輝達GTC加持！台股收盤大漲494點台積電漲30元到1870-新知

作者：赵婉婷来源：科学网微信公众号发布时间：2026/3/5 20:44:49 选择字号：小中大

从博士到教授的15年，她认为学术界有个特别的优势

2025年10月，钱岳的新书出版之时，恰逢一个特别的时间点——她刚刚通过评审，晋升为加拿大不列颠哥伦比亚大学社会学正教授。从读博算起，“85后”的钱岳已经在学术圈“摸爬滚打”15年。

她的新书《进入学术圈》在出版不久后，登上当当网新书热卖榜社科类第一名。这并非一本呆板、充满说教的工具书，而是她真实的“成长日记”。她强调自己不是最具学术天赋的人，也不是特别聪明，但想真诚地以第一人称吐露自己踩过的坑、流过的泪。

“我深知自己拖延写作的典型做法：我会骗自己说，文献还没看完，我还没准备好开始写。”“我也常常觉得自己写东西像挤牙膏。”“我把所有的心血都放进去了，还被审稿人批得体无完肤。”“在读博阶段，我做过挺多不成熟的事情。”“我申请了70多份工作。”翻开这本书，学术界的同行仿佛能通过一面镜子看到自己。

那么，钱岳为什么还是义无反顾地留在学术圈？正如她在书中写到，科研“匠心创造”的过程让她如痴如醉，与合作者携手解决问题也让她有了勇闯学术界的胆识和智慧——合作者正是她所看重的，也是她认为学术界的一个特有优势：“大多时候，我们可以选择跟谁一起工作。”

在书中，她将自己从学术小白一路“打怪升级”成长为博导的故事娓娓道来。现实中，她仍在不断更新自己的答案。日前，钱岳接受了《中国科学报》的专访。

钱岳2018年在“一席”演讲的视频播放量超过300万次。

与其说“圈子”，不如说“学术共同体”

“网上很多人说，‘世界是一个草台班子’。但是，学术界有一个特别的优势：大多时候，我们可以选择跟谁一起工作。我们有更大的自由去搭一个不草台的班子，然后一起做1+1>2的事情。我的合作者让我有了勇闯学术界的胆识和智慧。”

钱岳《进入学术圈》

《进入学术圈》

《中国科学报》：这本书名为《进入学术圈》，你如何看待所谓的“圈子文化”？

钱岳：

与其说是圈子，不如说community，即学术共同体。

我觉得我自己能够坚持下来，很多时候都是因为我所在的学术共同体，有他们给我无私的支持。与其把学术圈想成一个需要拉帮结派的地方，不如思考我们怎样在学术圈里找到真正喜欢的、合得来的，能够一起成长进步并且相互信任的朋友。

我在国外做教授，国外也有学术圈，表现形式可能与国内不同，但同样存在靠推荐和口口相传获取学术资源和职业发展机会的情况。不管做什么工作，都有好与不好的地方。我自己比较喜欢学术界的工作，因为我觉得我们拥有的自主性还是很大的。我们可以选自己想做什么样的研究、什么主题的研究，跟什么样的人合作，招不招学生、招什么样的学生……让我们的自主性最大化地发挥作用，可能对提升自己的心理健康水平也有好处。

截图自钱岳微博

《中国科学报》：一个好的学术共同体应该如何迎接下一代年轻学者？

钱岳：

学术界接下来的几十年会如何发展，需要整个学术界共同思考。每一代人都会经历社会变迁，如今高等教育也处于一个反思未来发展方向的时机。我希望资深学者能够给予年轻学者更多支持，传递知识和经验。同时，整个学术界需要思考如何在科研经费减少、终身教职职位稀缺等情况下为年轻学者提供更好的发展空间。

此外，现在的学生更有想法，更清楚自己想要什么。有些学生明确表示不想读博或选择回国工作，这种坚定的自我认知让我感到佩服。

《中国科学报》：所以你不赞同“科研逃兵”这个形容？

钱岳：

离开学术界或继续做学术都是个人选择，选择离开的人不应被定义为“逃兵”。在当前学术环境不确定性增加的情况下，年轻人选择离开学术界是完全可以理解的，并没有说哪一个选择一定比另外一个选择更好。只有自己才能做出最适合的决定，就有点像鞋子穿在脚上，舒不舒服只有自己知道。

博士期间郊游的钱岳

自我和解，打怪升级，自赋意义

“我是个心态特别不好的人，但是，工作的第三年，我的心态竟然有了一个很大的转变。我渐渐想开了：我属于干一行爱一行的人。即使几年后没评上终身教职，以我的能力和工作态度，无论做什么工作都会做得很好。”

钱岳《进入学术圈》

《中国科学报》：科研是一个延迟满足的过程。你如何应对在没有获得最终成果，如发表论文或获得终身教职前的焦虑？

钱岳：

享受科研过程本身很重要。如果对研究领域感兴趣，这个过程就没有那么难熬。寻找答案的过程本身就是一种奖赏。具体来说，将大任务分解为小任务各个击破，设定阶段性目标，也非常重要。

李银河在与鲁豫对谈时讲到，人生很多时候需要自赋意义，而不是依赖外部认可。从宇宙的角度看，人类的存在和所做之事可能显得渺小，但重要的是对自己所做的事情有信念感并认为它有意义。以前我的老师跟我说，你现在就是这个领域对这个话题了解得最清楚的人。在科研领域，这种信念感尤为重要。

《中国科学报》：所以随着经验不断积累，学术之路会更轻松吗？

钱岳：

我想并不会。环境在变化，生活变得越来越复杂，人的角色一旦增多，投入到工作的时间和精力会更有限。做好科研从来都不简单，需要不断推动知识的边界。挑战永远存在，但随着经验增加，会更有信心克服困难。

读博无疑是一个自我和解和打怪升级的过程，其间能够培养可转移技能和非认知能力，如坚持和反思能力。我花了很长的时间想通，即使最终未达到预期目标，过程中所有的努力也会带来自我赋能和成长，一定不会白费。

钱岳2025年徒步时

《中国科学报》：处于科研初期的人会好奇，“想通”与“升级”的过程究竟是如何发生的？

钱岳：

不同人生阶段遇到的挑战不同，可能是被生活逼迫，也可能是通过时间积累和自我反思。化解困惑的方式需要自己寻找。

我有时通过听播客、读哲学书获得外部启发。当时听着可能像留不下什么印象的白噪声，但是当真正经历了一些事情，好像会突然开窍，有一个量变到质变的过程。

我在学生眼中非常淡定，但我会跟他们说，你讲的东西我以前也经历过，而且我经历的时候也非常苦恼焦虑，但是等你经历了就会发现，一切都会过去的。

《中国科学报》：你微信的签名是：“把时间浪费在快乐的事情上”。纯粹的科研是否是你快乐的事情之一？

钱岳：

写作是我工作中喜欢的一部分。我不写作的时候可能会很焦虑，脑子里面有很多乱七八糟的想法，包括今天晚上吃什么、以后会不会地震。写作让我进入心流状态，真的会让我忘记时间。工作中能专注于喜欢的事物是非常珍贵的。

截图自钱岳微博

年轻时我们能将更多时间用于科研，但随着资历增长，行政和指导学生等工作可能占据更多时间，生活中的责任和身体机能也会变化，心态和职业规划也会变。但拥抱变化并接受不同阶段的喜好和目标是一件好事，不同阶段都可以找到新的职业轨迹和快乐，走一步看一步也是不错的选择。

一本“充电宝”小书

“读完这本书，或许你会对学术界动心，或许你会对学术界祛魅，而这些体会将助你向前一步，找到更忠于内心的、直面学术界的选择。”

钱岳《进入学术圈》

《中国科学报》：你在书中坦言，你读博初期听不懂同学讨论，在读文献时抓不住要点，还写下“灵魂叩问书”问苍天自己该怎么办。可以分享你在学生时期的一个低谷时刻吗？

钱岳：

刚去美国俄亥俄州立大学读博士时，我英语不算特别好。每周的理论课要读几百页文献，我记得自己完全读不懂康德，甚至读中文翻译也理解不了。那时压力特别特别大，每天晚上做梦都在和马克思对话。

后来我意识到，我不需要读懂所有东西，我可以选择与自己有共鸣的理论进行研究和与之对话。在理论课上，我基于社会生物学和社会进化理论撰写了我的课程期末论文。最后我不仅顺利完成了课程要求和期末论文，还用这篇论文里的想法申请到了去斯坦福大学参加科研工作坊的机会。

2016年，钱岳博士毕业

《中国科学报》：从博士生成长为博士生导师的过程中，你是否曾有过困惑或紧张？

钱岳：

过去都是和比自己更有经验的人合作，第一次跟学生合作确实是忐忑的。我真正觉得自己可以独当一面的时候，是带着学生一起发论文的时候。我从他们那里也学到了很多，这种互相成长是非常美好的。

钱岳在斯坦福大学作讲座

《中国科学报》：在完成这样一本“赤裸裸”的成长日记的过程中，你的心路历程是怎样的？

钱岳：

我大概2015年起在公众号“缪斯夫人”上写一些我喜欢的研究，慢慢也分享一些自己做学术遇到的问题和心得。当时华东师范大学出版社的顾晓清编辑看到了，就邀请我将这些内容整理成书。

之前我写公众号时，收到过很多读者的正面反馈。有一位学者曾告诉我，她将我的文章打印出来贴在写字台前，每次写不出来（论文）的时候就看一看，激励自己。这样的反馈也让我觉得，分享是有价值的。

但写这本书时，我还是感到诚惶诚恐，觉得自己还没有到广泛分享经验的阶段，好像还不够资格。写这本书并不是想表达我优秀，而是因为我确实犯过很多错误，走过很多弯路。我自己平时是一个比较喜欢反思的人，而且我也很喜欢分享，所以我就把自己的一些反思写下来，为那些不知道学术界规则的人提供一些指南。

《中国科学报》：你认为读者在阅读你的故事与经验分享后，可以少走一些“弯路”吗？

钱岳：

该如何定义弯路呢？我觉得学术界也不是一条直路，犯过的错误本身也是自己成长的过程。

学术界有一个说法叫hidden curriculum，即隐藏规则。比如我是家里第一代博士生，我不知道应该怎样在这个系统里生存。从本科到当大学教授，我一直在边生活边学习。我一直愿意跟师弟师妹、学生交流，写书也相当于跟读者交流想法。

这几年在网上看到一些老师说，很多学生在开始读博时并不知道读博到底是什么、需要什么样的付出。有一些学生开始读博后，可能觉得跟自己想象的完全不一样，甚至变得抑郁。我希望至少用我的经历，还有我见证的一些事，给大家呈现读博和做“青椒”的模样。

《中国科学报》：这本书出版后，你收到了哪些反馈？

钱岳：

微博上一位网友留言说，她跟我处于差不多的学术阶段，在看这本书的时候就感觉想跟我隔空high five（击掌）。还有一位博士毕业的女生说，她把我书里有关读博对我人生的改变的一段话放到了她的博士论文致谢里。还有一位本科生对我写的科研工作者如何参与大众科普的部分非常感兴趣。

其实这本书的读者群比学术圈更广。学术圈的人可能更关注写论文或应对同行评审的建议，而非学术圈的人可能会对工作和生活平衡、时间管理的部分有共鸣。不同的人会根据自己的人生阶段和生活经历从中获得不同的启发。编辑形容这是一本“充电宝”小书。

我想说，人生不仅限于工作。随着年龄增长，生活其他方面也会变得重要。我很喜欢编辑在书脊处写的一句话：“在学术中找到位置，在生活中找到自己。”

*文中图片均由受访者提供

（原标题：从博士到教授“摸爬滚打”15年，她认为学术界有一个特别的优势）

特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。" border="0"/>

从博士到教授的15年，她认为学术界有个特别的优势—新闻—科学网

详解Serverless服务，它会颠覆你对云的理解

过去十多年，云基础设施通过“抽象化”实现扩展，借助标准化服务器、虚拟化资源及软件层，有效弥合了硬件层面的差异。这种模式之所以行之有效，是因为部分工作负载能够容忍一定程度的低效。然而，人工智能(AI) 工作负载无法容忍低效，也因此暴露出了传统架构在供电、散热、算力密度、内存带宽及系统整体性能方面的短板。

本质上，AI 重新定义了“优秀”基础设施的标准。相应地，平台设计的重心也从注重单一的芯片或服务器，转向了打造机架级、可扩展的系统，在功耗和预算有限的前提下，实现高效扩展。而这一转变背后的原因在于，推理与智能体 AI 工作负载持续增长且不间断运行，对高密度、全天候在线的算力需求正快速提升。

Futurum 在《Arm处于 AI 和数据中心变革的中心》报告中，把这一转变称为迈向“系统级协同”。设计的关键不再是堆多少算力，而是平台能不能有效地把加速器、CPU、内存、网络和软件协同起来。

正因如此，业界正加速迈向定制化机架级系统设计：即围绕 AI 负载特性、功耗波动和持续利用率来进行端到端设计的平台。越来越多的架构师开始重新思考计算底层设计，选择基于 Arm 架构来解决现代 AI 平台面临的多重约束。

AI 促使行业重构：转向定制化机架级系统

这一转变的核心原因，并非通用型标准化基础设施无法承载 AI，而是碎片化的系统设计，在 AI 规模化部署时，终将转化为真实可感的成本代价。

AI 工作负载在计算、内存、网络、存储及软件各环节紧密耦合。CPU 拖后腿，昂贵的加速器就会空等；功耗和散热波动，利用率就会下滑；数据管道、调度、编排未能针对平台调优，吞吐量就不可预测。峰值性能依然重要，但稳定性、每瓦性能和系统整体平衡性更关键。

Futurum 指出，超大规模云服务提供商正进行结构性调整，旨在实现算力的指数级增长，同时避免能耗的同步激增。Futurum 引用 Arm 的数据指出，到 2025 年末，出货到头部超大规模云服务提供商的算力中，有近 50% 是基于 Arm 架构。

架构师现在不再只看纸面跑分，而是更关心 AI 平台在实际应用中能否长期可靠地运行智能体 AI 和连续推理工作负载，比如：

长时间高负载下，系统表现如何？

在实际环境中，功耗限制和散热条件如何影响性能曲线？

在机架级系统中，计算层如何确保加速器能持续获得稳定的数据供给，而非仅停留在纸面参数上？

当能效、可扩展性与系统平衡性成为首要原则时，重新审视 CPU 底层架构就成了必然。也正因为此，Arm 凭借领先的架构和完善的生态，正是这场行业变革的核心所在。

在数据中心领域，Arm Neoverse 平台是推动这一转型的核心引擎。亚马逊云科技、Google、微软、NVIDIA 等头部超大规模云服务提供商与 AI 领军企业，都在基于 Arm 架构或采用 Arm 计算平台进行产品研发。Arm 的模式既能支持定制化系统设计，又能保持跨平台、跨生态、跨软件的一致性。对于想要构建高集成度平台、又不愿被单一技术路径绑定的团队而言，这种灵活性至关重要。

智能体 AI 与持续推理，

重塑规模化算力的经济逻辑

随着 AI 与通用计算工作负载的融合，AI 工作负载正在发生变化，基础设施也需随之调整，以支持多样化的工作负载特性。

行业重心正在转向智能体 AI，而智能体 AI 本质上就是一个连续推理系统。智能体并不是简单地给出一个答案，而是会规划、调用工具、检索数据、验证结果，如此循环往复。由此便形成了连续推理模式：稳定不间断的词元 (token) 生成任务，请求类型趋于多元化，围绕加速器的编排和数据迁移任务变得更繁重。

在智能体 AI 里，CPU 不再是配角，而是整个 AI 系统的控制中枢。CPU 负责协调控制、调度任务、管理 IO、处理网络与存储服务、执行安全策略，并在模型、上下文及工具链不断演进的过程中，维持整个系统的平衡。

以承载大语言模型 (LLM) 的服务为例，它可能同时处理成百上千的并发请求。就算加速器负责核心计算，CPU 也要承担请求权限控制、分词和预处理、批处理和队列调度、数据迁移编排，以及针对模型权重与 KV 缓存的数据路径协调等。到了智能体工作流，CPU 的工作负担进一步扩展，还要承担工具调用、检索流程、结构化输出验证、多步调度等持续运行的任务。

这一切都表明，CPU的重要性远超许多团队的预期。如果 CPU 跟不上编排节奏，数据迁移、处理流程和加速器都会被“卡住”，面临结构性的闲置风险。

融合型 AI 数据中心的建设，彰显了 Arm 架构的强劲势头

Arm 的发展势头正在加快。在业内领先的集成式 AI 系统中，基于 Neoverse 平台的 CPU 被广泛用于智能体推理密集型系统的编排层，尤其适合追求高能效、可预测扩展能力和大规模部署的应用场景。

独立测试也印证了现代 CPU 基础平台在“AI 相关”工作负载中的价值。Futurum 旗下 Signal65 的独立基准测试对比了基于 Arm Neoverse 平台的 Amazon Graviton4 与同级的 AMD和 IntelEC2 实例，结果显示：在生成式 AI (Llama-3.1-8B)、数据库 (Redis)、机器学习(XGBoost)、网络 (Nginx) 等测试的各种工作负载中，基于 Neoverse 平台的 Graviton4 在性能和性价比方面大幅领先。

测试结果直接反映了智能体 AI 数据中心的现状：LLM、检索层、缓存、Web/API、传统机器学习等全都处于智能体系统的关键路径上，只有当 CPU 兼具速度与能效时，整体才能更好地扩展。

最新的机架级 AI 系统在架构设计上，均采用定制化加速器层以及基于 Arm 架构的 CPU 层的组合，由后者承担调度编排、数据迁移与智能体推理预处理等关键任务。NVIDIA Grace Hopper、Grace Blackwell 等系列产品，将 NVIDIA GPU与基于 Neoverse 架构的 Grace CPU 深度融合。而其最新机架级平台 Vera Rubin NVL72，更是在系统内集成 72 颗 Rubin GPU 与 36 颗基于 Arm 架构的 Vera CPU，专为交互式、深度推理型智能体 AI 优化，显著降低推理成本。

亚马逊云科技也在走同样的系统级路线：Amazon Trainium3 UltraServer 把 Trainium3 加速器芯片与 Graviton CPU 结合，强化了“融合型”设计理念：将加速器与定制的高性能、高能效 CPU 相匹配，以实现高效扩展。

“提供更优选择”不再是偏好，而是硬性要求

AI 系统迭代太快，固定架构已无法适配其发展节奏，因此为客户提供更优选择已成为风险管理的必要举措。

系统架构师想要的是：

平台能适应不同代的硬件、多样的工作负载配置及各异的部署环境；

软件可移植，以降低系统变更成本。

与此同时，系统架构师希望避免因过度依赖单一厂商，而导致在模型组合变化、业务规模扩张或新需求出现时陷入被动。在智能体时代尤其如此：推理形态不断变化，上下文更长、工具调用更多、多模态输入更频繁、全天候工作负载更普遍，效率和平衡远比峰值跑分重要。

Arm 架构在提升系统性能的同时，保持跨平台一致性。Arm 架构不仅引入了现代 AI 基础设施所需的关键特性，而且拥有强大的软件生态支持。Arm 计算子系统 (CSS) 提供经过验证的基础设施级模块，既加速了芯片开发，又保留了合作伙伴间的差异化与选择权。对于所有基于 Arm 架构的平台，一致性贯穿始终，云工作负载迁移至 Arm 平台也极为便捷。同时，在软件层面，Arm 生态助力团队在不同环境与平台间拥有一致连贯的基础，从而加速开发进程，无需重写所有代码。

智能体 AI 经济重塑 CPU 选择格局，Arm Neoverse 平台成头部厂商首选

系统架构师之所以倾向于 Arm 平台，因为它精准匹配定制AI 系统的核心需求：能效、可扩展性及每瓦性能。能效重要，因为功耗和预算是硬上限；系统平衡和 CPU 性能重要，因为加速器闲置成本极高；一致性重要，因为 AI 基础设施变化快、跨环境部署日益增多。

在融合型智能体 AI 数据中心里，面对持续推理的应用需求，上述优先事项变成了上线即需满足的硬性指标。智能体系统不只需要能生成词元的加速器，更需要以 CPU 为核心的编排能力，在网络、存储、调度、安全层面，持续、高效、大规模地把资源利用起来。

Arm 如今的强劲增长正源于此：Neoverse 正成为智能体时代的 CPU 基础平台，作为计算头节点，是让 AI 系统保持高效、一致并面向未来的核心控制中枢。

" border="0"/>

为何AI数据中心的系统架构师首选Arm平台