没有博士学位

大学老师基本都具有博士学位，无论是什么样的大学基本都是。大学的管理人员有的不是，但这种情况也在改变，我们的重点大学老师都具有非常高的学历，有的更牛气是博士后！有的即使不是博士后，也有很多国外头衔，总之很牛！一、大学老师为什么非得具有博士学位呢？没有不行吗？这个还真不行，因为大学生是本科，是学士学位，教授大学生的老师怎么也得比本科高一级吧！有人说，硕士不行吗？这个也不行，因为大学老师基本都带硕士研究生，怎么也得比硕士高点吧？慢慢地我们的大学老师就都具有博士学位了。其实这都是虚的，只要为了有资格带硕士研究生、博士研究生而已。大学老师的博士学位很多都是后有的，是为了工作需要。大学需要老师具有博士学位，因为这样才能与大学相匹配，至少大学管理层是这样想的。目前就是这样，大学老师基本都具有博士学位，但实际有真水平的还真不是头顶很多头衔的大学老师，不过没办法，没有博士头衔，没有国外大学讲课经历，评正教授职称还评不了。这就是大学老师经常诟病的东西。二、学生能接受不具有博士学位的大学老师吗？这个问题很好回答，大学生并不在乎教自己的老师到底是什么学历，他们更关心老师是不是有真才实学，是不是从老师那能学到真本事。我们大学老师的学历真的很亮眼，可是真有学识的大学老师还真不多，大多没有自己的东西，基本都是前人的研究成果拿来用，讲给学生听，还埋怨学生没有创新，埋怨中小学教育的死板。学生不喜欢没有独到个人观点的大学老师，可偏偏具有独立观点和个人建树的大学老师很少，真正有学问的还不具有海外留学经历，甚至不具有博士学位，因为这些有真本事的人从来不屑于这些虚的东西。我们的大学到底是需要把学生培养成才的老师，还是需要有诸多头衔的老师呢？有人说，二者都需要，可是有些专业不需要呀！比如绘画、电影剪辑等专业，需要具有博士学位的老师来教吗？曾经电影学院招聘剪辑老师，要求具有博士学位，可是真没有会教剪辑的博士呀！剪辑师需要具有博士学位吗？显然不需要，这种无用的头衔什么时候能从大学消失呢？

2020年4月份，年届60周岁的张铁柱教授不再担任山东理工大学校长，学校也即将迎来第五任校长。但没想到的是，这一重要职位的空缺时间竟长达半年之久。近日，山东对几所省属本科院校的正副职领导人选进行了公示，山东理工大学第五任校长人选有望出炉。其中山东理工大学副书记胡兴禹教授和临沂大学副校长张书圣教授有望接任山东理工大学校长职位（详见分析：校长一职已空缺半年有余，山东理工大学的校长为什么那么难选？ ）。山东理工大学2020年11月9日，靴子落地，山东理工大学副书记胡兴禹教授正式出任学校第五任校长。但与学校的前四任校长不同，胡兴禹教授是唯一没有博士学位，也没有省部级人才称号的校长，这也让人思考，为何有此任命？新任校长胡兴禹胡兴禹教授1965年6月出生于山东章丘，现年55周岁。1988年，时年23岁的胡兴禹教授毕业于山东工业大学（今山东大学）工业管理工程专业。胡兴禹教授曾经担任山东管理学院副院长，并于2013年9月至2014年9月挂职齐鲁工业大学副校长。2014年9月，胡兴禹教授的仕途出现重要转折，他被任命为山东理工大学副校长。山东理工大学新任校长胡兴禹教授2016年10月，山东理工大学领导班子迎来新老交替，都光珍教授不再担任学校党委书记，由校长吕传毅教授接任，校长职位则由青岛大学原副校长张铁柱接任。在之后召开的山东理工大学第三次党代会前后，胡兴禹教授由副校长一职出任山东理工大学党委副书记，直至此番被提拔重用。在此次重要会议后，山东理工大学擘画了学校未来五年乃至未来较长一段时期的发展蓝图。提出了学校将在2021年，初步建成有特色、高水平、国内知名的教学研究型大学；在建校80周年（即2036年）左右建成特色鲜明、国内一流的教学研究型大学；在建校100周年（即2056年）左右建成国内一流、国际知名的高水平大学。山东理工大学而在擘画好蓝图之后，山东理工大学上下同欲，坚持有所谓有所不为，在校城深度融合发展、知识产权保护与转化、人才引育培养和内涵式发展等多个方面亮点频出。胡兴禹教授在其中做了大量卓有成效的工作，顺序接任学校校长也是理所当然的事情。如何看待此次任命？山东理工大学前四任校长中，除首任校长由中国工程院主席团成员姚福生院士出任外，其余三位校长都是在山东本土成长起来的。其中第二任校长张新义教授和第三任校长吕传毅教授都是从山东理工大学成长起来的。而第四任校长张铁柱教授则是青岛大学引进的高层次人才，曾任青岛大学副校长。前任校长张铁柱教授而在张铁柱教授由青岛履新淄博之际，时任青岛大学党委书记、校长范跃进教授为张铁柱履新召开了座谈会，对此次任命表达了祝贺：这次选拔铁柱同志到山东理工大学担任校长，是对铁柱同志的肯定，也是对青岛大学工作的肯定，全校上下都为铁柱同志感到高兴，当然还感到不舍。而在此次干部大会上，山东理工大学党委书记吕传毅教授也有类似的表述：这次学校校长和班子成员的调整……是对学校领导班子建设的高度重视和对学校工作的充分肯定。吕传毅教授这说明，山东对山东理工大学的工作是高度认可的，正如四年前对青岛大学工作的认可一样。山东理工大学的发展会怎么样？由于山东理工大学所在的淄博是一个老工业城市，面临着既不是省会，也不是沿海发达城市的窘境。因此与驻济南和驻青岛高校相比，山东理工大学的发展面临着更大的难度。因此，山东理工大学近年来也在大手笔建设青岛研究院，但直到现在还未落地。因此，面临地域制约的山东理工大学要想更好的发展，一个坚强的领导班子是必不可少的。胡兴禹教授胡兴禹教授出任山东理工大学第五任校长，优点是显著的。胡教授自2014年来校，已在山东理工大学工作长达6年，与山东理工大学有感情，对学校的各项事业也比较熟悉。此外，作为学校的副校长和副书记，胡教授是山东理工大学此前各项政策的重要决策者和执行者，政策连续性大，不会出现政策的反复和内耗。因此，相信此次任命是经过反复研究，审慎决定的。相信在新任校长的带领下，山东理工大学的事业会迎来更大的发展！您对此事有何看法？欢迎评论！如果喜欢，一定记得关注本百家号，带给你好看的高校历史和发展现状研究！

1月24日，著名物理学家、中国科学院物理研究所研究员李方华院士辞世，享年88岁。李方华老师是一位在同行中赢得了广泛尊敬的科学家。她不仅学问一流，而且纯粹淡泊，这在今天浮躁的中国科学界显得尤为可贵。李方华先生于1932年出生于中国香港，1950年考入武汉大学物理系，1952年以优异的成绩被保送至前苏联列宁格勒大学物理系学习。1956年学成归国后到中国科学院物理研究所工作，师从著名晶体学家陆学善先生，从事合金结构的X射线衍射研究。上世纪70年代，李方华敏锐地注意到了高分辨电子显微学作为电子显微学的一个新分支学科在国外逐渐发展起来，便投身到相关研究当中。80年代，她提出高分辨电子显微像的衬度理论——赝弱相位物体近似理论，并合作创建了全新的图像处理技术，可成功地运用于小晶体、超导体材料的晶体结构测定和半导体的晶体缺陷测定，还可获得更高的分辨率。上世纪80年代，材料科学家 Dan Shechtman 第一次在电子显微镜下观察到了铝锰合金的准晶结构。李方华的实验室敏锐地捕捉到这项科学突破，迅速开展了关于准晶的研究。1988年，她根据实验现象提出，准晶体与晶体之间存在中间状态。随后，她指导的研究组拍摄到反映准晶体与晶体之间转变过程的一系列电子衍射花样。在此基础上，她借助相位子应变场理论，推导出二十面体准晶体与体心立方晶体相之间的晶体学关系。李方华是我国单晶体电子衍射结构分析的开创者，她发展了高分辨电子显微学和电子晶体学的理论与分析方法。在国际电子显微学界，李方华也是一个令人肃然起敬的名字。“无华足迹，芳华人生”，人们曾用这句话概括她对科学孜孜以求的一生。在李方华先生过世后，她昔日的学生、现任美国加州大学旧金山分校（UCSF）教授、霍华德·休斯医学研究所研究员的程亦凡接受了《返朴》专访，回忆了跟随先生求学的历程，以及先生对自己学术生涯的影响。芳华已逝，但先生对科学的贡献，对后辈的支持，还有她为学为人的纯粹优雅都非常值得我们铭记。李方华 (1932.1.6—2020.1.24)受访人 | 程亦凡采访者 | 乌鸦少年返朴：作为李方华老师的学生，您能讲讲跟随她学习的经历吗？程亦凡：李方华老师是我的博士导师。我是1987年到物理所读博士，开始做李老师的学生，跟随她学习电子显微学和电子晶体学。在我来到物理所之前，李老师已经是电子显微学领域做得最好的几位专家之一了，很有名望，特别是在高分辨电子显微学和图像处理方面。当时人们对于电子显微学中高分辨电子显微像衬度的解释是基于弱相位物体近似理论，但这个理论只有在样品很薄时才成立。李老师引入“赝弱相位”的概念，这样对高分辨电子显微像的衬度解释可拓展到比弱相位物体近似宽容得多的厚度, 从而得以解释高分辨像中轻重原子的衬度反转的现象。另一方面，上世纪八十年代电镜高分辨像受到电镜像差的影响，分辨率不高， 而电子衍射分辨率则不受影响。也许李老师是受先生范海福（参见《从顽皮学生变身院士！他将中国晶体学研究带到新高度》，范海福先生在直接法方面是世界顶尖水平）的影响，她根据衍射分辨率高的特点，将晶体学中的直接法相位外推用于高分辨像，将高分辨像和电子衍射相结合，从而使得普通电镜可以获得将近1埃分辨率的高分辨图像。因为这些成果，李老师当时在高分辨电子显微学领域可以说是数一数二的专家了。我进入物理所后一直在先生的指导下做二十面体准晶结构的研究。1982年的时候，材料科学家 Dan Shechtman 第一次在电子显微镜下观察到了铝锰合金的准晶结构，这个结果直到1984年才发表了出来。当时我正在武汉大学读研究生，因为对准晶结构感兴趣，我进入到了电镜这个领域，在硕士阶段跟随王仁卉老师学习，博士阶段就到物理所跟随李老师继续研究准晶结构，直到1991年毕业。之后我去挪威做了两年的博士后，博士后结束后又回到物理所，在李老师的课题组里待了一年。在我博士毕业之前，李老师已经开始将目光转向生物冷冻电镜方向，开始做一些图像处理方面的工作。等我回到李老师课题组的这一年，她已经花费了很大精力，指导学生对冷冻电镜二维晶体学进行了大量调研。我们以前都不曾注意到冷冻电镜这个领域，但受李老师影响，我们很多同门都跟随着李老师，慢慢开始了解冷冻电镜。等到后来我再去德国做两年博士后，就决定从对准晶的研究转向冷冻电镜了。包括我后来去日本藤吉好则先生实验室做博后，在很多方面都是受到李老师的影响。我在藤吉先生实验室做博后时，一直在做膜蛋白二维晶体的工作。现在回想起来，二维晶体的图像处理方法和李老师用直接法相位外推来提高分辨率的方法很有异曲同工的味道。也许正是因为这种相似性，李老师一直希望将相位外推的方法用到冷冻电镜的二维晶体学中。记得周正红说起过，李老师曾给他提过这样的建议。从李老师组里出来转行做冷冻电镜的有十多个人，像我、徐晨、李雪明、刘骏、何万中，以及后来的一些师弟师妹们，我们同门中很多人都受到了李老师的影响。可能因为大家在实验室里经常听到李老师说起冷冻电镜，所以有勇气去尝试这个新的方向。返朴：李老师对您选择研究方向产生了很大的引导作用，那么在其他方面呢，您还记得一些具体的事情吗？程亦凡：有一件事情我印象很深刻。在我刚进入李老师课题组时，组里已经在做准晶方面的研究了。李老师曾经跟我讲，当时有一个硕士生，叫王黎晨，在我之前一年进到组里，因为李老师当时主要做图像处理，而且已经做得很好了，李老师就安排他做图像处理。但是这个学生告诉她，他对图像处理不感兴趣，觉得图像处理没有什么意思。李老师就有点纳闷，觉得这是花了那么多年做得比较好的工作，怎么会没意思呢。于是她跟这个学生说，那你就自己去找一个更有意思的课题，如果你找到了，就去做那个更有意思的课题，如果没找到，那就还是回来做图像处理。学生找了之后告诉她，自己想做准晶。当时组里还没有人做准晶，但是李老师同意他去做准晶。所以等我到组里的时候，做准晶已经有一段时间了。李老师能够包容学生跟她有不一样的想法，尤其是她当时可以说是已经到了一个功成名就的位置。现在想想，并不是每个人都能做到这一点。当一个人在某个领域已经做出来一些成果的时候，最简单最慎重的方法就是沿着这个方向一直做下去。这时候组里有一个人说，自己不想做这个方向，李老师并没有觉得被冒犯，而是给学生自由去找那个他认为更有意思的课题，结果学生最后真的找到了。对于学生来说，这种探索是很大的挑战，对于导师来说这其实也是挑战，因为她也需要去熟悉一个原本陌生的领域。但是对于实验室来说，结果是非常有益的，因为这会让实验室跳出原来的舒适区，开拓出一个新的研究方向，而导师自己的认识也被扩宽了。我反思自己实验室的几个学生，他们现在做的方向好像都跟我最开始给他们安排的方向不一样。比如我有一个学生，用机器学习的算法做图像处理，这个方向虽然我也感兴趣，但我其实并不了解，让我去做也做不了，这时候如果有一个学生愿意去学习，甚至自己发现这么一个新的领域，那我会很支持他去尝试，去做实验室之前没有做过的东西。现在回想，我之所以愿意给学生这种自由，或许正是因为自己在李老师组里也经历过这样的事情。而且我自己也是这样一个例子。我在硕士阶段做过很多公式推导的工作，来到李老师组里读博的时候，李老师说你理论基础不错，可以去做理论，但是我自己不愿意，我说我对实验更感兴趣，于是她就让我去做实验。后来等我毕业的时候，李老师将实验室的人集合到一起，把我的实验记录当作范例展示给其他人看。这件事情我到现在都还记得。返朴：她看重的是科学本身，而不是自身的权威。程亦凡：是的。学生在博士阶段做的很多工作在毕业之后或许就忘记了，去做别的工作了，但是导师对学生的这种影响往往是很深远的。当时你可能没有意识到这种潜移默化的影响，等到很多年后自己有了实验室，经历同样的事情，才会慢慢体会到导师的影响，明白自己的风格其实在很早的时候就已经形成，自己做事情的习惯在很早就已经养成。尽管后来研究领域不同，做的课题不一样，但这种思维、行为习惯的影响是非常深远的，确实有一种一脉相承的感觉。返朴：李老师带学生还有其他让你印象深刻的地方吗？程亦凡：李老师对学生要求很严格，做得不好的地方该训就训。我自己当年就没少挨先生骂（笑），但是也终身受益。后来李老师跟学生开玩笑时自己也说，她是物理所“四大恶人”之一（笑）。她在物理所是出了名的严格，治学非常严谨。我想从这方面来讲，李老师不输给任何一流科学家。1989年李方华院士（左二）参加博士生答辩会。左三为郭可信院士、左四为李林院士。| 供图：王玉梅返朴：李老师本来做的主要是高分辨电子显微镜，后来她为什么重视起了对冷冻电镜的研究？程亦凡：冷冻电镜其实就是用电子显微镜给蛋白质拍照，具体说就是把蛋白质冷冻在一层很薄的玻璃化的水里，拍摄蛋白质的结构照片。拍摄蛋白质的结构照片的传统方法是让蛋白质结晶，蛋白质结晶以后是有序排列的，比较容易处理。但是有时候蛋白质无法长成晶体，这时候就需要冷冻电镜。冷冻电镜是拍摄各种不同取向的单个颗粒蛋白的二维图像，然后用计算机将这些二维图像结合起来，重构成完整的三维图像。所以对于单颗粒冷冻电镜，很大一部分工作是图像处理。而李老师研究的正是图像处理的理论方法。所以她希望能将这些方法应用到冷冻电镜领域。在冷冻电镜发展早期，在方法学方面做的最好的科学家往往要有很好的数理基础，像因为冷冻电镜技术而获得2017年诺贝尔化学奖的三位科学家，他们本科阶段都是学物理的。返朴：看得出，李老师对前沿非常敏锐。程亦凡：对。那个时候的老先生，像李老师，还有郭可信先生，都在安排人员做冷冻电镜相关的研究。那个时候做冷冻电镜主要是关于二维晶体。当时国内最大的限制是没有仪器设备，李老师主要是从国外同行那里得到一些数据，在方法学方面做一些工作。李老师和郭先生他们的科学眼光促成了当时国内不少学电镜的学生们出国后转到冷冻电镜方向。返朴：既然当时物资匮乏，很多实验设备都没有，国内的科学家会不会感到跟国际同行脱节呢？程亦凡：确实，当时没有什么好的仪器，但是他们会利用自己擅长的思路做出贡献。现在冷冻电镜发展起来了，国内很多实验室做得好，其中的一个重要原因是国内现在的科研投入非常多，有强大的财力支撑，有科研人员的刻苦，加上足够的人力和最好的仪器，而且大的方向已经明确，把握住了机会，是能够做出好的成果来的。但是在那个经费、仪器都受限制的年代，更依赖科学家自身的思路和眼光。科学家需要找出自己独特的方向，结合自己的优势，做别人做不了的事情。李老师的思路就非常清楚，她对图像处理非常熟悉，所以希望把图像处理的方法应用到冷冻电镜这边来。李老师一直希望能够在物理所开展冷冻电镜方面的研究。她的想法是，物理所有自己独特的优势，很多人有图像处理的基础，对电子光学很熟悉，超过大部分做冷冻电镜的人，所以她希望能够将物理的方法应用到生物电镜的图像处理，做自己特色的工作。不是跟在别人后面，做别人已经做过的东西，而是在方法学上面做出自己独特的贡献。现在想想，我确实很佩服这一代科学家。我在博士阶段曾经有段时间对物理失去了兴趣，因为觉得物理学的辉煌时期是上世纪的20年代，我们从课本上学到的都是50多年前的知识，好像没有新东西可以做了。但是80年代发现准晶之后，像郭先生、李老师他们都能很敏锐地抓住这些新的突破，而且当时他们工作的分量是世界一流的，在同行中是深受认可的。大概2017年的时候，我回物理所，去医院看望李老师，和她谈到冷冻电镜方面的话题，她从病床上一下子坐了起来，思路清晰地和我谈了近一个小时关于冷冻电镜方面的一些安排和想法，她非常关心这个领域。现在物理所已经购买了大型的冷冻电镜设备，不久之后应该就可以投入使用了，很遗憾李老师没有等到这一天。返朴：确实是很遗憾，她一直这么关心这个领域。您博士毕业之后跟李老师仍然有很多联系吗？程亦凡：是的，尤其是在做冷冻电镜以后。2008年我回国看望李老师，当时她心脏有些不好，我看到她时非常吃惊的是，她会自己去试药物的剂量，把这个药加一点，那个药减一点，最后找到一个最合适的比例，就像是做实验一样。返朴：把科学精神发挥到了生活当中。感觉那一代科学家真是非常纯粹，专注于科学研究，也不太看重其他方面，比如职称、待遇之类。程亦凡：这可能是因为那时候的评价体系跟现在不太一样，那时候更看重一个科学家的学术影响和工作的原创性。李老师1993年当选中科院院士，我印象中她的工作没有发表在Nature、Science上的，但是很多工作是深受同行认可的，一篇介绍这个领域的综述是没法跳过去的。那个时候大家比较看重做出一项拿得出手的工作，好像不太追求发表文章的数量，也不知道期刊的影响因子，就是把文章发表在最适合的期刊上，比如说物理领域最看重的是《物理评论快报》（PRL）这类杂志。1993年李方华（前排居中）当选为中国科学院院士，与实验室人员合影留念。| 供图：王玉梅李老师一生的经历比较奇特。她没有获得过博士学位。她在1950年解放初期进入武汉大学物理系学习，1952年被保送到前苏联列宁格勒大学物理系，1956年回国就到物理所工作，跟随陆学善先生做研究。现在看来，就相当于获得了本科学位，到物理所做一个工作人员，但实际上是相当于跟着陆先生读研究生。在苏联列宁格勒大学物理系读书时，李方华（右二）与同学合影。| 供图：王玉梅1956年，李方华（右一）与陆学善（左一）先生一起工作。| 供图：王玉梅上世纪70年代末刚刚改革开放的时候，中日关系和解，前国际电镜学会主席、日本科学家桥本初次郎等人来到中国讲学，待了好几个月时间。李老师很早就对电子显微镜感兴趣，后来跟随桥本先生到日本待了大概半年时间，相当于访问学者。桥本先生非常欣赏她，多次建议她到日本学习一两年，拿个博士学位。但李老师觉得只为拿学位是浪费时间，没必要，她说自己都已经带出了好几个博士了（笑）。所以她对这些事情看得很淡，在那个特殊的年代，她实际上早已经是电镜领域的一代宗师了。他们那一代科学家更注重的是在科学上做成事情，不是很看重学位这些东西。2004年，李方华（左）、桥本初次郎（中）与郭可信（右）合影。| 供图：王玉梅返朴：听说李老师的优雅在物理所非常有名。物理所有一面院士墙，墙上有许多物理学家的照片，但是女性很少。您觉得李老师作为一名女科学家，她的风格跟男科学家相比有什么不一样的地方吗？程亦凡：完全没有，我觉得在 intellectual 层面上的交流完全没有不同。现在美国很多高校都强调多样化，比如对女性科学家的支持。因为我的导师就是女性，所以我自己一直觉得女性可以做科学家是理所当然的事情，像物理所除了李方华老师是女性之外，还有李林院士。但是现在回想起来，李方华老师能够坚持科研工作一定是非常不容易，因为我想，要做出同样水准的工作，女性由于通常要花更多的时间来照管家庭，她的付出一定是比男性多得多。有时候也有人问，李老师是不是不管家里的事？其实不是。她有两个孩子，在我读博的时候，他的儿子在读高中，她实际上每天回家做饭，照顾孩子。当时物资比较匮乏，她会给孩子织毛衣，别的母亲做的她都做。她的先生范海福院士后来得了脊柱血管瘤，也无法做家务，所以她在家里要花费很多精力。但是作为学生，我们从来没有觉得李老师对我们的付出就少了。因此我认为她留给自己的时间大概就很少了，她是牺牲了自己的时间，很不容易。她2003年获得世界杰出女科学家成就奖，我觉得她完全 deserve it！特 别 提 示1. 进入『返朴』微信公众号底部菜单“精品专栏“，可查阅不同主题系列科普文章。2. 『返朴』开通了按月检索文章功能。关注公众号，回复四位数组成的年份+月份，如“1903”，可获取2019年3月的文章索引，以此类推。版权说明：欢迎个人转发，任何形式的媒体或机构未经授权，不得转载和摘编。转载授权请在「返朴」微信公众号内联系后台。《返朴》，科学家领航的好科普。国际著名物理学家文小刚与生物学家颜宁共同出任总编辑，与数十位不同领域一流学者组成的编委会一起，与你共同求索。

在上小学的时候，我们的老师总是会问我们一个很重要的问题，那就是我们的梦想是什么，还记得那时我们有很多的学生的梦想成为一名科学家，原因也是因为想为祖国的发展做贡献，而随着时间的推移，我们也慢慢的长大，但同时我们的梦想也改变了，因为我们开始了追求学历，本科、硕士、博士，似乎我们都认为学历越高才能够取得更伟大的成绩，尤其我们都觉得博士学位的人一定是非常有能力的，能够胜任非常艰难的工作。而今天我们要介绍一位伟大的科学家，她几十年如一日的工作在科研一线，为世界医学做出突出的贡献，而她却被称之为“三无科学家”，原来是因为他无博士学位，无留洋背景，无院士头衔，可是就是这样的一位看似很普通的科学家，却在2015年获得了诺贝尔医学奖，消息一出令全国网友所激动，这是中国为数不多的又一位诺贝尔奖得主。可是，这一时间我们也在反思这样一件事情，我们那些曾经很仰慕的院士怎么就没有获得诺贝尔奖呢？难道真的是如很多网友所说的那样是因为没有能力吗？或许这样的结论是很无端的，毕竟诺贝尔奖是一个长期的评定过程，需要更多的时间来证明。但是对于我们所熟知的“三无科学家”，我们最敬爱的屠呦呦女士，她能取得这样的荣誉是自己的努力也是团队的努力，从1969年开始到2019年，50年的时间中将自己的精力和时间都放在了科研工作中，相继研制出了青蒿抗疟、青蒿素、双氢青蒿素、青蒿素抗药性的切实可行治疗方案。而这些成就的取得或许正是因为她的笃定，她的自信以及对科研工作的极度认真，只是当我们去了解这位科学家的时候，我们保持了几十年的传统观念总是会被打破，虽然没有博士学位，但却是硕士研究生导师和博士研究生导师，虽然没有很强势的头衔，可是她的研究成果足以证明其价值，那些头衔的光芒似乎也黯然不少。于是我们很多的网友都认为虽然屠呦呦没有很多的头衔，但是她的贡献是很多所谓学术大咖和院士所难以抵达的，而在近一段时间其更被授予了“共和国胸章”，可谓是实至名归，但是她的脚步并没有因此而停下，依然工作在科研的一线。总之，当我们了解了这位“三无科学家”，相信我们都会为之而震撼，或许我们更会觉得其是平民科学家，但是她的成就又令我们觉得她是那么的伟大，又会觉得这才是值得我们学习的科学家，这才是我们当初所梦想的科学家，所以希望我们每一个科研一线的工作者能够继续努力不断创新。

由于翟天临事件在学术界掀起的轩然大波，引发了很多学术机构对于往届毕业生的调查，这其中难免发现一些毕业生的学位取得的不合格，当学术机构在审查的过程中发现这些不合格的时候，所采取的措施还是非常的严苛的。这不最近中科院就发布公告，公告显示将一名在中科院任职的教授的博士学位取消了，而且这名教授还是博士后，结果现在自己的博士学位被取消了。不过中科院对于这名教授的学位取消，并没有做出过多解释，只表明该教授博士学位不符合学位标准，这种解释引发了外界许多猜测。外界猜测的原因主要还是在于这名被取消了博士学位的教授本身在该学术领域目前所拥有的成就和地位非常高。这名被取消了博士学院的教授名叫祝卓宏，在取消博士学位之前，是中国科学院心理研究所教授、博士后导师，除了在中国科学院任职之外，该人还是我国国家公务员心理健康应用研究中心主任，中央国家机关职工心理健康咨询中心主任，就职位来说，该人已经位居要职，在这种时候取消了博士学位还是比较意外的。除了上述任职之外，该人在心理学领域还有诸多的荣誉，比如是健康中国（2018）年度十大人物，也是诸多心理学会的委员以及理事等，可以说在心理学届，此人是任职颇多，荣誉颇多，在行业内的知名度相当之高，在现如今忽然被取消了博士学位，业内业外都还是有点看不懂，而且中科院的这一通知以及后续媒体跟进求证的时候，都没有问出个具体的原因来，就让这名教授的博士学位被取消，更加的扑朔迷离。当然这名教授的博士学位被取消，也引发了很多业内人士的讨论和猜测，一部分人猜测是因为他在读博的时候没有发小论文导致的。目前的博士学位的获得，除了要学位论文通过答辩和审核之外，还需要再就读期间发表一定数量的小论文，这样才可以获得准予毕业的资格，据悉这名教授当时在读博期间是去支援汶川大地震的救援了，所以当时他没有发表小论文，被中科院内部特批毕业拿到学位证的。不过这种说法也只是一个猜测，具体的原因中科院内部也没有明说，不过目前看来这个说法还是比较站得住脚的，这也引发了人们对于当代我国博士毕业必须要的一些要求的热议，在很多国家，博士毕业是没有这么多的要求的，只要毕业论文答辩通过即可，但是在我国，博士生想要拿到博士学位，就需要发表一定数量的小论文，部分高校甚至还要求小论文必须在世界核心期刊上发表才作数，有很多博士因为这种超高的要求不能毕业。目前这名教授被取消了博士学位，就引发了一系列的问题，一个就是该教授的职业和岗位会不会受到这个问题的影响，毕竟取消了博士学位的话，似乎继续当博士后导师的可能性就非常低了，并且就目前的一系列任职会不会影响，也是非常有争议的，毕竟部分岗位确实还需要一定的学历要求才可以。另外一个就是这名教授被取消的学位，能不能通过一定的方式来补救重新拿回来，如果只是小论文没有发表的话，能不能通过补发的方式，让自己的学位重新拿回来，这都是比较让外界关心的，当然对于外界而言，中科院如果能够公布具体的原因，让外界知晓具体取消的原因的话，是最好的结果，这样也会让很多人对于这一处理结果更加的认同。

全世界只有1/100000的人关注并置顶了我正文共：1923 字 7 图预计阅读时间：5 分钟不知道什么时候开始，发一条朋友圈，都要很高的门槛，比方说：弄清楚霍金研究的到底是什么。昨天中午开始，朋友圈“刷屏式”地出现悼念霍金的文字，仿佛这种合理到完全不需要谁来规范的行为，在一些人眼中，都是错误的。昨天晚上，金星老师在微博上说了这样一句话：“今天不少人在朋友圈转发霍金，其实也就是悼念“霍金”的名字装个“文化人”而已，其实霍金是研究什么的根本就不知道，甚至连他的名字的英文全拼都不知道，太假了。”突然就觉得，金星老师真的很严格，悼念的门槛真的很高。昨天中午刚得知霍金去世的时候，心里就一阵不舒服，虽然他离我很远，仿佛就是大家说的那样，“他本是星辰”。有可能大伙儿跟我一样，对霍金的学说也就是一知半解，但是一位伟人去世，大家发文悼念，本就是最正常不过的事。人之常情而已，为什么还要互相鄙视？霍金其人，他的英文全拼或许大家不知道，他的学说、他的研究大家不能完全理解也正常。但是小学课本上就出现过写他的文章。至少我们知道，这个人是科学巨人，但是全身瘫痪，至少我们知道他为人类做出了巨大的贡献，至少我们知道我们应该向他致敬。所以悼念，本就是正常行为。我跟霍金不熟，跟爱因斯坦也不熟，跟马克思更不熟，但是我们今天的生活跟他们的贡献息息相关，不熟不影响我们尊敬他们。不过，按金星老师所说，我们这些悼念的人太假了。都是在“蹭热度”，你装什么清高？再次证明了，朋友圈就是个鄙视链。每当伟人去世的时候，我朋友圈就像在出殡 昨天偶然间看了这篇文章，我真的是觉得自己浪费了宝贵的青春。如果按照这种鄙视链发展的话，就会出现这样的情况：你连屈原的《离骚》都背不下来，凭什么要过端午节？你连五一劳动节怎么来的都不知道，凭什么让国家给你放假？你连人体生命科学都不了解，你凭什么活着？跟这种喜欢抬杠的人（杠精），真的没必要交流。这种“鄙视链”让我觉得很莫名其妙。发朋友圈是一种习惯，就像有的人喜欢发，有的人不喜欢，本来就没有什么尊卑之分。让我觉得就是，有的人的奴性已经根深蒂固了，所以才会觉得：所有的不同，都是由尊卑决定的。很多人自我中心意识太强，总觉得这个社会上得分出来“主子”和“奴才”，反正我的选择就是我是“主子”，你跟我不一样，你就是“奴才”。普通人悼念科学家，就有人会说：“他研究的东西都不知道，你装什么劲儿？”普通人悼念去世的艺人，也有人说：“将军坟头无人问，戏子家事天下知。”做普通人真难。朗朗乾坤，谁还不是俗人一个？过年期间刷屏朋友圈的一张图：“据说转发这张图片会把妈妈身上所有的疾病都带走”，也是引起了网友们的“众嘲”。这么一看网友也是挺闲的。有人说：多帮你妈洗洗碗比什么都强。“博学的人”说：这是地藏菩萨，再转发给你们妈妈都带走。我仿佛明白了点儿什么。有的人不仅鄙视别人的所作所为，还会时不时的充当“博学的人”，来让自己的“鄙视”变得更加强有力。其实转发这幅图和平时转发的“锦鲤”一样，都只是求祝福罢了。凭什么你考试之前转发锦鲤，就有情可原，我迷信一下，转发保我妈平安的图片，就是无知？？？另外，人家创作者都说了，这根本就不是什么“地藏菩萨”，只是她参照释迦牟尼画的，你装什么狗屁“公知”。大家都挺忙的，你就别diss我了好吗？其实，真正令我反感的，是有些人无缘无故的优越感。看传统文学的瞧不起看网络小说的，看日漫的瞧不起国产动画的；看美剧的瞧不起看港片的。985的瞧不起211的，211的瞧不起普通本科的。摇滚瞧不起民谣，民谣看不惯流行，流行又瞧不起摇滚。用iPhone的瞧不起用华为的，用华为的瞧不起oppo和vivo的……只要人不死绝，鄙视链就不会消失。因为：有的人基本上不存在不靠鄙视链支撑的自信和满足。自己的人生活不成样子，所以才会想尽办法鄙视别人，来营造一种“我最牛”的“自以为是”的心态。我又不活在你的“鄙视链”上，你就别煞费苦心地给自己加戏了。还是那句话：我觉得有些人需要明白一件事，别人整容、不整容、化浓妆、不化妆、结婚或者不结婚、生孩子或者丁克、同性恋或者无性恋、追星不追星、长得丑、p图、胖或瘦。都跟你没有任何关系。你尊重我，我也尊重你。你diss我，我才会diss你。以后遇上“杠精”，你就回他一个“哦”。例如这样：“你悼念霍金，你在装逼”“哦。”如果他还死缠烂打，你就告诉我。以后被人怼了，别害怕，上微博找我，我微博名改成了：还是那个祝一我是祝一20岁往期阅读：20岁到来的一篇札记如果没有自媒体，我们会不会活得更真实？别让风华正茂，败给“丧”字当头你的梦想是稳定？你俗不俗啊！不打扰，是最后的成全。

机器之心原创作者：吴攀、李亚洲当地时间 3 月 8 日-10 日，Google Cloud NEXT '17 大会在美国旧金山举行。谷歌在本次大会上正式宣布了对数据科学社区 Kaggle 的收购并宣布了多个重量级云 API。机器之心作为受邀媒体也在第一时间从现场发回了报道：《现场直击 | 李飞飞首度亮相谷歌云大会：发布全新 API，解读 AI 民主化》和《现场直击 | 谷歌云大会最后一天解读开放性：从 TensorFlow 开源到开放云平台》。而作为开发者，最关心的则莫过于本次大会中各种更加详细和专一的教程。比如在大会的三天，谷歌的开发者代表 Martin Grner 分两部分进行了主题为「没有博士学位玩转 TensorFlow 和深度学习（TensorFlow and Deep Learning without a PhD）」的详细讲解。在这篇文章中，机器之心对其中的重点内容进行了梳理。主题介绍：使用 TensorFlow，可以将深度机器学习从一个研究领域转变成一个主流的软件工程方法。在这个视频中，Martin Grner 演示了如何构建和训练一个用于识别手写数字的神经网络。在这个过程中，他将描述一些在神经网络设计中所使用的权衡技巧，最后他将使得其模型的识别准确度超过 99%。本教程的内容适用于各种水平的软件开发者。即使是经验丰富的机器学习爱好者，本视频也能通过卷积网络等已知的模型来带你了解 TensorFlow。这是一个技术密集的视频，是为想要快速上手机器学习的初学者而设计的。本教程将以如何进行手写数字识别为例进行讲解。首先，Gorner 给出了一个非常简单的可以分类数字的模型：softmax 分类。对于一张 28×28 像素的数字图像，其共有 784 个像素（MNIST 的情况）。将它们进行分类的最简单的方法就是使用 784 个像素作为单层神经网络的输入。神经网络中的每个「神经元」对其所有的输入进行加权求和，并添加一个被称为「偏置（bias）」的常数，然后通过一些非线性激活函数（softmax 是其中之一）来反馈结果。为了将数字分为 10 类（0 到 9），需要设计一个具有 10 个输出神经元的单层神经网络。对于分类问题，softmax 是一个不错的激活函数。通过取每个元素的指数，然后归一化向量（使用任意的范数（norm，L1 或 L2），比如向量的普通欧几里得距离）从而将 softmax 应用于向量。那么为什么「softmax」会被称为 softmax 呢？指数是一种骤增的函数。这将加大向量中每个元素的差异。它也会迅速地产生一个巨大的值。然后，当进行向量的标准化时，支配范数（norm）的最大的元素将会被标准化为一个接近 1 的数字，其他的元素将会被一个较大的值分割并被标准化为一个接近 0 的数字。所得到的向量清楚地显示出了哪个是其最大的值，即「max」，但是却又保留了其值的原始的相对排列顺序，因此即为「soft」。我们现在将使用矩阵乘法将这个单层的神经元的行为总结进一个简单的公式当中。让我们直接这样做：100 个图像的「mini-batch」作为输入，产生 100 个预测（10 元素向量）作为输出。使用加权矩阵 W 的第一列权重，我们计算第一个图像所有像素的加权和。该和对应于第一神经元。使用第二列权重，我们对第二个神经元进行同样的操作，直到第 10 个神经元。然后，我们可以对剩余的 99 个图像重复操作。如果我们把一个包含 100 个图像的矩阵称为 X，那么我们的 10 个神经元在这 100 张图像上的加权和就是简单的 X.W（矩阵乘法）。每一个神经元都必须添加其偏置（一个常数）。因为我们有 10 个神经元，我们同样拥有 10 个偏置常数。我们将这个 10 个值的向量称为 b。它必须被添加到先前计算的矩阵中的每一行当中。使用一个称为「broadcast」的魔法，我们将会用一个简单的加号写出它。是 Python 和 numpy（Python 的科学计算库）的一个标准技巧。它扩展了对不兼容维度的矩阵进行正常操作的方式。「Broadcasting add」意味着「如果你因为两个矩阵维度不同的原因而不能将其相加，那么你可以根据需要尝试复制一个小的矩阵使其工作。」我们最终应用 softmax 激活函数并且得到一个描述单层神经网络的公式，并将其应用于 100 张图像：在 TensorFlow 中则写成这样：接下来我们需要训练神经网络来自己找到我们所需要的权重和偏置。接下来，Gorner 介绍了如何对神经网络进行训练。要让神经网络从输入图像中产生预测，我们需要知道它们可以做到什么样的程度，即在我们知道的事实和网络的预测之间到底有多大的距离。请记住，我们对于这个数据集中的所有图像都有一个真实的标签。任何一种定义的距离都可以进行这样的操作，普通欧几里得距离是可以的，但是对于分类问题，被称为「交叉熵（cross-entropy）」的距离更加有效。交叉熵是一个关于权重、偏置、训练图像的像素和其已知标签的函数。这里用到了 one-hot 编码。「one-hot」编码意味着你使用一个 10 个值的向量，其中除了第 6 个值为 1 以外的所有值都是 0。这非常方便，因为这样的格式和我们神经网络预测输出的格式非常相似，同时它也作为一个 10 值的向量。在这里可视化演示了这个动态过程（参见视频）。准确度（左上图）：这个准确度只是正确识别的数字的百分比，是在训练和测试集上计算出的。如果训练顺利，它便会上升。交叉熵损失（中上图）：为了驱动训练，需要定义损失函数，即一个展示出系统数字识别能力有多糟的值，并且系统会尽力将其最小化。损失函数（loss function，此处为「交叉熵」）的选择稍后会做出解释。你会看到，随着训练的进行，训练和测试数据的损失会减少，而这个现象是好的，意味着神经网络正在学习。X 轴表示了学习过程中的迭代。权重（左下图）和偏置（中下图）：说明了内部变量所取的所有值的扩展，即随训练进行而变化的权重和偏置。比如偏置从 0 开始，且最终得到的值大致均匀地分布在-1.5 和 1.5 之间。如果系统不能很好地收敛，那么这些图可能有用。倘若你发现权重和偏差扩展到上百或上千，那么就可能有问题了。训练数字（右上图）：训练数字每次 100 个被送入训练回路；也可以看到当前训练状态下的神经网络是已将数字正确识别（白色背景）还是误分类（红色背景，左侧印有正确的标示，每个数字右侧印有计算错误的标示）。此数据集中有 50,000 个训练数字。我们在每次迭代（iteration）中将 100 个数字送入训练循环中，因此系统将在 500 次迭代之后看到所有训练数字一次。我们称之为一个「epoch」。测试数字（右下图）：为了测试在现实条件下的识别质量，我们必须使用系统在训练期间从未看过的数字。否则，它可能记住了所有的训练数字，却仍无法识别我刚才写的「8」。MNIST 数据集包含了 10,000 个测试数字。此处你能看到每个数字对应的大约 1000 种书写形式，其中所有错误识别的数字列在顶部（有红色背景）。左边的刻度会给你一个粗略的分辨率精确度（正确识别的百分比）。「训练」一个神经网络实际上就是使用训练图像和标签来调整权重和偏置，以便最小化交叉熵损失函数。那么我们在 TensorFlow 中如何实现它呢？我们首先定义 TensorFlow 的变量和占位符（placeholder），即权重和偏置。占位符是在训练期间填充实际数据的参数，通常是训练图像。持有训练图像的张量的形式是 [None, 28, 28, 1]，其中的参数代表：28, 28, 1: 图像是 28x28 每像素 x 1（灰度）。最后一个数字对于彩色图像是 3 但在这里并非是必须的。None: 这是代表图像在小批量（mini-batch）中的数量。在训练时可以得到。接下来是定义模型：第一行是我们单层神经网络的模型。公式是我们在前面的理论部分建立的。tf.reshape 命令将我们的 28×28 的图像转化成 784 个像素的单向量。在 reshape 中的「-1」意味着「计算机，计算出来，这只有一种可能」。在实际当中，这会是图像在小批次（mini-batch）中的数量。然后，我们需要一个额外的占位符用于训练标签，这些标签与训练图像一起被提供。现在我们有了模型预测和正确的标签，所以我们计算交叉熵。tf.rece_sum 是对向量的所有元素求和。最后两行计算了正确识别数字的百分比。才是 TensorFlow 发挥它力量的地方。你选择一个适应器（optimiser，有许多可供选择）并且用它最小化交叉熵损失。在这一步中，TensorFlow 计算相对于所有权重和所有偏置（梯度）的损失函数的偏导数。这是一个形式衍生（formal derivation），并非是一个耗时的数值型衍生。梯度然后被用来更新权重和偏置。学习率为 0.003。那么梯度和学习率是什么呢？梯度：如果我们相对于所有的权重和所有的偏置计算交叉熵的偏导数，我们就得到一个对于给定图像、标签和当前权重和偏置的「梯度」。请记住，我们有 7850 个权重和偏置，所以计算梯度需要大量的工作。幸运的是，TensorFlow 可以来帮我们做这项工作。梯度的数学意义在于它指向「上（up）」。因为我们想要到达一个交叉熵低的地方，那么我们就去向相反的方向。我们用一小部分的梯度更新权重和偏置并且使用下一批训练图像再次做同样的事情。我们希望的是，这可以使我们到达交叉熵最小的凹点的低部。梯度下降算法遵循着一个最陡的坡度下降到局部最小值的路径。训练图像在每一次迭代中同样会被改变，这使得我们向着一个适用于所有图像的局部最小值收敛。学习率（learning rate）： 在整个梯度的长度上，你不能在每一次迭代的时候都对权重和偏置进行更新。这就会像是你穿着七里靴却试图到达一个山谷的底部。你会直接从山谷的一边到达另一边。为了到达底部，你需要一些更小的步伐，即只使用梯度的一部分，通常在 1/1000 区域中。我们称这个部分为「学习率」。接下来该运行训练循环了。到目前为止，所有的 TensorFlow 指令都在内存中准备了一个计算图，但是还未进行计算。TensorFlow 的「延迟执行（deferred execution）」模型：TensorFlow 是为分布式计算构建的。它必须知道你要计算的是什么、你的执行图（execution graph），然后才开始发送计算任务到各种计算机。这就是为什么它有一个延迟执行模型，你首先使用 TensorFlow 函数在内存中创造一个计算图，然后启动一个执行 Session 并且使用 Session.run 执行实际计算任务。在此时，图无法被更改。由于这个模型，TensorFlow 接管了分布式运算的大量运筹。例如，假如你指示它在计算机 1 上运行计算的一部分，而在计算机 2 上运行另一部分，它可以自动进行必要的数据传输。计算需要将实际数据反馈进你在 TensorFlow 代码中定义的占位符。这是以 Python 的 dictionary 的形式给出的，其中的键是占位符的名称。在这里执行的 train_step 是当我们要求 TensorFlow 最小化交叉熵时获得的。这是计算梯度和更新权重和偏置的步骤。最终，我们还需要一些值来显示，以便我们可以追踪我们模型的性能。通过在馈送 dictionary 中提供测试而不是训练数据，可以对测试数据进行同样的计算（例如每 100 次迭代计算一次。有 10,000 个测试数字，所以会耗费 CPU 一些时间）。最后一行代码用于在训练回路中计算准确度和交叉熵（例如每 10 次迭代）。下面是所有代码：这个简单的模型已经能识别 92% 的数字了。但这个准确度还不够好，但是你现在要显著地改善它。怎么做呢？深度学习就是要深，要更多的层！让我们来试试 5 个全连接层。我们继续用 softmax 来作为最后一层的激活函数，这也是为什么在分类这个问题上它性能优异的原因。但在中间层，我们要使用最经典的激活函数：sigmoid 函数。下面开始写代码。为了增加一个层，你需要为中间层增加一个额外的权重矩阵和一个额外的偏置向量：这样增加多个层：但 sigmoid 不是全能的。在深度网络里，sigmoid 激活函数也能带来很多问题。它把所有的值都挤到了 0 到 1 之间，而且当你重复做的时候，神经元的输出和它们的梯度都归零了。修正线性单元（ReLU）也是一种很常使用的激活函数：对比一下在 300 次迭代时 sigmoid 函数（浅色线）和 ReLU（深色线）的效果，可以看到 ReLU 在准确度和交叉熵损失上的表现都显著更好。用 ReLU 替换你所有的 sigmoid，然后你会得到一个更快的初始收敛并且当我们继续增加层的时候也避免了一些后续问题的产生。仅仅在代码中简单地用 tf.nn.relu 来替换 tf.nn.sigmoid 就可以了。但收敛过快也有问题：这些曲线很嘈杂，看看测试精确度吧：它在全百分比范围内跳上跳下。这意味着即使 0.003 的学习率我们还是太快了。但我们不能仅仅将学习率除以十或者永远不停地做训练。一个好的解决方案是开始很快随后将学习速率指数级衰减至比如说 0.0001。这个小改变的影响是惊人的。你会看到大部分的噪声消失了并且测试精确度持续稳定在 98% 以上。再看看训练精确度曲线。在好多个 epoch 里都达到了 100%（一个 epoch=500 次迭代=全部训练图片训练一次）。第一次我们能很好地识别训练图片了。但右边的图是什么情况？在数千次迭代之后，测试和训练数据的交叉熵曲线开始不相连。学习算法只是在训练数据上做工作并相应地优化训练的交叉熵。它再也看不到测试数据了，所以这一点也不奇怪：过了一会儿它的工作不再对测试交叉熵产生任何影响，交叉熵停止了下降，有时甚至反弹回来。它不会立刻影响你模型对于真实世界的识别能力，但是它会使你运行的众多迭代毫无用处，而且这基本上是一个信号——告诉我们训练已经不能再为模型提供进一步改进了。这种情况通常会被称为「过拟合（overfitting）」。为了解决这个问题，你可以尝试采用一种规范化（regularization）技术，称之为「dropout」。在 dropout 里，在每一次训练迭代的时候，你可以从网络中随机地放弃一些神经元。你可以选择一个使神经元继续保留的概率 pkeep，通常是 50% 到 75% 之间，然后在每一次训练的迭代时，随机地把一些神经元连同它们的权重和偏置一起去掉。在一次迭代里，不同的神经元可以被一起去掉（而且你也同样需要等比例地促进剩余神经元的输出，以确保下一层的激活不会移动）。当测试你神经网络性能的时候，你再把所有的神经元都装回来 (pkeep=1)。TensorFlow 提供一个 dropout 函数可以用在一层神经网络的输出上。它随机地清零一些输出并且把剩下的提升 1/pkeep。你可以在网络中每个中间层以后插入 dropout。下面我们集中看一下改进的情况。当使用 sigmoid 函数，学习率为 0.003 时：然后使用 ReLU 替代 sigmoid：然后再将学习率衰减到 0.0001：增加 dropout：解决了过拟合，准确度达到了 98%，但是噪声又回来了。看起来无论我们做什么，我们看上去都不可能很显著地解决 98% 的障碍，而且我们的损失曲线依然显示「过拟合」无法连接。什么是真正的「过拟合」？过拟合发生在该神经网络学得「不好」的时候，在这种情况下该神经网络对于训练样本做得很好，对真实场景却并不是很好。有一些像 dropout 一样的规范化技术能够迫使它学习得更好，不过过拟合还有更深层的原因。基本的过拟合发生在一个神经网络针对手头的问题有太多的自由度的时候。想象一下我们有如此多的神经元以至于所组成的网络可以存储我们所有的训练图像并依靠特征匹配来识别它们。它会在真实世界的数据里迷失。一个神经网络必须有某种程度上的约束以使它能够归纳推理它在学习中所学到的东西。如果你只有很少的训练数据，甚至一个很小的网络都能够用心学习它。一般来说，你总是需要很多数据来训练神经网络。最后，如果你已经做完了所有的步骤，包括实验了不同大小的网络以确保它的自由度已经约束好了、采用了 dropout、并且训练了大量的数据，你可能会发现你还是被卡在了当前的性能层次上再也上不去了。这说明你的神经网络在它当前的形态下已经无法从你提供的数据中抽取到更多的信息了，就像我们这个例子这样。还记得我们如何使用我们的图像吗？是所有的像素都展平到一个向量里么？这是一个很糟糕的想法。手写的数字是由一个个形状组成的，当我们把像素展平后我们会丢掉这些形状信息。不过，有一种神经网络可以利用这些形状信息：卷积网络（convolutional network）。让我们来试试。在卷积网络层中，一个「神经元」仅对该图像上的一个小部分的像素求加权和。然后，它通常会添加一个偏置单元，并且将得到的加权和传递给激活函数。与全连接网络相比，其最大的区别在于卷积网络的每个神经元重复使用相同的权重，而不是每个神经元都有自己的权重。在上图中，你可以看到通过连续修改图片上两个方向的权重（卷积），能够获得与图片上的像素点数量相同的输出值（尽管在边缘处需要填充（padding））。要产生一个输出值平面，我们使用了一张 4x4 大小的彩色图片作为出输入。在上图当中，我们需要 4x4x3=48 个权重，这还不够，为了增加更多自由度，我们还需要选取不同组的权重值重复实验。通过向权重张量添加一个维度，能够将两组或更多组的权重重写为一组权重，这样就给出了一个卷积层的权重张量的通用实现。由于输入、输出通道的数量都是参数，我们可以开始堆叠式（stacking）和链式（chaining）的卷积层。最后，我们需要提取信息。在最后一层中，我们仅仅想使用 10 个神经元来分类 0-9 十个不同的数字。传统上，这是通过「最大池化（max-pooling）」层来完成的。即使今天有许多更简单的方法能够实现这分类任务，但是，「最大池化」能够帮助我们直觉地理解卷积神经网络是怎么工作的。如果你认为在训练的过程中，我们的小块权重会发展成能够过滤基本形状（水平线、垂直线或曲线等）的过滤器（filter），那么，提取有用信息的方式就是识别输出层中哪种形状具有最大的强度。实际上，在最大池化层中，神经元的输出是在 2x2 的分组中被处理，最后仅仅保留输出最大强度的神经元。这里有一种更简单的方法：如果你是以一步两个像素移动图片上的滑块而不是以每步一个像素地移动图片上的滑块。这种方法就是有效的，今天的卷积网络仅仅使用了卷积层。让我们建立一个用于手写数字识别的卷积网络。在顶部，我们将使用 3 个卷积层；在底部，我们使用传统的 softmax 读出层，并将它们用完全连接层连接。注意，第二与第三卷积层神经元数量以 2x2 为倍数减少，这就解释了为什么它们的输出值从 28x28 减少为 14x14，然后再到 7x7。卷积层的大小变化使神经元的数量在每层下降约为：28x28x14≈3000->14x14x8≈1500 → 7x7x12≈500 → 200。下一节中，我们将给出该网络的具体实现。那我们如何在 TensorFlow 中实现它呢？为了将我们的代码转化为卷积模型，我们需要为卷积层定义适当的权重张量，然后将该卷积层添加到模型中。我们已经理解到卷积层需要以下形式的权重张量。下面代码是用 TensorFlow 语法来对其初始化：然后实现其模型：在 TensorFlow 中，使用 tf.nn.conv2d 函数实现卷积层，该函数使用提供的权重在两个方向上扫描输入图片。这仅仅是神经元的加权和部分，你需要添加偏置单元并将加权和提供给激活函数。不要过分在意 stride 的复杂语法，查阅文档就能获取完整的详细信息。这里的填充（padding）策略是为了复制图片的边缘的像素。所有的数字都在一个统一的背景下，所以这仅仅是扩展了背景，并且不应该添加不需要的任何样式。完成这一步之后，我们应该能达到 99% 的准确度了吧？然而并没有！什么情况？还记得前面我们怎么解决这个「过拟合」问题的吗？使用 dropout。我们该怎么对其进行优化呢？调整你的神经网络的一个好方法是先去实现一个限制较多的神经网络，然后给它更多的自由度并且增加 dropout，使神经网络避免过拟合。最终你将得到一个相当不错的神经网络。例如，我们在第一层卷积层中仅仅使用了 4 个 patch，如果这些权重的 patch 在训练的过程中发展成不同的识别器，你可以直观地看到这对于解决我们的问题是不够的。手写数字模式远多于 4 种基本样式。因此，让我们稍微增加 patch 的数量，将我们卷积层中 patch 的数量从 4，8，12 增加到 6，12，24，并且在全连接层上添加 dropout。它们的神经元重复使用相同的权重，在一次训练迭代中，通过冻结（限制）一些不会对它们起作用的权重，dropout 能够有效地工作。然后模型的准确度就突破 99% 了！对比之前的结果可以看到明显的进步：相关资源：第二部：建立循环神经网络在这一部分 Gorner 讲解了如何使用 TensorFlow 建立循环神经网络。RNN 的结构与训练首先，RNN 的结构如下，其中第二层为 softmax 层（读取出东西）。但特殊的是，中间绿色层的输出在下一步骤中会返回到输入中。下面是循环神经网络里面的等式。那么接下来如何训练 RNN？以自然语言处理为例：输入通常为字符（character）。如下图中所示，我们输入字符，反向传播通过该神经网络、反向传播通过 softmax 层，我们会得到字符的输出。如果得到的字符不是我们想要的，对比一下得到的与我们想要的，我们就对网络中的权重进行调整，从而得到更好的结果。但如果结果是错的怎么办？而且不是因为网络中的权重偏见，而是因为状态输入 H-1 是错的。在此问题中，输入是连续的，有些无能为力的感觉。在这个问题上卡住了，那么解决方案是什么？解决方案就是复制该 cell，再次使用同样的权重。下图演示了你该如何训练循环神经网络，在多次迭代中共享同样的权重和偏差。另外，值得一提的是如果你想往深处做，可以堆叠 cells(如下图）。而后，Gorner 以句子为例讲解了如何使用 TensorFlow 建立循环神经网络。在以下示例中，我们是用单词而非字符作为输入，建立这样的模型中就有一个典型的问题：长期依存关系。而要把下面的长句输入，需要非常深的循环神经网络，而如果网络太深，训练时候又不太好收敛。在数学细节上要提到的就是梯度消失的问题，梯度成 0 了。对此问题的一种解决方案是 LSTM。下图从数学角度解释了该解决方案为何有效。在实践中，LSTM 有效是因为它基于了门（gates) 的概念:GRU 的等式：在 TensorFlow 中实现 RNN 语言模型接下来就是如何用 TensorFlow 实现语言模型的循环神经网络了。在教授语言模型预测单词的下一个字符是什么的例子中，Gorner 使用了 TensorFlow 中更高等级的 API。图中的 GRUCell 有着多层的循环神经网络层、两个门。然后把网络做的更深，3 个 GRU 堆叠在一起。接下来，展开整个网络，在 TensorFlow 中，这被称为动态 RNN 功能。最终得到如下结果。下图演示了如何在 TensorFlow 中实现 Softmax 层。就行正确理解 RNN 的工作原理很难一样，向它们正确的输入数据也很难，你会发现里面里面有很多误差。接下来 Gorner 尝试了如何做出正确的输入、得到正确的输出。依此为例，他讲解了所选择的 batchsize、cellsize 和层（如下）。各个步骤实现的代码如下：在 TensorFlow 中实现语言模型的完整代码如下：最后，Gorne 打开 TensorFlow 演示了如何实际建模语言模型，并且演示了 RNN 在文本翻译、图像描述等领域的应用。看完之后我决定先下个 TensorFlow。

前几天一则中国科学院大学博士后导师祝卓宏被取消博士学位的新闻在网上炸开了锅，人们纷纷猜测他可能是因为学术不端才会被取消十一年前取得的博士学位。然而真相是出人意料的，看到真相，大家不禁恍然大悟，原来如此!前几日，网上曝光了中国科学院大学心理研究所在内部网站上发布的一则公告，内容是《中国科学院大学关于撤销祝卓宏博士学位的公告》，且言明公告时间为1月13日—1月17日共五天时间。虽然公告在学校内部网站发布，却很快在网络上引起了轩然大波，人们对撤销祝博士学位的原因做出了各种猜测，为了减少一些不实言论和猜测，中国科学院大学于公告发布的次日公布了撤销祝卓宏博士学位的真正原因。原来如此，按照当时博士学位申请规定，要取得博士学位必须有学校规定规格的论文发表，或者在申请博士学位时提供相关杂志或期刊的论文接收函，但取得博士学位时论文必须如期发表。而祝是因为申请博士学位时提供了论文接收函，但后期他的论文并没有如期发表。可能是当时审核工作不够严谨，竟然没人发现这一漏洞，而祝侥幸取得了博士学位，如今不知因何被人举报，学校经查证举报情况属实，祝在当时确实不符合获得博士学位的条件，遂当机立断按规定取消了他已取得11年的博士学位。虽说学校当时工作不够严谨，导致了这样的失误，但是在发现错误之后能够迅速纠正错误，撤销了祝卓宏已经取得11年的博士学位，也算是维护了学术研究的严肃性，任何人任何事都来不得半点马虎。试想，如果祝本人当时能够把自己的论文没有如期发表的实情向学校作以汇报，等到自己真正有论文发表的时候再申请博士学位，相信以他的能力，应该早就取得真正的博士学位了吧？后期祝卓宏在心理学研究方面做出了不小的贡献，取得了不凡的成就，并且被评选为健康中国(2018)年度十大人物，多么荣耀，和如今的尴尬处境形成鲜明的对比。因一时心急，或者虚荣心作祟，钻了学校的空子，导致十一年后在公众面前出丑，相信这是他自己所不愿经历的事情。联想到一些研究生因为论文质量达不到要求，不惜以各种方式抄袭别人的论文，或者捏造研究数据，助自己早日获得硕士、博士学位，对于学术研究来说，这是一种可耻的行为，破坏了学术研究的公平性，挑战了学术研究的科学性和真实性原则，是最不可被原谅的一种行为，事情败露之时必将遭到人们的唾弃。早知今日，何必当初?

编者按：本文整理自北京大学历史系欧阳哲生教授在“20世纪中国学术思想史上的胡适”展览开幕式上的演讲。欧阳哲生教授现任胡适研究会会长。欧阳哲生教授也曾在哥伦比亚大学挖掘和研究与胡适相关的档案资料，对胡适在哥伦比亚大学求学的岁月做了最大程度的还原。（来源详见文末）1910年，胡适赴美，到康奈尔大学学习农科。1915年，胡适转入哥伦比亚大学哲学系，师从约翰·杜威。1917年，胡适从哥伦比亚大学获得哲学博士学位，回国。胡适留美的七年，是他一生中极为重要的一段经历。关于这段经历，胡适留下一本日记，最初的名字是《藏晖室札记》。这些日记最早以连载的形式刊登在《新青年》杂志上。究其原因，大概是陈独秀当年主编《新青年》的时候缺稿件。后来《藏晖室札记》经过整理出版单行本，由亚东图书馆出版，再后来商务印书馆将其改名为《胡适留学日记》。现在这本书的原始手稿本已经被找到。△1920年，胡适（左三）与蔡元培（左二）、蒋梦麟（左一）、李大钊（左四）在西山卧佛寺合影。胡适的留学经历，在晚年的口述自传里占据了四章的篇幅。那么作为留学生的胡适，学业究竟如何呢？前几年周质平先生发现了胡适在康奈尔大学的成绩单，这个成绩单为我们了解胡适在康奈尔的学习情况提供了可靠的证据。在胡适第一年的成绩单上，能够看到他的英语成绩不错，第二外语德语也不错，但是农学方面的成绩一般。第二年胡适转学哲学。但是前面还学了几门农科课程，比如果树学，这门课程胡适的成绩不够理想，76分。他在上这门课的时候受了点刺激，当时上课的时候要进行苹果分类，美国人天天吃苹果，所以对苹果非常熟悉，两下就搞定了。胡适感到自己这方面没有天赋，所以还是想学文科，他的兴趣在文学和政治。按照康大文学院的规定，每个学生只要学完一个专业也就是完成一个“学科程序”就能毕业，但是胡适毕业的时候他学了三个“程序”，也就是三个专业：哲学和心理学、英国文学、政治和经济学。这三个“程序”分属三个不同的领域，如此众多的课程，有些是胡适利用夏季学期修完的。从这份成绩单也可以看得出来，胡适的课业成绩并没有因为他大量的社会活动而受到影响。胡适平时的演讲活动和社会活动非常多，当时是辛亥革命发生后不久，美国人请他讲中国辛亥革命。也是因为这个原因，胡适对研究中国政治产生了兴趣。胡适1914年5月在康大毕业，获得学士学位，接着他在康大又读了一年硕士课程，1915年9月转入哥伦比亚大学文学院。胡适进哥大的打算，在康大念文科的时候就已经萌发了。1912年2月6日他给章希吕，他的一个朋友写信就谈到了这个想法，他谈到康大不长于政治文学，他想学政治文学，想到哈佛或者哥大或者威斯康星去。威斯康星是在中部靠北一点，临近五大湖，这个地方学费很便宜，一般来说要去美国留学，美国中部都是很便宜的，但是去东西两岸学费就很昂贵，生活费也很昂贵。1915年胡适转学的一个直接因素是他申请延长康大哲学系奖学金被拒，理由是他“在讲演上荒时废业太多”。7月11日，他在给母亲写信的时候报告了他想去哥大的七个理由。其中第一个理由就是讲康大所在地是一个小城，他想到纽约去看看美国的大城市，第三个理由是纽约是大城市，书籍比较多，第七条就是哥大哲学教授杜威是此邦的哲学泰斗，他想投奔他的门下。显然他已经选择了要去哥大。胡适晚年在口述自传中还提到他转学哥大的另一个重要原因是他不喜欢在康大哲学系占据统治地位的“新唯心主义”(New Idealism)，这一派对杜威的攻击反而引发了胡适对杜派哲学的兴趣，在1915年暑假对实验主义作了一番系统阅读和研究之后，他决定转学哥大去向杜威学习哲学。△《胡适留学日记》自题“卅六年十二月二十九日收到这重印第一版”胡适在《口述自传》中对哥大的文科教授阵容做了详细介绍，除了上述提到的杜威以外，胡适还提到了几位当时在哥大声望很高的大牌教授，比如以研究希腊哲学见长的研究院院长乌德瑞(Frederick J.E. Woodridge)，西方“现实主义”的代表之一芒达斯(W.P. Montague)，美国“伦理文化学会”发起人厄德诺(Felix Adler)，历史系有政治理论史的开山宗师顿宁(William A.Dunning)，“新史学”的倡导者罗宾逊(James Harvey Robinson)，美国宪法史专家毕尔(Charles A.Beard)，社会学系著名大家吉丁斯(Franklin Giddings)，另外还有专治“汉学”的夏德(Frederich Hirth)。在哥大，胡适主修哲学，副修英国文学和经济，第二副修是经济理论。胡适在哥大的学业成绩因为事涉私人隐秘，至今还没有公布。胡适在哥大所选的课程，他在《口述自传》里都提到了，有杜威的“伦理学之宗派”和“社会政治哲学”，乌德瑞的“历史哲学”，顿宁的“政治理论史”，厄德诺的伦理学，夏德的“汉学”讲座（又叫丁龙讲座，以一个华人名字命名），这几位教授的课程都对他影响很深，其中杜威的“伦理学之宗派”一课启发胡适决定做他的博士论文——《中国古代哲学方法之进化史》。胡适在哥大的主要学业之一是写作博士论文，他首次提及博士论文的写作是在1916年5月10日在给他母亲的信中。9月27日他再次给母亲写信的时候，他说“而所作博士论文，夏间约成四分之一。今当竭力赶完，以图早归。今年归期至多不过九、十月耳。当此九、十月时间，有许多事均须早日筹备。”当博士论文完成后，胡适在1917年5月4日日记中以《我之博士论文》为题，写道：“吾之博士论文于四月廿七日写完。五月三日将打好之本校读一过，今日交去。此文计二百四十三页，约九万字。原稿始于去年八月之初，约九个月而成。”他的博士论文写的不是太长，两百多页，跟另外一位在哥大毕业的著名学者陈焕章的博士论文相比，胡适的就很单薄。陈焕章的是两大本，一毕业哥大就帮他出版了。博士学位口试完成后，5月27日他追记了五天前的博士考试：“五月二十二日，吾考过博士学位最后考试。此次为口试，计时二时半。吾之‘初试’在前年十一月，凡笔试六时，口试三时。七年留学生活，于此作一结束，故记之。”他写的非常简略，但是可以注意到，他是用“考过博士学位”，而不是“通过博士学位”这就给人们留下了想象的、怀疑的空间。因为胡适用什么词还是有斟酌的，这是一个非常诚实的君子。金岳霖也是在哥大毕业的，比胡适晚三年。他回忆说：“在国外留学，写中国题目论文的始作俑者很可能是胡适。”这个话带有贬义，所谓“始作俑者”并非事实，1911年初毕业于哥大且获博士学位的陈焕章，其博士论文就是《孔门理财学》，也是以中国为题材。1917年与胡适同时毕业的蒋梦麟，他是哥大教育系的，他的毕业论文是《中国教育原理研究》，也是如此。一般来说，中国人去美国留学假如以中国为题材的话，相对来说要容易一些，所以金岳霖有一点讽刺他，金岳霖的博士论文是纯哲学的。△1917年胡适自哥伦比亚大学毕业，就任北京大学教授胡适在美国的学习生活中，最大的一个问题就是他的博士学位。胡适的博士学位最早引起人们的注意是在20世纪50年代。据唐德刚先生回忆，1952年哥大东亚图书馆馆长林顿(Howard P.Linton)为纪念哥大二百周年校庆，着手编撰一本《哥伦比亚大学有关亚洲研究的博士硕士论文目录》，这本书在1957年出版。这本书包罗万有，但是就是把胡适的论文编漏了，校园里一时传为笑谈。林氏也不明其故，他把校方正式记录都查了一遍都没找到胡适的博士论文的记录。1961年袁同礼（他从北大中文系毕业，后来做过北大的图书馆馆长，之后又去美国担任美国国会图书馆的馆长）在哥大工作，他也发表了一份《中国留美同学博士论文目录》。在这本书中，袁将胡适的博士授予时间放在1917年和1927年，他写了两个年代，因为他不敢肯定是哪个年代。在袁同礼编这个书的时候，他要唐德刚去查有关胡适获得博士学位的记录，唐德刚在哥大档案中发现胡适获得博士学位的注册时间是在1927年，并将这个结果告诉了袁同礼。袁同礼是胡适的学生，他不愿意胡适的学位问题被外界政治所利用，所以煞费苦心地做了这样的处理，把胡适的博士学位系于1917和1927两个年头，实际上这是不可能的，只能是一个年头。20世纪70年代，胡适的博士学位风波再起。1977年10月台北《传记文学》第31卷第4期发表了唐德刚的《七分传统、三分洋货——回忆胡适之先生与口述历史之三》，这是连载的唐著《胡适杂忆》的第三章，披露了他当年为袁同礼查找胡适获取博士学位材料的上述内情。后来在1978年12月第33卷第6期《传记文学》刊登的唐德刚先生的《胡适口述自传》译稿《哥伦比亚大学和杜威》中，他做了一个长篇的注释，就是讨论“胡适的学位问题”，他明确说明胡适的学位问题，不是什么真假的问题，问题是他为什么迟了十年才拿到这个博士学位。唐猜测牵涉到胡适1917年5月22日参加的那场口试，到底是“通过”的“哪一柱”(which column)。唐先生解释，那时候的博士论文答辩大概有三种情形，就是三个档次，第一个档次就是“小修通过”(pass with minor revision)，第二个档次是“大修通过”(pass with major revision)，第三个档次是“不通过”(failure)，唐先生猜测1917年胡适大概只是“大修通过”，那就是博士论文还存在着很大的问题。他认为当时的原因可能有四个：第一个就是参评的六位教授除了夏德以外，其他都不懂中文，所以他们根本读不懂胡适这篇博士论文。但根据我后来的判断，恰恰就是这位夏德阻拦了胡适的博士论文答辩。因为只有他懂中文，懂汉文，所以其他五位教授就依赖于他的判断。而夏德是不会站在胡适的立场的，因为胡适的论文涉及到另外一个很重要的问题，就是在当时中国进行的孔教与反孔教之间的斗争。胡适博士论文的基本立场是反孔教的，而夏德是支持孔教运动的，他曾经为陈焕章的博士论文写序，陈焕章是当时孔教运动的领袖，所以夏德大概已经选择了站在康有为陈焕章这一边，自然他就会反对胡适的立场。所以我觉得问题可能就是出在他身上。第二个原因是在洋人看来，胡适的博士论文不像博士论文。不同于一般博士论文钻牛角的体例，胡适的博士论文简直像一本不知所云的中国哲学教科书。第三是参加他博士论文答辩的像杜威这些大牌教授，对谁通过谁不通过都不是太在乎。第四个原因就是胡适在哥大研究院只读了两年，住校时间太短，连规定住校年限都不够。跟胡适博士学位有关的还有两件现存的重要材料，第一是他的博士学位论文本身，就是后来出版的《先秦名学史》，这其实跟他当年的博士论文还是略有差别。还有一个就是最重要的档案材料，即1927年3月21日他获得博士学位的注册说明。该件说明胡适留学哥大时所用的英文名字为Suh Hu，而不是后来所用的Hu Shih。这份注册说明是胡适获得博士学位的一个硬证。其实对于胡适博士学位的怀疑，在他生前就有了，1919年9月7日朱经农给胡适写信的时候，就提出这个问题。朱经农告诉胡适现在外面有很多人说他没有通过博士学位考试，说他的博士是假博士。他催促胡适站出来证明。对于朱经农的要求，胡适没有正面回应，但是他把攻击他留美的朋友分为三类：第一类期望太切，所以转生许多不满意的地方。第二类是因为生性褊窄，就是心胸狭窄。第三类是顽固成性，除几句“敝帚自珍”的旧式文字以外，天下事物都是看不上眼的。所以在胡适看来，这些人要说就去说把，他不在意。但是朱经农作为胡适的关系非常密切的朋友，也是爱护胡适，1920年8月9日又给胡适写信，催促他一定要发表他的博士论文，证明他是通过了博士学位考试的。在朋友的催促下，胡适也经过一番考虑，在1922年将自己修改过的博士论文交由亚东图书馆出版。亚东图书馆一般不会出版英文书籍，但是它和胡适关系非常特殊，于是破例给胡适专门出了他的博士论文，一本英文书。这本新出的英文论文题改为《先秦名学史》(The Development of th eLogical Method in Ancient China)。这相比他在哥大撰写的博士论文所使用的题目《中国古代哲学方法之进化史》(A Study of The Development of Method in Ancient China)还是有所调整，应该说更有问题意识，内容也小有修改。在这本英文著作的前面，胡适还加了一个1917年6月所写的《前言》，和1922年1月所写的《附注》。其中在《附注》中，胡适交代“最近四年，我很想有机会对这篇论文作彻底的修订，但由于工作的繁忙而搁置下来，这就是它长期未能出版的原因。在国内的英、美友人曾读到我这本书的手稿，屡次劝说我把这本四年前写的书出版，我现在勉强地把它发表了。可以高兴的是这篇学位论文的主要观点、资料的校勘，都曾得到国内学者的热情赞许。这表现在他们对于这本书的中文修订版《中国哲学史大纲》第一卷的真诚接受、特别是关于我所认定的每一部哲学史的最主要部分——逻辑方法的发展。”《中国哲学史大纲》是在他《先秦名学史》的基础上修订进一步扩充完成的一部著作，这本书在中文世界获得了巨大的成功。1927年1月11日胡适第二次来到美国，这次他是由欧洲转道来美国访问，早在英国时，1926年12月26日胡适特致电亚东图书馆，要他们寄100本《先秦名学史》给哥大，胡适大概和哥大方面已经有约定了。现在哥大保留的档案证明，胡适博士学位注册的时间是1927年3月21日，上面除了说明胡适向哥大提供了100册《先秦名学史》，没有任何其他说明。但申请博士学位，博士论文是否要出版，且要交100册副本，这是否哥大的一项成文定规，我认为这是一件令人怀疑的事。中国学人在哥大拿博士学位毕业的挺多的，但是要交100册才能够拿博士学位的这个例子，是否好像没有第二个人。所以胡适这个例子可以说是个特例。△欧阳哲生张荫麟：论最近清华校风之改变南开学人：那个时代的世说新语张岂之：什么是清华的人文教育？▼编排：@耕读