. Today, the best speech recognition systems are trained on 100 TB of data – a million-fold increase. And with that much increase in data size, Geoff’s approach (later re-branded deep learning) finally shined, as it could increase the number of layers from one to thousands, and deep learning systems continued to improve as the data size and the complexity of the model increased.This is easy to see in hind sight. But at the time, the reality was quite cruel. The 1990s were the darkest hours for neural network researchers like Geoff. Geoff’s earlier theoretical work created intellectual spark, but the lack of data and computation prevented these deep learning systems from demonstrating superior performance. Funding dried up, and many neural network researchers moved away to other areas. But Geoff was among the few researchers (other key researchers include Yann LeCun and Yoshua Bengio) who persisted on pushing forward the neural network approach, despite a frosty and fickle environment for funding. He moved to Canada, adjusted his group to a smaller funding environment, and continued to push the frontier.His contribution to the neural network approach continued in the next 30 years, including the mixture of experts model, the Helmholtz machine, the neural-animator system, probabilistic inference, stochastic neighbor embedding and neighborhood component analysis, t-SNE, and many other innovative ideas. Very few technologies have disrupted multiple areas of research completely, but deep learning did. From 2010 to 2016, essentially the entire field of perception – speech recognition, image recognition, computer vision, switched to deep learning, as Geoff and his colleagues proved deep learning to be the best and most generalizable approach for perception. In the entire fiend of Artificial Intelligence, human perception (to hear, see, and understand) was considered one of the aspects that set the humans apart and a grand challenge for AI (incidentally, playing Go was another, which was conquered by Deepmind’s AlphaGo, which also used deep learning ring the matches which shocked the world, and was another catalyst for the “AI revolution”).Here is how Geoff’s team disrupted computer vision research, In 2012, his team built a neural-network based system that cut the error rate by 40% on ImageNet’s 1000-object recognition task and competition. The computer vision community was accustomed to incremental improvements annually. Geoff’s team’s results shocked that community, as a relative “outsider” using an “unconventional approach” won by such a large margin. If backpropagation was Geoff’s most important theoretical contribution, his team’s work on the ImageNet competition was Geoff’s most recognized contribution. That ImageNet result started the first ripple that ultimately became the deep learning tidal wave.The deep learning tidal wave (the most central part of the “AI revolution”) is now changing every instry. As an example, as a venture capitalist in China, I was a part of a “tiny” side effect: Geoff’s 2012 paper and ImageNet result inspired four computer vision companies in China, and today they are collectively worth about $12 billion. Keep in mind, this was just one small field in one country based on one of Geoff’s result. Geoff’s result also led to deep learning disrupting speech recognition (the area of my Ph.D. work), resulting in super-human accuracy in 2015 by Bai’s Andrew Ng (recruited to Bai after Geoff joined Google part-time). And much more broadly, every technology monolith (Google, Microsoft, IBM, Facebook, Amazon, Bai, Tencent, Alibaba) built its platform for deep learning, and re-branding themselves as “AI companies”. And in venture capital, we saw the emergence of many unicorns (in China alone there are over twenty) powered by deep learning. Also, deep learning required much compute power that traditional CPUs could not handle, which led to the use of GPUs, the rise of Nvidia and the re-emergence of semiconctors to handle deep learning work-load. Most importantly, our lives have changed profoundly – from search engines to social networks to e-commerce, from autonomous stores to autonomous vehicles, from finance to healthcare, almost every imaginable domain is either being re-invented or disrupted by the power of machine learning. In any domain with sufficient data, deep learning has led to large improvements in user satisfaction, user retention, revenue, and profit. The central idea behind deep learning (and originally from backpropagation) that an objective function could be used to maximize business metrics has had profound impact on all businesses, and helped the companies that have data and embraced machine learning to become incredibly profitable.In aggregate, Artificial Intelligence (AI) is arguably the most exciting technology ripe for applications today. PWC and McKinsey predicted that AI would add $12-16 trillion to the global GDP by 2030. The most important advance and the primary reason that AI is believed to have matured is Geoff’s work on deep learning. While every Turing Award recipient has made seminal impact to Computer Science, few have changed the world as Geoff is doing.Beyond the role of an innovator, Geoff was also a true thought leader. While he is soft-spoken, he is a spiritual leader who really shapes and reshapes the overall research community. He was a tireless in teaching not only his students but the world. For example, he started the Connectionist School in 1986. He personally connected to and persuaded people in computer vision and speech processing to understand and embrace deep learning. Yet, after all that work succeeded, and the world was won over by deep learning in 2018, he set a new direction. Because instry has rallied around deep learning, and large companies were gathering more data and leading the “instrialization” of deep learning, he made an exhortation to move on and focus on inventing “the next deep learning”, or fundamentally new approach to AI problems that could move closer to true human intelligence.His thought leadership was grounded in his life-long vision and quest to better understand human cognition. While deep learning is a breakthrough that is changing the world, he sees it as only a stepping stone towards the realization of his long-term vision. To set another example, his new work on capsule leaning is again causing researchers to rethink their role and responsibilities in Geoff’s vision.I believe Geoff is the single most important figure in the field of Artificial Intelligence today. His contributions to academia and instry are equally outstanding. He is not only a brilliant and inspirational scholar, but also an inquisitive, generous, persistent, decent, and principled gentleman, who is a role model for any aspiring young computer scientist. His work went well beyond neural networks and machine learning, and has greatly impacted computer vision, speech and signal processing, statistics, cognitive science, and neural science. I cannot think of anyone else more deserving of the Turing Award, and urge the committee to select Geoff as the recipient this year.Sincerely,Kai-Fu Lee, Ph.D.Chairman & CEO, Sinovation VenturesFellow, IEEEHonorary Ph.D., Carnegie Mellon UniversityHonorary Ph.D., City University of Hong Kong

新智元报道 来源：timdettmers.com作者：Tim Dettmers 编辑：木青【新智元导读】又到一年申请季。随着AI大热，计算机科学博士申请的竞争也变得激烈。如何选择学校？需要发多少论文？导师怎么选？GPA不够高怎么办……斩获CMU、斯坦福大学等名校博士offer的大神写出了史上最全分享帖，你在申请计算机科学博士时遇到的所有问题，这里都有答案。先简单秀一下手里的offer：我获得了斯坦福大学，华盛顿大学，伦敦大学学院，CMU和纽约大学的录取通知。收获是不是还算不错？我深入研究了我是如何在博士申请中取得成功的，于是写下这篇博客文章，和大家讨论，在博士申请中什么才是重要的，而什么又不是；我们应该如何选择和使用申请材料。这篇博客主要针对关注深度学习的博士应用以及自然语言处理，计算机视觉，强化学习和深度学习等相关领域的学生。我目前先假定你已经拥有相对竞争较强的个人资料，也就说你可能已经拥有一个或多个出版论文或刊物，并且你也已经与多人合作进行过研究。写这篇文章的目的是为了提高你申请成功的几率。如果你寻求更多关于博士入学的信息，我建议你先阅读以下这些资料：Academia StackExchange所有最高投票的问题和答案：https://academia.stackexchange.com/questions?sort=votes计算机科学专业博士完整录取过程，这是一位CMU老师写的：http://www.cs.cmu.e/~harchol/gradschooltalk.pdf博客文章《反思计算机科学专业招生》，这适合那些优秀但综合实力并没有那么拔尖的学生：https://da-data.blogspot.com/2015/03/reflecting-on-cs-graate-admissions.html。《如何写出一篇错误的计算机科学博士申请陈述》，反面教材可以用来参考：http://www.cs.cmu.e/~pavlo/blog/2015/10/how-to-write-a-bad-statement-for-a-computer-science-phd-admissions-application.html在接下来的文章中，我会：先定义一下申请过程中哪些是重要的影响因素；然后我们将深入研究申请材料以及如何思考这些问题；再来我将谈谈申请流程全文最主要的部分也是最后一部分将是选择学校：哪些学校对我来说门槛太高或哪些又不是那么值得你去？什么才能被称作是强大的博士申请背景？决定任何研究型大学录取的最重要因素是研究潜力：你有多大可能成为一名优秀的研究人员？主要的直接指标是研究潜力的重要性：业内大佬的建议：受人尊敬的教授高度评价你，所以人际关系很重要。研究经历：之前做过什么成功的研究、发表的论文（是否为第一作者和发表所属期刊、会议的声望）。其他间接因素有时可能有所帮助，不过作用并没有以上两个因素大，按重要性排序：本科大学背景：有些大学会很看重，其他一些大学并不care；工作/实习背景：例如以前曾在金融或Google，Facebook等公司工作过；智力：完美的GPA，完美的GRE与智力有些相关（或至少与你学习和理解的速度有关）；勇气/责任心：你在持续被拒绝、遭遇失望和失败的情况下都能表现得很好，如果你遇到并克服了困难，你可以将你的故事纳入自我陈述中。成就：赢得了数学或CS比赛。表彰：赢得了非常厉害的奖学金。擅长数学或工程学：为开源项目开发作出贡献或者使用过研究代码。家庭背景：父母是教授，赢在起跑线上如何准备计算机科学博士申请材料首先是推荐信对于推荐信，可以分为四个类别：强、好、弱和坏。请注意，录取老师在推荐信中寻找的主要内容是关于你有多少研究潜力。这部分的主要目的是让申请者了解什么是好或强的推荐信，根据这些信息，你可以找到更适合帮你写推荐信的人。非优质推荐信的特征：推荐人知道你的不良事迹并且把这些写到了推荐信里，特别是在美国，任何甚至略微有污点的过去都非常有风险；推荐人并不认识你（你上过ta的课，但ta对你没有留下任何印象）；推荐信内容很简短，只说你在课堂上表现很好；弱竞争力推荐信的特征：推荐人只在课堂上认识你；推荐人只能写一些关于你课上的表现；推荐人不评论你的研究；录取委员会或潜在的顾问都不认识推荐人。优质推荐信的特征：推荐人有一定名气，被录取委员会的部分人员知道；推荐人的姓名和工作至少被个人陈述中提到的一位潜在导师所知；推荐人与你一起做过科研；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人详细写了你如何发表研究报告；推荐人评论了你在实验室外的研究。强竞争力推荐信的特征：推荐人英语水平出色；推荐人因过去出色的推荐而闻名（之前推荐的学生非常优秀）；推荐人在轶事中提到了你出色的研究能力，这些事情证明了你的创造力、诚信、坚持和研究技巧；推荐人提到了你的其他能力，这些能力间接地帮助研究（工程技能，演讲技巧，人际关系技巧），并将这些技能包含在轶事中。请注意以下几点：轶事很重要，这需要推荐人真的了解你。那些招生老师也能读得津津有味，毕竟读故事比核对清单更有趣；这封推荐信不需要包含上述中的所有要素，那样会让推荐信变得很复杂；推荐信需要有侧重点。怎样界定你发表论文、刊物的含金量？是否为第一作者？发表的论文、刊物是研究经验和研究技能的直接证据。如果你作为第一作者出版，人们就知道你完成了大部分工作。如果你作为第二作者出版，人们知道你做了很大一部分工作（25％-50％）。如果你的名字是第三个或更晚，你的贡献会大打折扣，但你可能会经历整个研究过程以获得发布资格并获得大量的研究经验。如果你发表了几篇第一作者论文和一篇第三作者论文，这样就看起来非常好：它表明你可以完成团队合作。发表论文所属会议、期刊的威望：如果你在一个顶会上发表你的作品，人们就会知道：（1）你的作品质量很高; （2）你的工作可以被信任; （3）你目前的研究技能足以在大型的会议上发表；（4）你具有竞争力，可以在顶级会议的压力下保持高效。在你未来的导师看来，这有助于看到这一点：如果你有两个学生，一个已经在NeurIPS（A级）发表，一个发表在B级会议上，那么这说明第一个学生可能已准备好参与明年针对NeurIPS的研究项目，第二名学生则需要进一步准备。对于第二个学生，这个学生可能需要一年多的时间才能获得在A级会议上发表所需的研究技能。如果导师和学生之间的磨合压力较小，那么就更容易建立强大的专业关系，这使得彼此合作更容易和有趣。毕竟谁都愿意找有准备的士兵去一起打仗。因此，未来的导师将有充分的理由根据你在哪个会议上发布论文进行选择。如何撰写个人目的陈述对于大多数高校而言，目的陈述主要是为那些不想花太多时间审核资料的校方工作人员提供“过滤器”。你的写作可以展示你的思考方式，如何营销，你如何解释事物，但它也可以透露出你是懒惰的，不注意细节。对于某些机构（例如CMU）来说，个人陈述可能很重要。除此之外，个人陈述也是唯一可以解释你在某些情况下为何表现不佳的文件。例如，你可以解释你在读研究生的过程中遇到的任何特殊困难，或者它可以解释为什么你在大学的某些学期里没有做到这么好。个人陈述的结构应如下：1、在第一段，通过引人注目的开头介绍研究兴趣，使读者想要阅读更多。这是最重要的一点：如果你不能让读者对本段不感兴趣，他们不太可能专注于整本书的其余部分；2、你在研究生学习期间的研究经历（大约一页）；3、确定你将来要做的研究方向；4、确定选择导师以及选择原因；5、（可选）在适当的情况下解释情有可原的错误。在某些情况下，个人陈述可能非常重要。如果你表现出良好但不强或弱 的学术潜力，你就必须克服重大的困难才能做研究。然而，披露困难和弱点，如学习障碍和精神疾病，也可能是一把双刃剑：你可能让审核老师望而却步，也可能因为你坚持困境而表示同情和钦佩。如果你披露此类事实，则需要正确完成并且个人陈述需要非常精细化。如果你没有专人指导，请不要尝试这样做。毕竟你不只是在讲述如何克服经济困难完成学习，而是讲述你在患精神分裂症或双相情感障碍时遇到的困难。然而，如果你没有面对任何困难，不要编造毫无意义的故事：“作为一名白人、男性、上流社会的美国公民，我从很小的时候就被我的特权所困扰，我的学业表现受到了影响在这个过程中。“请不要这么拉仇恨，还是专注自己的研究能力吧。关于GRE、TOEFL、GPAGRE、TOEFL和GPA通常用作过滤标准。非常高的GPA可以成为良好指标，可以帮助那些质量不太高的推荐信和论文。但是如果你没有出版过论文，并且推荐信也很糟糕，4.0的GPA将无济于事，甚至可能还会起到反作用，因为它表明你专注于“无用”的课而不是研究。GRE和托福成绩是纯粹的过滤器：如果你有一个好的分数，你就不会被过滤掉。如果你有一个完美的GRE成绩，它可以帮助到一点点。高GRE成绩并不重要：我拿到了美国大学计算机科学专业TOP5中的三个：GRE成绩为语文159（81％），数学163（86％），写作5.0（93％）和托福120/120和GPA 8.1 / 10。任何高于3.5（满绩4.0）的GPA都可能会有所帮助。关于简历简历要列出你所做的事情。内容很重要，但内容也取决于你之前所做的事情，并且不能撒谎编经历。不要通过简单的方式或通过让你的简历看起来“漂亮”或“有创意”来“调整”你的简历，这是浪费时间。只需列出你所做的事情。了解一下申请程序（一）、如何向你的教授索取推荐信你可能需要写两封电子邮件：（1）只要问一下这个人是否可以给你一封好的或强烈的推荐信。经历丰富的推荐人如果认为他们不能给你写好的信，就会拒绝你的请求。在这种情况下，寻找其他人。（2）如果你的推荐人同意，她会要求你提供信件的一些信息。列出你和推荐人所有过的互动，让推荐人写得更生动：举个例子，需要写的是：“你在一次会议上告诉我，通过一些额外的工作，我们可以为NeurIPS截止日期做好准备。在接下来的两周内，我开发了一个改进的深度网络架构，开始撰写调查结果。接下来的一周，简扩展了我的代码以完成额外的任务。然后，我们有足够的结果将我们的工作提交给NeurIPS“不要写：“简和我在NeurIPS上发表了我们的研究。”（二）个人目的陈述尽早开始向有经验的人询问意见。如果你想透露你在读研究生的路上遇到的困难，你需要花很多时间在你的个人陈述中，你可以在你所有的申请材料中花最多的时间在这方面。也可以参考你之前申请大学时使用的个人陈述，这或许能帮你省不少时间。（三）在线申请尽早开始填写在线申请表。有些流程很复杂，需要一些时间来填写，如果你能尽早地提交，专注于写推荐信、院校选择和个人目的陈述，那就太棒了。另外，你应该准备足够的资金来做这些申请。整个过程可能花费高达1000美元。如果你没有足够的钱，请尽早向一些亲戚寻求帮助。想要读计算机科学博士，该如何选择学校？我可以考上顶尖学校吗？许多读这篇文章的人可能有着进入斯坦福大学，麻省理工学院，伯克利大学或CMU等顶尖学校的梦想。但这非常困难，竞争非常激烈。分享一下我申请的一所牛校的情况，以下几条都是申请这所牛校的人的背景条件：申请人中本科学校Top2的比例：38％Top4：52％Top20：73％每个国家的顶尖学校：84％至少4篇顶级会议论文：93％至少3篇顶级会议论文+最佳教师/青年科学家奖：98％也就说，84％的申请人来自一个国家的顶尖学校，另外你在顶级会议上的论文少于3篇，那么你进入上述学校的概率约为2％。如何入读顶尖学校？上述统计数据并不意味着你无法被这些学校录取，但这意味着如果你的个人资料太弱，你应该再花一年时间来完成梦想。例如，我将我的硕士学位延长了一年，以便进行一年的研究型实习。如果没有这份经历，我基本不可能进入这些学校。如果你的梦想是进入这些顶级学校之一，研究型实习是迄今为止最好的选择。即使你不一定想去这些顶尖学校，研究实习也没什么坏处。研究型实习将为你提供：提高研究技能，使你可以更轻松地开始攻读博士学位；测试博士或某个研究方向（NLP与计算机视觉与系统）是否适合你；一份好的甚至是竞争力强的推荐信（实习时间越长越好）；发表论文的机会。现实的学校选择你应该申请大约10-15所大学。如果你申请更多，那么你将面临着没有足够时间来真正完善你申请流程的危险。如果你申请的数量少，你会遇到手上无offer的危险。你应该有一个或两个备用大学，你被录取的几率> 75％。通常，你已经就读的大学是一个很好的候选，因为你的推荐人将导师所知。申请所有有希望入学的顶尖大学（> 10％的机会）。在剩下的大学里挑选一些你有意愿去的，你希望入学率会较高（25-33％），你应该至少备选3所这样的大学。这些大学通常是推荐人和你都希望与之合作的教授的所属大学，这时候人际关系就起到重要作用了。请注意，最好的导师不一定在顶尖学校。你可以在前20名以外的学校获得优秀的博士培养。但是，如果你考虑学术生涯，那么学校的级别将非常重要，你应该尝试在顶尖学校找到一名导师。选择大学主要是根据这所大学里的导师。确保每所大学都有多个你想要合作的导师。不要申请只有一位优秀导师的大学。如果你选择的专业范围太小，请扩大你感兴趣的区域。例如，如果你想进行深度学习和NLP，并且找不到足够的合适导师，请考虑计算机视觉或其他领域的一些导师。其他问题（一）注意：英国博士需要四年，美国博士需要6年在美国博士学位课程的前1-2年，你将完成不少课程，因为美国博士学位是为本科生设计的。相反，英国博士学位课程专为已经拥有（1年）硕士学位并且课程很少的学生而设计。具体区别如下：美国博士专为本科学生设计课程为1 - 2年，课程分散了研究的注意力，入学时有担保资金，即你有担任研究助理或助教的职位。英国博士专为硕士生设计课程为0.25 - 0.5年，你可以从头到尾专注于你的研究。资金方面可能有问题，通常取决于你的导师。这就是为什么在申请之前与潜在导师取得联系非常重要的原因。还要注意地区差异。如果你在美国学习，你也将陷入美国的研究泡沫。如果你在欧洲或亚洲学习也可能如此。如果你想加入欧洲的学术界，而且无法进入美国顶尖学校，那么申请大多数欧盟大学可能是更保险的选择。（二）博士需要硕士学位吗？在欧洲大陆，学士学位通常为3年，你需要硕士学位才能获得博士学位。在美国和英国，博士通常为4年，你可以在学士学位之后立即开始攻读博士学位。（三）工作经验很重要吗？如果你在着名的公司（谷歌、Facebook、麦肯锡、高盛等）工作，它尤其有用。如果它与软件工程相关，其他工作经验也有帮助，但任何研究经验（研究实习）都要比企业实习有用得多。只是一份好工作而没有研究经验，对你没有帮助。（四）如何挑选导师？查看他们最近出版的论文，从而找到共同的兴趣点。避免与最近没有发表论文的学者合作。在当前的研究中不需要重叠，但你应该对导师正在进行的研究感兴趣。查看他们之前的毕业生名单以及这些师兄师姐现在从事的职业，毕竟就业也是考量的一个重要指标。查一下导师是不是创业吗？他有多少学生？这些因素的组合可以给你暗示：这个导师忙不忙，他又有多少时间来指导你。根据你在研究方面的经验，你将需要一个或多或少有时间的导师。（五）我必须要拥有博士学位吗？如果你想在学术界工作，你需要博士学位。在商业中，一切都受供需关系的制约。未来几年，人工智能研究人员的供应将急剧增加。如果AI炒作崩溃，需求将会消退。这种情况可能与数据科学家在2018年面临的情况非常相似：公司只接受非常优秀的申请人，因为供应量大于需求量。在这种情况下，如果你想要转换工作或想要晋升，博士学位将会有很大的不同。你现在可能没有博士学位，但没有博士学位，如果你想转到另一个研究实验室，你可能会遇到问题（因为熟练的博士学位可能很高，而需求很低）。如果AI炒作没有崩溃（不太可能），那么你可以在没有博士学位的情况下轻松找到并转换工作。如果你对研究工程师的职位感到满意，那么博士学位对你来说可能毫无用处。由此，如果你不想做研究，就不要做博士学位。（六）我该在申请前请联系导师吗？不要对美国的教授这样做。在欧盟，有时需要在申请前联系可能的导师。如果你需要这样做，请尝试通过真正了解你导师的人介绍，例如，你的学士或硕士论文导师。如果你与这位导师没有私交，你还想写一封电子邮件的话，内容建议如下：你当前的导师是谁；关于你过去工作的总结（可选：你在哪里发表你的作品）；关于你可以以“想法：一句话解释这个想法”的形式向导师解释你想要的研究方向；如果你没有个人联系，你的潜在导师不太可能回复你。如果你没有人际资源并且你申请了欧盟（英国）大学，那么你可能需要试试申请其他地方。（七）如何为你的研究计划选择一个主题？研究提案的主题无关紧要。没有人会要求你做在研究提案中描述的工作。你可以根据在不同申请中重复使用的容易程度来选择你的研究提案主题。如果你不需要为不同的申请流程重写它，则可以节省大量时间。需要考虑的一件事：你对某个主题越熟悉，就越容易编写好的提案。参考链接：http://timdettmers.com/2018/11/26/phd-applications/新智元 AI 技术 + 产业社群招募中，欢迎对 AI 技术 + 产业落地感兴趣的同学，加小助手_2 入群；通过审核后我们将邀请进群，加入社群后务必修改群备注（姓名 - 公司 - 职位；专业群审核较严，敬请谅解）。

来源：澎湃新闻原标题：遇害中国博士父母抵美：冒雨出席追悼会，诺奖得主中文致哀师生悼念范轶然（芝加哥大学官网）海外网1月15日消息，据美国《世界日报》14日报道，中国留美博士范轶然日前在芝加哥遭枪击，不幸身亡。13日其父母抵达芝加哥，并在14日前往儿子生前就读的芝加哥大学，身穿黑色羽绒服出席学校举办的悼念会。数百名师生在雨中举蜡烛默哀，追悼会上，诺奖得主彼得·汉森用中文向范轶然的父母致意。据报道，悼念会在芝加哥大学校园内举行，参加悼念会的有范轶然的导师何志国（音译）、芝加哥大学校长罗伯特·齐默和2013年诺贝尔奖得主彼得·汉森等。此外，还有数百位师生参与，他们在雨中点燃蜡烛，追悼不幸身亡的范轶然。悼念会中点燃蜡烛（芝加哥大学官网）何志国在追悼会中说道，在与范轶然相处的6年中，他认识的范轶然是一个既有天分有很努力的学生，范轶然在攻读经济金融博士之前曾说过，“一分耕耘，不一定有一份收获，但十分耕耘，一定会有一分收获”。汉森也表示，范轶然是他最好的研究生，他与妻子很早就同范轶然相识了，还曾为他写过博士申请的推荐信。追悼会中，汉森夫妇最后用中文向范轶然的父母致哀，表示“非常遗憾”。据此前报道，9日，美国芝加哥发生连环枪击案，32岁非裔枪手南丁格尔（Jason Nightengale）肆意开枪射击，短短几小时导致3死4伤。在芝加哥大学就读的30岁中国留学生范轶然也不幸遭枪杀，枪手已被警方击毙。据悉，范轶然于2008年进入北京大学光华管理学院攻读本硕，后远赴英美求学深造，在经济学、金融学研究领域深造，博士毕业在即。（原题为《遇害中国博士父母抵美：冒雨出席校园追悼会 诺奖得主中文致哀》）

北京大学数字金融研究中心现招聘全职博士后研究人员，岗位职责和任职要求等信息如下：【招聘人数】2-3名【合作导师】黄益平、沈艳、黄卓、龚强、徐建国、谢绚丽等【研究专业/方向】数字金融、普惠金融、金融改革、大数据金融【职位描述】1. 参与中心国家社科基金重大课题《数字普惠金融的创新、风险与监管研究》的研究；2. 参与中心数字金融、普惠金融、金融改革、大数据金融等方向的其他课题与学术研究工作；3. 完成中心交办的其他工作。【候选人基本条件】1. 能够全职从事研究工作的博士学位获得者；2. 年龄在35周岁以下，在国内外重点大学获得博士学位，获得博士学位3年之内；3. 专业要求：具有经济学、管理学等相关理论背景。熟练阅读英文专业文献；4. 具有较强的团结协作精神和课题组织能力；5. 身体健康，能够承受工作压力。【年薪标准】1. 工资及福利待遇按北京大学博士后相关规定及办法执行；2. 可以申请中心课题；3. 科研发表成果给予相应奖励；4. 可以申请北大博雅博士后计划。【申请材料】1. 个人简历和求职陈述信；2. 代表性学术论文2-3篇或其它研究成果；3. 至少二份专家（副高以上职称）推荐信；4. 个人详细研究计划；5. 学位证书扫描件。【截止日期】本招聘不设截止日期，在申请递交后一个月内回复面试通知，提前录取优秀者。请有意申请者尽早提交申请材料。【联系方式】请有意向的申请人将上述材料电子版发送至：pkuiif@nsd.pku.e.cn（邮件主题：姓名+申请博士后）。北大数字金融研究中心北京大学数字金融研究中心（Institute of Digital Finance, Peking University）成立于2015年，致力于数字金融和金融科技领域的学术与政策研究。中心发布的“北京大学数字普惠金融指数” 成为学术界引用率最高的测度中国数字金融发展程度的指标。中心研究团队获批国家社会科学基金重大项目“数字普惠金融的创新、风险与监管研究”。中心还积极推进国际学术交流与合作，与国际货币基金组织（IMF）、国际清算银行（BIS）和布鲁金斯学会（Brookings）都分别组建了联合课题组就中国数字金融问题展开深入的研究。

新京报快讯（记者 谢莲）当地时间1月9日下午，美国芝加哥市发生连环枪击案，正在芝加哥大学攻读博士学位的中国留学生范轶然不幸遇害。芝加哥大学校长齐默、范轶然所在的布斯商学院院长Madhav Rajan纷纷发文悼念，称范轶然是个非常聪明、有天分、备受身边老师同学喜爱的学生。1月12日，中国驻芝加哥总领馆发文称，对该中国同学不幸遇害深感震惊和痛惜，将继续同当地警方和芝加哥大学校方保持密切联系，为遇害中国学生家属提供必要领事协助。随后，北京大学校友会光华管理学院分会发表声明称，“我们痛失一名优秀的校友，经济金融研究领域失去了一名热爱学术、充满潜力的明日之星！”北大芝加哥校友会前会长林牧对新京报记者表示，芝加哥校方以及校友会已经联系范轶然的父母，正在尽快安排他们赴美，同时为他们申请解除14天的隔离。北大芝加哥校友会成立了治丧小组，正在筹备相关的悼念活动。范轶然在芝加哥大学的导师、诺贝尔经济学奖得主、芝加哥大学经济学教授拉尔斯·彼得·汉森（Lars Peter Hansen）向新京报记者发布了一则悼念声明。汉森称，“轶然是一个很特别的人，我和妻子格蕾丝早在他作为Fama-Miller中心研究人员时就认识他”“对于我来说，和他相识、共同工作是一件很开心的事，我也很开心能够为他的博士项目写推荐信，很开心他能选择参加这个联合的经济金融博士项目”。在声明中，汉森称赞范轶然是“一名优秀的博士生”，刚入学就拿到了Lee Prize，担任助教期间也积极帮助其他同学。在经济金融学术领域，范轶然也颇有研究，生前正在努力完成博士论文，并积极参加宏观经济学和金融学的研究生工作组工作。“我经常说，优秀的研究生学生也是我在学校里最好的工作伙伴。轶然不仅是个优秀的同事，也是一个非常优秀的学生。我们会永远怀念他”。据多名北大、芝大校友介绍，范轶然还是一名话剧爱好者，他已经导演过几部话剧，被身边的朋友们亲切地称为“范导”。芝加哥风车剧社创始人邵远向记者介绍了范轶然在风车剧社的经历。“2015年夏天，风车剧社开始筹备当年冬季的话剧演出，范轶然自告奋勇报名导演萨特的《禁闭》，从此加入了剧社，我也是这样认识了他。当时看到他在北大就有过导演话剧《九人》的经历，而且他还辅修过哲学双学位，跟《禁闭》的哲学主题特别相关，我就对这部戏将会呈现出来的品质特别放心。”“后来排练的过程也印证了我的猜想。范导做事非常认真严谨，每次排练前都会花很长时间仔细想好这段戏要怎么具体呈现，在脑海里就把一切都设计好了。有一次我看到他在台本上写的走位指示是‘三个人站成顶角为150度的钝角等腰三角形’，描述非常精准，给大家留下了深刻的印象。演员向他提出问题，他也总是能给出有理有据、条理分明的回答。”“排戏时认真严谨，排戏之外我们的交流也非常轻松快乐。排练吃后夜宵时听他谈论哲学，一起打牌、唱歌时的嘻嘻哈哈，现在也总能回想起他标志性的笑声，以及笑起来眼睛眯成一条缝的样子。”“《禁闭》演出结束后，我们联系少了一些。听其他朋友说他的博士项目开始以后变得很忙，全身心地投入了学业学术研究当中。后来他没有再来排戏，不过剧社的演出依然是每次必到。我现在仍然记得，他曾经说他很喜欢《建筑师》这部戏，想再当一回导演，只是这个愿望再也没有机会实现了。”新京报记者谢莲编辑张畅 校对 刘军

师生悼念范轶然（芝加哥大学官网）据美国《世界日报》14日报道，中国留美博士范轶然日前在芝加哥遭枪击，不幸身亡。13日其父母抵达芝加哥，并在14日前往儿子生前就读的芝加哥大学，身穿黑色羽绒服出席学校举办的悼念会。数百名师生在雨中举蜡烛默哀，追悼会上，诺奖得主彼得·汉森用中文向范轶然的父母致意。范轶然父母出席追悼会（现场直播视频截图）据报道，悼念会在芝加哥大学校园内举行，参加悼念会的有范轶然的导师何志国（音译）、芝加哥大学校长罗伯特·齐默和2013年诺贝尔奖得主彼得·汉森等。此外，还有数百位师生参与，他们在雨中点燃蜡烛，追悼不幸身亡的范轶然。悼念会中点燃蜡烛（芝加哥大学官网）何志国在追悼会中说道，在与范轶然相处的6年中，他认识的范轶然是一个既有天分有很努力的学生，范轶然在攻读经济金融博士之前曾说过，“一分耕耘，不一定有一份收获，但十分耕耘，一定会有一分收获”。汉森也表示，范轶然是他最好的研究生，他与妻子很早就同范轶然相识了，还曾为他写过博士申请的推荐信。追悼会中，汉森夫妇最后用中文向范轶然的父母致哀，表示“非常遗憾”。据此前报道，9日，美国芝加哥发生连环枪击案，32岁非裔枪手南丁格尔（Jason Nightengale）肆意开枪射击，短短几小时导致3死4伤。在芝加哥大学就读的30岁中国留学生范轶然也不幸遭枪杀，枪手已被警方击毙。据悉，范轶然于2008年进入北京大学光华管理学院攻读本硕，后远赴英美求学深造，在经济学、金融学研究领域深造，博士毕业在即。

师生悼念范轶然（芝加哥大学官网）海外网1月15日电据美国《世界日报》14日报道，中国留美博士范轶然日前在芝加哥遭枪击，不幸身亡。13日其父母抵达芝加哥，并在14日前往儿子生前就读的芝加哥大学，身穿黑色羽绒服出席学校举办的悼念会。数百名师生在雨中举蜡烛默哀，追悼会上，诺奖得主彼得·汉森用中文向范轶然的父母致意。范轶然父母出席追悼会（现场直播视频截图）据报道，悼念会在芝加哥大学校园内举行，参加悼念会的有范轶然的导师何志国（音译）、芝加哥大学校长罗伯特·齐默和2013年诺贝尔奖得主彼得·汉森等。此外，还有数百位师生参与，他们在雨中点燃蜡烛，追悼不幸身亡的范轶然。悼念会中点燃蜡烛（芝加哥大学官网）何志国在追悼会中说道，在与范轶然相处的6年中，他认识的范轶然是一个既有天分有很努力的学生，范轶然在攻读经济金融博士之前曾说过，“一分耕耘，不一定有一份收获，但十分耕耘，一定会有一分收获”。汉森也表示，范轶然是他最好的研究生，他与妻子很早就同范轶然相识了，还曾为他写过博士申请的推荐信。追悼会中，汉森夫妇最后用中文向范轶然的父母致哀，表示“非常遗憾”。据此前报道，9日，美国芝加哥发生连环枪击案，32岁非裔枪手南丁格尔（Jason Nightengale）肆意开枪射击，短短几小时导致3死4伤。在芝加哥大学就读的30岁中国留学生范轶然也不幸遭枪杀，枪手已被警方击毙。据悉，范轶然于2008年进入北京大学光华管理学院攻读本硕，后远赴英美求学深造，在经济学、金融学研究领域深造，博士毕业在即。（海外网 汪晓宇）